基于改进模态分解混合模型的锂电池剩余容量预测

摘要

随着锂电池在生活中的广泛应用，开发高效准确的电池剩余容量预测技术，对于提升用户体验和保障设备稳定运行具有重要意义。采用蛇鹭优化算法（Secretary Bird Optimization Algorithm, SBOA）优化变分模态分解（Variational Mode Decomposition, VMD），并结合高斯过程回归（Gaussian Process Regression, GPR）以及门控循环单元（Gated Recurrent Units, GRU），构建了高效的混合预测模型，实现了对锂电池剩余容量的高精度预测。通过与传统模型GRU、 VMD-GRU比较，表明该预测模型可以快速高效地捕捉电池退化趋势，所提方法的平均绝对误差和均方根误差分别为0.19%和0.31%，具有更高的预测精度和泛化性。

关键词

蛇鹭优化算法 / 变分模态分解 / 高斯过程回归 / 门控循环单元 / 剩余容量预测

基金资助

国家自然科学基金资助项目（12272356）; 山西省基础研究计划资助项目（202203021211088）