融合EMD与GAIPSO-LSTM算法的锂离子电池RUL预测方法研究

摘要

为提高锂离子电池RUL预测精度，提出一种将经验模态分解（EMD）、遗传算法混合改进粒子群优化算法（GAIPSO）以及长短期记忆（LSTM）神经网络结合的锂离子电池RUL预测模型。通过EMD对数据进行分解，结合Logistic混沌映射、自适应惯性权重、改进的速度更新公式，以及遗传算法中的选择、交叉和高斯变异操作，优化粒子群算法，利用改进后的GAIPSO算法对LSTM模型的参数进行优化，使用EMD-GAIPSO-LSTM预测模型对电池寿命进行预测，通过NASA发布的数据集进行模型预测精度验证。结果表明：该模型预测结果的平均绝对误差（mean absolute error, MAE）、均方根差（root mean square error, RMSE）分别在0.012 04与0.013 72以内，R²在0.979 1以上。相比于SSA-LSTM和PSO-LSTM模型，预测精度提高4.7%和2.5%,证明该模型对锂离子电池RUL预测准确性较高。

关键词

锂离子电池 / 剩余使用寿命 / EMD分解 / 遗传算法混合改进粒子群算法 / 长短期记忆神经网络

基金资助

国家自然科学基金项目(52375105); 山东省优秀青年人才基金项目(ZR2022YQ51); 山东省重大科技创新工程项目(2019JZZY010911)