预测锂离子电池剩余使用寿命(remaining useful life,RUL)对于确保电池的安全和可靠使用至关重要。首先,针对电池容量序列因容量回升及外界干扰呈非线性变化、目标电池退化数据稀少,全生命周期数据难以获取的问题,本文结合变分模态分解(...预测锂离子电池剩余使用寿命(remaining useful life,RUL)对于确保电池的安全和可靠使用至关重要。首先,针对电池容量序列因容量回升及外界干扰呈非线性变化、目标电池退化数据稀少,全生命周期数据难以获取的问题,本文结合变分模态分解(variational mode decomposition,VMD)和排列熵(permutation entropy,PE)的优势,对已有的其他类似衰退模式电池数据进行去噪重构,作为模型训练数据。其次,本文采用滚动预测策略,用滚动滑窗的方式对训练数据进行划分和拼接。然后,训练擅长捕捉全局依赖关系的Transformer网络。最后,预测过程当中输入目标电池部分数据,进行滚动迭代预测。本文先在马里兰大学先进生命周期工程中心(Center for Advanced Life Cycle Engineering,CALCE)提供的电池数据集上,采用留一评估,依次对其本身电池数据进行实验验证,实验证明本文预测方法的各项性能指标良好,4块电池RUL的平均相对误差为2.21%,具有较高的准确性。再基于美国航空航天局(National Aeronautics and Space Administration,NASA)的B0005电池进行模型泛化验证,B0005电池得到的RUL相对误差为2.34%,进一步验证了本文方法的有效性。展开更多
文摘预测锂离子电池剩余使用寿命(remaining useful life,RUL)对于确保电池的安全和可靠使用至关重要。首先,针对电池容量序列因容量回升及外界干扰呈非线性变化、目标电池退化数据稀少,全生命周期数据难以获取的问题,本文结合变分模态分解(variational mode decomposition,VMD)和排列熵(permutation entropy,PE)的优势,对已有的其他类似衰退模式电池数据进行去噪重构,作为模型训练数据。其次,本文采用滚动预测策略,用滚动滑窗的方式对训练数据进行划分和拼接。然后,训练擅长捕捉全局依赖关系的Transformer网络。最后,预测过程当中输入目标电池部分数据,进行滚动迭代预测。本文先在马里兰大学先进生命周期工程中心(Center for Advanced Life Cycle Engineering,CALCE)提供的电池数据集上,采用留一评估,依次对其本身电池数据进行实验验证,实验证明本文预测方法的各项性能指标良好,4块电池RUL的平均相对误差为2.21%,具有较高的准确性。再基于美国航空航天局(National Aeronautics and Space Administration,NASA)的B0005电池进行模型泛化验证,B0005电池得到的RUL相对误差为2.34%,进一步验证了本文方法的有效性。
