科研之友
微信
新浪微博
Facebook
分享链接
摘要
准确预测锂电池的剩余使用寿命（remaining useful life, RUL）对降低电池使用风险和保证系统的安全运行起着非常重要的作用。为了消除电池容量序列受容量再生等影响，提高预测结果的准确性和稳定性，提出了一种基于变分模态分解（variational modal decomposition,VMD）与参数优化的门控循环神经网络（gate recurrent unit,GRU）相结合的RUL预测模型。首先采用VMD算法将锂电池的容量序列分解为一系列平稳分量；然后采用多层GRU网络对各分量进行预测，针对预测结果不稳定的问题，在模型训练前利用粒子群算法（particle swarm optimization, PSO）对GRU模型的参数进行优化；最后叠加各分量的预测值作为最终预测结果。在NASA数据集上对本模型进行了验证，当采用20个已知电池序列数据预测时，预测结果的最大平均绝对百分比误差和均方根误差控制在0.88%和0.0148以内，RUL预测的最大误差不超过2个充电周期，具有较高的鲁棒性和预测精度。
- 单位
