基于多尺度健康因子-BEAST分解和SARIMA模型结合的锂离子电池剩余使用寿命预测

摘要

锂离子电池的剩余使用寿命(RUL)预测对电池管理和安全性至关重要．现有的RUL预测方法多依赖大量历史数据，且在复杂工况下精度较低，计算负担重．为解决这些问题，本文结合健康因子(HI)、贝叶斯时序分解估计器(BEAST)和季节性差分自回归移动平均模型(SARIMA)，提出了一种新颖的RUL预测方法．与传统方法不同，本文创新性地采用HI替代最大可放电容量，能够更精确地反映电池衰退过程；同时，结合贝叶斯时序分解估计器对HI进行分解与重构，提高了预测精度，减少了对大量历史数据的依赖；最后，利用季节性差分自回归移动平均模型对电池衰退的时序数据进行建模，显著提高了预测精度和计算效率．实验结果表明，以动态工况电池(CS#7)为例，所提方法在电池衰减5%时，最大相对误差小于2%，衰减10%时小于4.31%；相比LSTM和LSSVM方法，本文方法在MAE上分别降低了16.6%和25.9%，计算效率分别提高了55.2%和22.8%.

关键词

锂离子电池 / 剩余使用寿命 / 健康因子 / BEAST分解 / SARIMA模型