基于混合尺度健康因子的LSTM-Transformer锂电池寿命预测

为提高锂电池剩余使用寿命(RUL)预测的精度,提出基于混合尺度健康因子的集成模型进行RUL预测。针对电池退化数据噪声大,数据量少和非线性特点捕捉不全的问题,首先提出奇异值分解(SVD)对电容信号处理,通过奇异值的能量分布优化变分模态分解(VMD)的最佳模态数,降噪重构出直接健康因子SR。提出一种幅度、相位双扰动(APP)的数据增强方法,依据SR数据分布变化,生成人工标记数据ESR,此ESR与电容相关系数均高于0.97。将SR、ESR结合GRA算法择取的3个间接健康因子,建立了更全面的混合尺度寿命特征信息;此外,为了避免单一模型预测的局限性,采用LSTM模型改进了Transformer结构中的解码器,引入新兴Optuna框架分析了影响模型预测精度的关键超参数并对它们进行了优化。最后通过NASA数据进行实验,并与RNN、LSTM、Transformer以及现有模型方法进行比较,结果证明RMSE控制在2.39%以内,MAE在1.59%以内,且预测性能受预测起点的影响小,稳定性更高,95%置信区间更窄。