1、 电 子 测 量 技 术E L E C T RON I CME A S U R EME N TT E CHNO L O G Y第4 5卷 第2 3期2 0 2 2年1 2月 D O I:1 0.1 9 6 5 1/j.c n k i.e m t.2 2 1 0 2 0 7基于VM D和优化的L S T M锂离子电池寿命预测方法*叶 鑫1 王海瑞1 李远博1 朱贵富2(1.昆明理工大学信息工程与自动化学院 昆明 6 5 0 5 0 0;2.昆明理工大学信息化建设管理中心 昆明 6 5 0 5 0 0)摘 要:针对锂电池使用过程中存在容量回升造成非平稳的容量退化趋势,造成模型的预测精度容易受到干扰
2、的问题,提出一种基于变分模态分解(VMD)与贝叶斯优化(B O)的长短期记忆神经网络(L S TM)的锂电池剩余寿命预测方法。首先,通过变分模态分解将原始容量退化序列进行分解,得到有限个模态分量;然后对分解之后的分量进行降噪、重构;最后,使用贝叶斯优化的长短期记忆神经网络算法对处理之后的数据进行寿命预测,获得最终的锂电池剩余寿命(RU L)预测结果。通过C A L C E中心的锂离子电池数据集进行实验,所提出的VMD-B O-L S TM锂电池组合预测模型具有较高的预测精度与稳定性,实验采用的电池均方根误差的平均值小于7%,且优于其他预测模型。关键词:锂离子电池;剩余使用寿命;变分模态分解;贝
3、叶斯优化;长短期记忆神经网络中图分类号:TM 9 1 2 文献标识码:A 国家标准学科分类代码:5 2 0R e m a i n i n g u s e f u l l i f e p r e d i c t i o n m e t h o d o f l i t h i u m-i o n b a t t e r y b a s e d o n v a r i a t i o n a l m o d e d e c o m p o s i t i o n a n d o p t i m i z e d L S TMY e X i n1 W a n g H a i r u i1 L i Y u
4、 a n b o1 Z h u G u i f u2(1.F a c u l t y o f I n f o r m a t i o n E n g i n e e r i n g a n d A u t o m a t i o n,K u n m i n g U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y,K u n m i n g 6 5 0 5 0 0,C h i n a;2.I n f o r m a t i o n T e c h n o l o g y C o n s t r u c t i o n M
5、 a n a g e m e n t C e n t e r,K u n m i n g U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y,K u n m i n g 6 5 0 5 0 0,C h i n a)A b s t r a c t:A i m i n g a t t h e n o n-s t a t i o n a r y c a p a c i t y d e g r a d a t i o n t r e n d c a u s e d b y t h e c a p a c i t y r e c
6、 o v e r y d u r i n g t h e u s e o f l i t h i u m b a t t e r i e s,w h i c h m a k e s t h e p r e d i c t i o n a c c u r a c y o f t h e m o d e l v u l n e r a b l e t o i n t e r f e r e n c e,a l o n g s h o r t-t e r m m e m o r y n e t w o r k(L S TM)p r e d i c t i o n m e t h o d o f l
7、i t h i u m b a t t e r y r e m a i n i n g u s e f u l l i f e b a s e d o n v a r i a t i o n a l m o d e d e c o m p o s i t i o n(VMD)a n d b a y e s i a n o p t i m i z a t i o n(B o)i s p r o p o s e d.F i r s t l y,t h e c a p a c i t y d a t a o f l i t h i u m b a t t e r y i s d e c o m p
8、o s e d b y v a r i a t i o n a l m o d a l d e c o m p o s i t i o n,a n d a f i n i t e n u m b e r o f m o d a l c o m p o n e n t s a r e o b t a i n e d;T h e n t h e d e c o m p o s e d c o m p o n e n t s a r e d e n o i s e d a n d r e c o n s t r u c t e d;F i n a l l y,t h e B a y e s i a
