基于蚁狮优化高斯过程回归的锂电池剩余使用寿命预测

迅速获取精确的锂电池的剩余使用寿命和健康状态,对于维持锂电池的可靠性至关重要。针对锂电池剩余使用寿命(remaining useful life,RUL)预测精度较低,传统的高斯过程回归(Gaussian process regression,GPR)模型的超参数寻优结果不理想、预测效果差等问题,使用蚁狮优化算法(ant-lion optimization algorithm,ALO)对高斯过程回归的超参数进行寻优,实现锂电池剩余使用寿命的精确预测。首先,根据电池充电过程中电池电压的循环曲线,提取了6个参数作为电池的健康因子,然后采用Pearson相关系数验证健康因子与电池容量的相关关系,最终选出平均放电电压、恒流充电阶段电池存储的充电量、整个充电阶段电池存储的充电量以及时间积分中的放电温度这4个参数作为健康因子。最后,利用支持向量回归(support vector regression,SVR)、GPR和ALO-GPR对锂电池RUL进行预测,对各项指标进行比较分析。并将本工作所提出的模型与其他文献所提出的模型进行了比较。通过NASA锂电池数据集验证了模型的有效性,实验结果表明,所提出ALO-GPR的RUL预测模型误差小,均方根误差控制在1%以内,平均绝对误差控制在0.65%以内,泛化性强,具有良好的应用前景。