基于鲸鱼算法优化长短时记忆神经网络的锂电池剩余寿命预测

为确保锂电池在军用无人机以及新能源汽车使用期间的安全性,需要对其进行全生命周期的健康监测和寿命预测。针对长短期记忆神经网络(long short-term memory, LSTM)模型参数较难选取导致所建立的锂电池剩余使用寿命预测方法精度不足问题,提出了一种基于鲸鱼优化算法(whale optimization algorithm, WOA)对LSTM的剩余寿命预测模型进行优化。首先,使用WOA算法对LSTM的隐含层神经元数量、学习率进行寻优,避免经验选取参数的盲目性;其次,将寻优后的超参数重新赋值给LSTM网络,构建与锂电池数据特征更为匹配的预测模型;最后,采用NASA PCoE实验室锂电池的失效数据集验证算法的有效性。仿真结果表明,所提出的预测模型相较于LSTM模型、Elman模型、PSO-LSTM模型的精度平均分别提升了7%、4%、3%,具有较好的预测效果。

融合先验知识的BP神经网络锂电池剩余寿命预测

针对锂电池数据为小样本条件下构建的神经网络模型泛化性差、预测误差大的问题,文中提出了一种融合先验知识的BP神经网络的建模方法。利用自适应权重粒子群算法优化网络的初始权值和阈值,以惩罚函数法的形式将单调性约束加入网络性能函数中,完成神经网络优化设计。实验采用NASA锂电池失效数据集,增加单调性的先验知识,对所提算法进行验证。仿真结果表明:在锂电池数据为小样本条件下,文中所提算法与其他常用锂电池预测算法相比平均误差下降5%,建立了预测误差与单调性约束项系数之间的关系,有效地解决了锂电池数据为小样本条件下模型预测精度低等问题。

改进MD-MTD的神经网络锂电池寿命预测仿真

针对锂电池数据不充足的条件下构建的BP神经网络模型泛化能力差导致预测精度低的问题,文中提出了一种改进多分布整体趋势扩散技术的BP神经网络建模方法。利用麻雀搜索算法优化BP神经网络的初始参数,求取多分布整体趋势扩散技术生成的虚拟样本标签,结合原始数据和虚拟样本数据训练BP神经网络。采用NASA锂电池公开数据集对所提算法进行验证。仿真结果表明:该算法与MD-MTD以及超球特征方程算法相比,锂电池剩余寿命预测平均误差分别下降31.2%和5.1%,有效解决了数据不充足条件下模型预测精度低的问题。