9、n o p t i m i z e d l o n g a n d s h o r t-t e r m m e m o r y n e u r a l n e t w o r k a l g o r i t h m i s u s e d t o p r e d i c t t h e s e r v i c e l i f e o f t h e p r o c e s s e d d a t a,a n d t h e f i n a l p r e d i c t i o n r e s u l t o f r e m a i n i n g u s e f u l l i f e(RU
10、 L)o f l i t h i u m b a t t e r y i s o b t a i n e d.T h r o u g h t h e e x p e r i m e n t o n t h e l i t h i u m-i o n b a t t e r y d a t a s e t o f C A L C E c e n t e r,t h e p r o p o s e d VMD-B O-L S TM l i t h i u m b a t t e r y c o m b i n a t i o n p r e d i c t i o n m o d e l h a
11、s h i g h p r e d i c t i o n a c c u r a c y a n d s t a b i l i t y,a n d t h e a v e r a g e v a l u e o f t h e r o o t m e a n s q u a r e e r r o r o f t h e b a t t e r y u s e d i n t h e e x p e r i m e n t i s l e s s t h a n 7%,a n d i s b e t t e r t h a n o t h e r p r e d i c t i o n m
12、 o d e l s.K e y w o r d s:l i t h i u m-i o n b a t t e r y;r e m a i n i n g u s e f u l l i f e;v a r i a t i o n a l m o d e d e c o m p o s i t i o n;b a y e s i a n o p t i m i z a t i o n;l o n g s h o r t-t e r m m e m o r y n e t w o r k 收稿日期:2 0 2 2-0 6-0 4*基金项目:国家自然科学基金(6 1 2 6 3 0 2 3,6
13、1 8 6 3 0 1 6)项目资助0 引 言 锂离子电池被广泛应用于国防军事、汽车、家用电器、通信、航空航天等领域,与传统的电池相比,锂电池具有输出电压高、自放电低、循环寿命长、可靠性高等优点1。但是随着锂电池的长时间使用,锂电池的充放电循环次数也在不断增加,电池的老化程度也在不断加重,锂电池剩余使用寿命(r e m a i n i n g u s e f u l l i f e,RU L)也逐渐缩短,降低了设备的安全性和可靠性2。因此,为了保证用电设备使用的安全可靠,有必要对锂电池RU L进行预测。现有的锂电池剩余寿命预测方法主要分为基于模型的RU L预测方法和基于数据驱动的RU L预测方
14、法3,基于模型的方法需要依赖复杂的电池模型,容易受到噪声的干扰,其适应性较差,并且需要学习电池内部的物理化学反应351 第4 5卷电 子 测 量 技 术和电池失效模型才能实现锂电池RU L的预测4-5。数据驱动方法不考虑电池内部的物理化学反应和电池失效模型,提取电池的容量、电流、电压等数据,分析出电池健康状态和容量变化趋势,预测锂电池的剩余使用寿命6。因此,基于数据驱动的方法可以避免基于模型方法适应性较差的缺点。数据驱动的方法主要有:基于失效数据的预测方法、基于退化数据的预测方法、基于多源数据融合的预测方法7。基于数据驱动的融合方法将多个方法进行结合,改善了单一的方法在寿命预测领域得到的效果并
15、不理想的缺点,杨彦茹等提出了一种基于完全集成经验模态分解与自适应噪声(c o m p l e t e e n s e m b l e e m p i r i c a l m o d e d e c o m p o s i t i o n w i t h a d a p t i v e n o i s e,C E EMD AN)和多输入单输出支持向量机回归(s u p p o r t v e c t o r r e g r e s s i o n,S V R)相结合的锂离子电池RU L预测方法,将健康因子由C E EMD AN分解,得到一系列相对稳定的序列,以C E EMD AN分解的健康因子作
16、为S V R预测模型的输入,以容量作为输出,实现锂电池RU L预测8。C h e n等9提出了一种基于T r a n s f o r m e r神经网络的锂离子电池RU L预测方法,首先通过自动去噪编码器(d e n o i s i n g a u t o-e n c o d e r,D A E)缓解电池容量再生问题,然 后 将 重 构 之 后 的 容 量 序 列 作 为 结 果,采 用T r a n s f o r m e r来预测RU L,该方法相比传统的算法在预测RU L方面表现更好。吴琼等1 0提出了一种利用遗传算法优化B P神经网络的锂离子电池剩余容量估算方法,通过主成分分析将锂电池健康因子进行降维处理,利用遗传算法优化B P神经网络的连接权值,对锂离子电池进行RU L预测。黄 凯 等1 1提 出 了 一 种 完 全 集 成 经 验 模 态 分 解(C E EMD AN)结合长短期记忆神经网络(l o n g s h o r t-t e r m m e m o r y n e t w o r k,L S TM)的 预 测 方 法,首 先 使 用C E EMD AN对容量退化序
