基于SSA-SVR和LSTM相結(jié)合的混合模型預(yù)測(cè)鋰電池的剩余壽命

摘 要：鋰電池的SOH和RUL可以判斷電池管理系統(tǒng)故障的幾率。文章提出一種預(yù)測(cè)SOH和RUL的混合模型。首先利用改進(jìn)的帶有自適應(yīng)噪聲的互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解算法（ICEEMDAN）分解容量信號(hào)，然后分別利用SVR算法、LSTM對(duì)高頻、低頻信號(hào)進(jìn)行預(yù)測(cè)，同時(shí)引入SSA優(yōu)化SVR參數(shù)以提高精度，最后將各分量預(yù)測(cè)信號(hào)重組作為最終的預(yù)測(cè)結(jié)果。仿真結(jié)果表明，在不同數(shù)據(jù)集上各項(xiàng)預(yù)測(cè)評(píng)估指標(biāo)均小于1%，該混合預(yù)測(cè)模型具有穩(wěn)定性好、精度高和魯棒性強(qiáng)等優(yōu)點(diǎn)，適用于預(yù)測(cè)電池SOH和RUL。

關(guān)鍵詞：鋰電池 健康狀態(tài) 剩余使用壽命 麻雀優(yōu)化算法 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)

1 緒論

鋰電池能量密度高、自放電率低和沒(méi)有記憶效應(yīng)，被廣泛應(yīng)用在電力輔助系統(tǒng)。但隨著充放電次數(shù)增加，電池性能會(huì)下降，因此預(yù)測(cè)SOH和RUL是電池監(jiān)控系統(tǒng)的一項(xiàng)主要任務(wù)[1]。目前的研究方法主要分為基于模型和數(shù)據(jù)驅(qū)動(dòng)兩大類方法。

基于模型的方法是利用經(jīng)驗(yàn)數(shù)學(xué)公式和粒子濾波來(lái)預(yù)測(cè)電池的SOH和RUL。Xing等人[3]將指數(shù)模型和多項(xiàng)式模型集成為一個(gè)退化模型，利用粒子濾波算法對(duì)模型參數(shù)進(jìn)行估算和調(diào)整來(lái)跟蹤電池老化的趨勢(shì)。Li 等人[2]提出了一個(gè)將混合高斯過(guò)程模型和粒子濾波算法結(jié)合在一起，在不確定的條件下對(duì)電池SOH進(jìn)行預(yù)測(cè)。但此算法隨著時(shí)間的增加會(huì)出現(xiàn)粒子退化現(xiàn)象，影響模型預(yù)測(cè)精度。

數(shù)據(jù)驅(qū)動(dòng)則無(wú)需固定模型。Zhao等[3]提出一種特征向量選擇和支持向量機(jī)組合模型的方法，但仍未能解決超參數(shù)尋優(yōu)的問(wèn)題。……