车用锂离子动力电池剩余寿命非线性组合预测研究

摘要

针对单一预测模型难以准确预测锂电池的剩余寿命(remaining useful life,RUL)难题,提出了非线性组合预测方法;利用相空间重构,对实验采集到的数据进行重构,将重构后的数据对改进Elman神经网络和非线性自回归(nonlinear autoregressive with exogenous input,NARX)神经网络这2个单项预测模型进行训练和预测;采用RBF神经网络对2个单项模型的预测值进行非线性组合,获得最终的RUL预测值.结果表明:非线性组合预测方法的均方根误差比PCA-NARX方法提高了近1%,比NARX方法提高了近2%,比改进Elman方法提高了近3%;非线性组合预测方法具有较高的精度及泛化能力,采用相空间重构技术有利于提高非线性组合方法的预测精度.

关键词

锂离子电池 / 时间序列 / 非线性组合 / RBF / NARX / 改进Elman / 预测