融合CEEMDAN分解与集成机器学习的锂电池剩余使用寿命预测方法

摘要

为提高电池状态监测的精度和剩余使用寿命(remaining useful life, RUL)的准确性，通过自适应噪声完全经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)算法对电池放电数据进行预处理，然后结合多个机器学习模型对CEEMDAN预处理后的数据进行建模预测。利用CEEMDAN算法对锂离子动力电池容量老化数据进行预处理，分解锂离子动力电池容量老化数据，使用皮尔斯相关性分析与网格搜索的方法确定分解参数，从而确定分解层数，分解后得到残差数据序列与本征模态(intrinsic mode functions, IMFs)数据序列。利用Transformer神经网络对得到的残差数据序列建模预测，同时利用长短时记忆(long short-term memory, LSTM)神经网络对得到的IMFs数据序列建模预测。将2个模型得到的预测结果融合，得到锂离子动力电池未来容量老化轨迹，并通过计算得到电池的RUL。采用NASA锂离子电池B0005与B0018进行验证，结果表明所提出的锂离子动力电池RUL预测方法具有更好的鲁棒性且在非线性跟踪方面具有更好的表现。

关键词

锂离子动力电池 / 剩余使用寿命 / 自适应噪声完全经验模态分解 / 长短时记忆神经网络