基于HHO-LSTM-KAN模型的锂电池寿命预测

摘要

在以锂电池为动力的运行系统中，长期准确预测锂电池寿命至关重要．本研究以马里兰大学锂电池数据集中的CS2＿35和CS2＿36两块锂电池及美国国家航空航天局(NASA)的B0007号电池作为基础数据，通过结合长短时记忆(Long Short-Term Memory,LSTM)网络的长短时记忆能力与Kolmogorov-Arnold网络(KAN)的非线性数据处理能力，构建LSTM-KAN寿命预测模型，同时引入哈里斯鹰优化算法确定组合模型最优超参数．首先，对数据进行预处理，从电压、电流、温度等数据中提取与锂电池容量具有一定相关性的特征．接着，从提取的特征中选择斯皮尔曼系数绝对值大于0.9的特征作为模型的输入，简化输入数据的复杂度．然后，通过哈里斯鹰优化算法对LSTM-KAN模型的超参数进行优化，将数据放入优化后的预测模型中进行预测，对预测值与目标值进行分析，完成预测．实验结果表明，所构建的预测算法具备锂电池寿命预测能力，能够准确预测锂电池的长期退化过程，且均方差指标与预测样本数均优于其他电池寿命预测模型．

关键词

锂电池 / 长短时记忆网络 / Kolmogorov-Arnold网络 / 哈里斯鹰优化算法 / 特征提取 / 电池寿命

基金资助

国家自然科学基金(62161042)