科研之友
微信
新浪微博
Facebook
分享链接
摘要
电池健康状态(State of health, SOH)预测是确保电子系统运行可靠性和安全性的关键因素。为了准确地预测锂离子电池SOH的整体退化趋势和局部容量再生现象，提出了一种将经验模态分解(Empirical mode decomposition, EMD)与门控循环单元(Gated recurrent unit, GRU)和差分自回归移动平均模型(Autoregressive integrated moving average model, ARIMA)相融合的锂离子电池SOH预测方法。首先，利用EMD将电池原始SOH序列进行多尺度分解，并通过计算分解子序列的连续均方误差找到高低频分界点；然后，GRU用于预测具有强烈数据波动的高频子序列，ARIMA用于预测剩余的低频子序列和残差；最后，将每个子序列的预测结果进行叠加以获得最终预测结果。试验结果表明，与其他文献中预测方法相比，基于经验模态分解的融合模型具有更高的预测精度，可以更好地捕捉电池SOH整体退化趋势和局部容量再生特性。
- 单位
