电子测量技术ELECTRONICMEASUREMENTTECHNOLOGY第45卷第23期2022年12月DOI:10.19651/j.cnki.emt.2210207基于VMD和优化的LSTM锂离子电池寿命预测方法*叶鑫1王海瑞1李远博1朱贵富2(1.昆明理工大学信息工程与自动化学院昆明650500;2.昆明理工大学信息化建设管理中心昆明650500)摘要:针对锂电池使用过程中存在容量回升造成非平稳的容量退化趋势,造成模型的预测精度容易受到干扰的问题,提出一种基于变分模态分解(VMD)与贝叶斯优化(BO)的长短期记忆神经网络(LSTM)的锂电池剩余寿命预测方法。首先,通过变分模态分解将原始容量退化序列进行分解,得到有限个模态分量;然后对分解之后的分量进行降噪、重构;最后,使用贝叶斯优化的长短期记忆神经网络算法对处理之后的数据进行寿命预测,获得最终的锂电池剩余寿命(RUL)预测结果。通过CALCE中心的锂离子电池数据集进行实验,所提出的VMD-BO-LSTM锂电池组合预测模型具有较高的预测精度与稳定性,实验采用的电池均方根误差的平均值小于7%,且优于其他预测模型。关键词:锂离子电池;剩余使用寿命;变分模态分解;贝叶斯优化;长短期记忆神经网络中图分类号:TM912文献标识码:A国家标准学科分类代码:520Remainingusefullifepredictionmethodoflithium-ionbatterybasedonvariationalmodedecompositionandoptimizedLSTMYeXin1WangHairui1LiYuanbo1ZhuGuifu2(1.FacultyofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology,Kunming650500,China;2.InformationTechnologyConstructionManagementCenter,KunmingUniversityofScienceandTechnology,Kunming650500,China)Abstract:Aimingatthenon-stationarycapacitydegradationtrendcausedbythecapacityrecoveryduringtheuseoflithiumbatteries,whichmakesthepredictionaccuracyofthemodelvulnerabletointerference,alongshort-termmemorynetwork(LSTM)predictionmethodoflithiumbatteryremainingusefullifebasedonvariationalmodedecomposition(VMD)andbayesianoptimization(Bo)isproposed.Firstly,thecapacitydataoflithiumbatteryisdecomposedbyvariationalmodaldecomposition,andafinitenumberofmodalcomponentsareobtained;Thenthedecomposedcomponentsaredenoisedandreconstructed;Finally,theBayesianoptimizedlongandshort-termmemoryneuralnetworkalgorithmisusedtopredicttheservicelifeoftheprocesseddata,andthefinalpredictionresultofremainin...
