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

• Published in: 电力系统保护与控制 Vol. 51; no. 13; pp. 177 - 186
• Main Authors: 张朝龙, 赵筛筛, 何怡刚
• Format: Journal Article
• Language: Chinese
• Published: 金陵科技学院智能科学与控制工程学院,江苏 南京 211169 01.07.2023; 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
• Subjects: 长短时记忆神经网络; RVM algorithm; LSTM neural network; 锂离子电池; remaining useful life prediction; 剩余使用寿命预测; 集成经验模态分解; lithium-ion battery; ensemble empirical mode decomposition; 相关向量机算法
• ISSN: 1674-3415
• DOI: 10.19783/j.cnki.pspc.221746

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残差数据序列和本征模态数据序列建模预测.最后,融合预测的残差数据序列和本征模态数据序列,综合计算锂离子电池未来寿命老化轨迹.采用储能锂离子电池老化数据进行验证,结果显示所提出的锂离子电池RUL预测方法具有更好的鲁棒性与非线性跟踪能力.