基于健康因子和混合Bi-LSTM-NAR模型的锂离子电池剩余寿命预测OA北大核心CSTPCD

为准确预测锂离子电池剩余寿命、降低电池工作风险,提出一种新的锂离子电池剩余寿命在线预测模型。基于锂离子电池历史运行数据提取6种健康因子,用于表征电池的退化状态;采用随机森林(RF)算法完成健康因子的评价与筛选;利用经遗传算法优化的广义回归神经网络(GA-GRNN)完成锂离子电池剩余容量的估计。在此基础上,应用结合双向长短期记忆(Bi-LSTM)网络模型和非线性自回归(NAR)神经网络的混合模型(混合Bi-LSTM-NAR模型)预测锂电池剩余寿命。以NASA公开数据集为例完成案例研究,结果表明:通过因子筛选,可以为锂离子电池容量估计及剩余寿命预测的精度提供保障;与已有方法的预测结果相比,所提混合预测模型的预测精度显著提高。