联合变分模态分解和长短时记忆网络的锂离子电池健康状态估计OA北大核心

准确估计和预测锂离子电池的健康状态SOH(state-of-health)对新能源领域的发展至关重要,因此提出1种基于变分模态分解VMD(variational mode decomposition)和长短时记忆LSTM(long short-term memory)网络的锂离子电池容量衰减预测模型。首先采用VMD方法将原始电池容量衰减序列分解成比较单一的固有模态分量IMF(intrinsic mode function)序列,然后应用LSTM对分解得到的一系列IMF分量进行训练预测,最后对各IMF分量的预测值进行有效集成得到电池容量衰减序列的最终预测结果。基于美国国家航天局NASA(National Aeronautics and Space Administration)锂离子电池数据集选取的4块电池的放电容量衰减序列进行实验对比分析,结果表明:相较于LSTM、BiLSTM、EMD-LSTM、EMD-BiLSTM及CEEMDAN-LSTM方法,所提方法可以明显降低序列的复杂度,减少各IMF分量的模态混叠现象,具有很高的预测精度,优于其他预测模型,预测的最大平均绝对误差不超过5%,均方根误差和平均绝对百分比误差控制在4%之内。