基于间接健康特征优化与多模型融合的锂电池SOH-RUL联合预测

准确预测锂电池健康状态(SOH)与电池剩余使用寿命(RUL)对提高电池安全性能具有重要意义。而当前针对SOH和RUL的预测,存在着间接健康特征选取困难,以及使用数据驱动方法缺乏不确定性表达的问题。为此,该文提出一种基于间接健康特征优化与多模型融合的锂电池SOH-RUL联合预测方法。首先从充电电压曲线中采集多个健康特征,并通过特征并行融合方法和注意力机制进行优化处理得到间接健康特征(IHF)。然后引入贝叶斯模型平均(BMA)方法来解决预测过程中的不确定性问题,将其与支持向量回归(SVR)和长短期记忆神经网络(LSTM)相结合,构建SVR-BMA融合模型和LSTM-BMA融合模型,并分别进行SOH和RUL预测;通过自适应噪声完备集合经验模态分解(CEEMDAN)方法从SOH预测阶段的容量预测结果中提取出RUL预测的输入特征,以实现SOH和RUL的联合预测。最后利用CALCE数据集进行性能测试,实验结果表明,所提方法能有效提高SOH和RUL预测的准确性和可靠性。

变温度下IHF-IGPR框架的锂离子电池健康状态预测方法

通过研究锂离子电池的容量退化与充放电过程中电流、电压、温度等参数的变化趋势的关系,提出一种不同温度条件下基于锂离子电池间接健康特征(IHF)和改进高斯过程回归(IGPR)模型的电池健康状态(SOH)预测方法。针对变温度预测时IHF提取问题,在充放电阶段自适应地提取电压、时间曲线中的健康特征(HF),采用随机数法获取最优的区间。针对容量再生问题,以有理二次协为核函数建立SOH预测的高斯过程回归(GPR)模型,并引用共轭梯度算法优化GPR模型。最后,以方均根误差(RMSE)和平均绝对百分比误差(MAPE)两项评价指标对所提出的框架在电池数据集上设计了单电池、多电池实验进行验证。结果表明:基于常温下等充电时间电压差(CVD-ETS)与高(低)温下等压降放电时间(DTD-EVS)的IGPR方法可以预测锂离子电池容量退化的非线性趋势,所提方法具有小样本性以及较高的预测精度与广泛的适用性。