基于混合模型及LSTM的锂电池SOH与剩余寿命预测

摘要：

预测电池健康状态(state of health,SOH)的传统方法,一般以历史数据为依据,既难以预测电池实时状态,也无法估计锂电池剩余使用寿命.针对实时预测电池SOH的问题,文章依据采集的大量实车电池数据,结合机器学习与安时积分法对其进行建模预测,处理特征并训练数据.基于模型测试结果,文章提出融合LightGBM与CatBoost算法的实时SOH混合预测模型.通过两辆实车为载体进行混合模型的验证,所测算的实时SOH预测绝对平均误差为0.009.针对电池剩余使用寿命的问题,研究的目标为获取SOH衰减曲线.因此建立长短记忆(LSTM)神经网络模型预测电池SOH的未来衰减曲线,以固定时间间隔内的SOH差值为特征,减小差值波动,保证数据近似具有相同分布规律.通过对某原始设备制造商提供的实时监视数据集的验证,得出未来衰减曲线预测的绝对平均误差为0.021.总体结果表明:文章研究的锂电池实时SOH预测模型与剩余寿命预测模型,预测精度较高,电池使用方可以更好掌握锂电池的实时状态,为相关决策提供依据.

关键词：机器学习、SOH、混合模型、LSTM

所属期刊栏目：10

分类号：TM912.9

在线出版日期：2021-03-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：689-694