基于COA-LSTM和VMD的锂离子电池剩余寿命预测OA北大核心CSTPCD

电动汽车中的动力电池在其使用期间寿命的退化是不可避免的,因此研究电动汽车锂电池的使用寿命与利用效率具有重要意义。锂离子电池的剩余使用寿命(remaining useful life,RUL)是表征电池性能的一个重要指标。本文提出了基于郊狼算法优化长短期记忆网络(long short-term memory,LSTM)的动力电池RUL预测模型。首先,对锂离子电池的容量衰减特性进行分析,基于动力电池充放电曲线,提取等恒流充放电间隔、等压升时间间隔作为间接健康因子并通过Pearson法对其进行相关性分析。本文提出变分模态分解(variational mode decomposition,VMD)对健康因子进行分解,得到模态分量。采用LSTM作为动力电池模型来预测RUL,针对LSTM模型参数不精确会影响RUL的预测精度,提出郊狼优化算法(Coyote optimization algorithm,COA)对LSTM模型参数进行优化,以提升模型的预测能力。最后,基于NASA研究中心的公开数据集,将所提方法与LSTM、VMD-LSTM,高斯过程回归(Gaussian process regression,GPR),BP神经网络模型(backpropagation neural network)进行对比,对COA-LSTM模型的准确性进行验证。实验结果表明,RUL预测误差在2.1%以内,所提方法能够精确预测RUL。