基于N-BEATS和相关向量机的锂电池健康状态混合预测方法

摘要

锂离子电池是众多领域的能源核心部件，准确预测其生命周期内的健康状态至关重要，因此本文提出了一种基于神经基扩展分析（N-BEATS）和相关向量机的锂电池健康状态混合预测方法。首先，为了提高预测的准确性，利用变分模态分解方法对原始时间序列进行分解；其次，将分解后的子序列根据中心频率划分为高频和低频子序列，利用具有残差原理的深层神经网络N-BEATS模型和相关向量机模型分别对其进行建模预测；最后，通过对各个子序列的预测结果进行叠加重构得到最终的预测结果。为了验证所提方法的有效性，本文使用NASA和CALCE提供的锂离子电池数据进行了仿真实验。实验结果表明，与单一的N-BEATS模型和相关向量机模型相比，所提混合方法能够有效地结合两种模型的优势，展现出较高的预测精度。进一步地，与长短期记忆网络、高斯过程回归、支持向量回归模型进行对比，所提方法的均方根误差分别降低了96.5%, 74.5%和62.5%，均方误差分别降低了97.3%, 76.7%和58.8%。

关键词

锂离子电池 / 健康状态 / N-BEATS模型 / 变分模态分解 / 相关向量机