基于集成经验模态分解与集成机器学习的锂离子电池剩余使用寿命预测方法OACSTPCD
Remaining useful life prediction method for lithium-ion batteries based on ensemble empirical mode decomposition and ensemble machine learning
准确预测储能锂离子电池剩余使用寿命(remaining useful life,RUL)对于电力系统的安全性与可靠性至关重要.针对锂离子电池老化轨迹呈现非线性变化的问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)和集成机器学习的锂离子电池剩余使用寿命预测方法.首先,利用集成经验模态分解算法分解锂离子电池老化数据.其次,分别利用集成的长短时记忆神经网络与相关向量机对分解得到的…查看全部>>
张朝龙;赵筛筛;何怡刚
金陵科技学院智能科学与控制工程学院,江苏 南京 211169||武汉大学电气与自动化学院,湖北 武汉 430072安庆师范大学电子工程与智能制造学院,安徽 安庆 246011武汉大学电气与自动化学院,湖北 武汉 430072
锂离子电池剩余使用寿命预测集成经验模态分解相关向量机算法长短时记忆神经网络
lithium-ion batteryremaining useful life predictionensemble empirical mode decompositionRVM algorithmLSTM neural network
《电力系统保护与控制》 2023 (13)
177-186,10
国家重点研发计划项目资助(2020YFB0905905)金陵科技学院高层次人才科研启动基金项目资助(jit-rcyj-202202).This work is supported by the National Key Research and Development Program of China (No. 2020YFB0905905).
评论