剩余使用寿命预测

锂离子电池剩余使用寿命(remaining useful life, RUL)是使用者十分关心的问题，其涉及电池的更换时间和安全。针对锂离子电池的电容量非线性变化趋势，提出了一种基于自适应噪声完全集合经验模态分解与双向长短期记忆网络-Transformer的锂离子电池剩余使用寿命预测方法。首先，利用自适应噪声完全集合经验模态分解方法对锂离子电池电容量数据进行分解。其次，使用串联的双向长短期记忆神经网络和Transformer网络对分解后得到的残差序列和本征模态分量序列进行建模预测。最后，将预测的若干本征模态分量序列和残差序列进行求和，并对求和之后的最终预测数据与原始数据进行RUL预测。采用NASA公开的电池数据集对所提方法进行验证，结果表明，所提方法的平均绝对误差、均方根误差、平均绝对百分比误差和绝对误差控制分别控制在0.0173、0.0231、1.2084%和3个循环周期以内，能够有效地提高锂离子电池RUL的预测精度。

随着锂离子电池在各类储能系统中的广泛应用,其健康管理及退化分析已成为储能电站运维、电动汽车安全监测、退役动力电池梯次利用等时下多个领域的热点问题。与此同时,大数据及机器学习技术的发展突破了复杂非线性系统难以建模的束缚,使得基于数据驱动的电池健康评估成为可能。详细综述了基于数据驱动的锂离子电池健康状态评估的研究现状,分析了电池退化的影响因素,归纳并比较了基于数据驱动的电池健康状态估计及剩余寿命预测建模方法,最后总结了该领域当前的挑战及未来的发展趋势。

准确预测锂离子电池剩余使用寿命(remaining useful life, RUL)对降低电池使用风险和维护设备稳定性方面具有重要意义。为了提高锂离子电池RUL预测的稳定性和结果的准确性，提出一种基于混合改进麻雀搜索算法(improved sparrow search algorithm, ISSA)与长短期记忆(long short-term memory, LSTM)神经网络的锂电池RUL预测模型。首先，用均值化方法对原始数据中的异常值进行处理。然后，结合Tent混沌映射、自适应权重以及反向学习策略和柯西变异扰动策略优化麻雀搜索算法，再利用改进麻雀搜索算法对LSTM模型的参数进行优化。最后，采用改进的混合ISSA-LSTM模型并完成RUL预测。采用NASA公开数据集对本模型进行验证。结果表明，该模型的平均绝对误差、均方根误差和平均相对百分比误差控制在0.016 47、0.022 84和1.2048%以内，能够有效地提高锂离子电池RUL的预测精度。