基于自适应噪声完全集合经验模态分解与BiLSTM-Transformer的锂离子电池剩余使用寿命预测

• Published in: 电力系统保护与控制 Vol. 52; no. 15; pp. 167 - 177
• Main Authors: 刘斌, 吉春霖, 曹丽君, 武欣雅, 段云凤
• Format: Journal Article
• Language: Chinese
• Published: 太原科技大学应用科学学院,山西 太原 030024%太原科技大学计算机科学与技术学院,山西 太原 030024%太原科技大学经济与管理学院,山西 太原 030024 01.08.2024
• Subjects: remaining useful life; bidirectional long short term memory network; Transformer网络; complete ensemble empirical mode decomposition; 锂离子电池; Transformer network; 双向长短期记忆网络; 剩余使用寿命预测; 完全集合经验模态分解; lithium-ion battery
• ISSN: 1674-3415
• DOI: 10.19783/j.cnki.pspc.231507

锂离子电池剩余使用寿命(remaining useful life,RUL)是使用者十分关心的问题,其涉及电池的更换时间和安全.针对锂离子电池的电容量非线性变化趋势,提出了一种基于自适应噪声完全集合经验模态分解与双向长短期记忆网络-Transformer 的锂离子电池剩余使用寿命预测方法.首先,利用自适应噪声完全集合经验模态分解方法对锂离子电池电容量数据进行分解.其次,使用串联的双向长短期记忆神经网络和Transformer网络对分解后得到的残差序列和本征模态分量序列进行建模预测.最后,将预测的若干本征模态分量序列和残差序列进行求和,并对求和之后的最终预测数据与原始数据进行RUL预测.采用NASA公开的电池数据集对所提方法进行验证,结果表明,所提方法的平均绝对误差、均方根误差、平均绝对百分比误差和绝对误差控制分别控制在0.0173、0.0231、1.2084%和3个循环周期以内,能够有效地提高锂离子电池RUL的预测精度.