联合变分模态分解和长短时记忆网络的锂离子电池健康状态估计

作者：陈红霞; 丁国荣; 陈贵词; 王文波

来源：电源学报, 2022, 1-13.

• 锂离子电池健康状态估计
• 变分模态分解
• 长短时记忆网络

准确估计和预测锂离子电池的健康状态（SOH）对新能源领域的发展至关重要。本文提出了一种基于变分模态分解（VMD）和长短时记忆网络（LSTM）的锂离子电池容量衰减预测模型，该方法首先采用VMD方法将原始电池容量衰减序列分解成比较单一的固有模态分量序列（IMF），然后使用LSTM对分解得到的一系列IMF分量进行训练预测，最后对各个IMF分量的预测值进行有效集成得到电池容量衰减序列的最终预测结果。基于NASA锂离子电池数据集选取的四块电池的放电容量衰减序列进行实验对比分析，结果表明：相较于LSTM、BiLSTM、EMD-LSTM、EMD-BiLSTM以及CEEMDAN-LSTM方法，本文所提方法可以明显降低序列的复杂度，减少各个IMF分量的模态混叠现象，具有很高的预测精度，优于其他预测模型，预测的最大平均绝对误差（MAE）不超过5%，均方根误差（RMSE）和平均绝对百分比误差（MAPE）控制在4%之内。