科研之友
微信
新浪微博
Facebook
分享链接
摘要
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融合模型分别进行SOH和RUL预测；并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。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。
- 单位
