多健康因子下SABO-ELM模型锂离子电池剩余寿命预测

摘要

锂离子电池剩余使用寿命（Remaining useful life,RUL）的准确预测对于汽车电池管理系统至关重要，然而RUL预测的准确性和可靠性受到增量容量的影响.本文提出了一种将先进的信号处理、健康特征提取和机器学习优化技术相结合的RUL预测新方法.首先，基于锂离子电池的充放电循环，从原始锂离子电池性能曲线中提取增量容量曲线，采用卡尔曼滤波对曲线进行降噪，引入斯皮尔曼系数法分析其与容量的相关性.其次，针对极限学习机（Extreme learning machine,ELM）参数易陷入局部最优导致模型预测性能稳定性不强的问题，提出减法平均算法（Subtraction-average-based optimizer,SABO）对ELM模型中的权值和偏置阈值进行优化.最后，采用美国国家航天局(NASA)公开的电池数据集对所提方法进行验证，结果表明，与长短期记忆网络(LSTM)相比，RUL预测的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)分别降低了52.03%和51.98%，均方根误差（RMSE）降低了42.99%，验证了所提模型的有效性和准确性.

关键词

锂离子电池 / 增量容量 / 减法平均算法 / 剩余使用寿命 / 极限学习机

基金资助

陕西省自然科学基础研究计划资助项目（2023-JC-QN-0658）; 陕西省重点研发计划资助项目（2024CY2-GJHX-31）; 陕西省教育厅科研计划资助项目（23JK0599）; 咸阳市二〇二三年重点研发计划资助项目（L2023-ZDYF-QYCX-032）