基于VMD-LSTM的锂电池健康状态预测

于沛; 宫大鹏; 王淑娴; 王新建; 李晶

doi:10.19770/j.cnki.issn.1008-2565.2025.02.009

北京石油化工学院学报 ›› 2025, Vol. 33 ›› Issue (2) : 57 -63. DOI: 10.19770/j.cnki.issn.1008-2565.2025.02.009

基于VMD-LSTM的锂电池健康状态预测

于沛, 宫大鹏, 王淑娴, 王新建, 李晶

作者信息 +

Author information +

文章历史 +

摘要

针对当前锂电池健康状态(state of health, SOH)预测中存在的估算模型复杂导致估算精度较低的问题，提出一种利用变分模态分解(variational mode decomposition, VMD)和长短期记忆网络(long short-term memory, LSTM)的锂电池SOH预测方法。首先从电池历史充放电老化数据中提取与锂电池健康状态密切相关的健康因子，利用斯皮尔曼相关性分析对多健康因子去冗余处理，重构出一个包含信息充分的融合健康因子；其次，由于电池容量存在容量再生现象，采用VMD对融合健康因子信号分解为若干模态分量后，使用LSTM训练模型；最后采用NASA电池退化数据集进行验证。结果表明，该方法相较于LSTM、EEMD-LSTM、EMD-LSTM方法，SOH估计的MAPE、MAE、RMSE均在0.3%以内，有效提高了SOH的预测精度。