基于卡尔曼滤波算法优化Transformer模型的锂离子电池健康状态预测方法OA北大核心CSTPCD

回顾了锂离子电池健康状态(state of health,SOH)的预测方法,本文提出了一种基于卡尔曼滤波器(Kalman filter)优化的Transformer网络,利用历史数据预测电池SOH。首先,通过添加高斯噪声、自动编码器重构对电池数据进行预处理,去除电池数据中原始噪声并强化数据特征;其次,利用提出的KF-Transformer(Kalman filter-transformer)算法模型提取电池健康状态变化特征,使得Transformer网络能够更好地捕捉电池健康状态的非线性变化;最后,通过线性层完成电池健康状态变化特征到电池健康状态预测的映射,得到锂离子电池健康状态的预测结果。本文使用3个不同充放电策略、不同测试环境下的锂离子电池数据集[分别为美国国家航空航天局(NASA)数据集、马里兰大学CALCE CS2数据集和CALCE CX2数据集]来验证本文提出的锂离子电池健康状态预测算法的鲁棒性和准确性,且本文算法对于SOH不同状态、不同循环次数的预测均具有较好的结果。研究结果显示,本文方法的平均绝对百分比误差(mean absolute percentage error,MAPE)能控制在2%,决定系数(R-square,R2)为0.987,并与多层感知机(MLP,multilayer perceptron)、循环神经网络(RNN,recurrent neura network)、长短时记忆(LSTM,long short-term memory)、门控循环单元(GRU,gated recurrent unit)进行比较,证明了本文方法的优越性。