使用信号分解和机器学习来预测离子电池剩余使用寿命的混合方法
Yibiao Fan1, Zhishan Lin2, Fan Wang3
1School of Physics and Mechanical and Electrical Engineering, Longyan University, Longyan, 361000, China.
Scientific reports
|March 10, 2025
概括
精确的离子电池剩余使用寿命 (RUL) 预测是通过一种新的混合方法来增强的. 这种方法结合了CEEMDAN,SVR和LSTM,以克服容量再生问题,实现可靠的电池管理.
科学领域:
- 电池技术和能量储存 电池技术和能量储存
- 机器学习用于预测性维护
- 用于降解分析的信号处理.
背景情况:
- 准确的剩余使用寿命 (RUL) 预测对于离子电池管理和安全至关重要.
- 降解过程中的容量再生现象降低了传统RUL预测方法的准确性.
- 有效的电池管理需要强大的方法来处理复杂的降解模式.
研究的目的:
- 开发一种针对离子电池的新型RUL预测方法,以解决容量再生问题.
- 提高电池管理系统中RUL预测的准确性和可靠性.
- 为了利用混合机器学习技术进行增强的电池退化建模.
主要方法:
- 用自适应噪声 (CEEMDAN) 进行完整的综合实验模式分解,以分解电池容量数据.
- 混合预测策略集成低频组件的支持向量回归 (SVR) 和高频组件的长短期内存 (LSTM) 网络.
- 搜索算法 (SSA) 用于优化LSTM网络在预测容量再生功能的性能.
主要成果:
- 拟议的CEEMDAN-SVR-LSTM混合方法显著提高了NASA公共数据集上的RUL预测准确度.
- 实现的根平均平方误差 (RMSE) 在0.0086Ah以下,平均绝对误差 (MAE) 在0.0060Ah以下.
- R2值超过0.96,在一个周期内始终控制RUL预测错误.
结论:
- 混合CEEMDAN-SVR-LSTM方法有效地减轻了产能再生对RUL预测准确性的影响.
- 这种方法利用SVR和LSTM的互补优势进行了强大的降解建模.
- 为离子电池的剩余使用寿命预测提供了准确可靠的解决方案.
关键词:
在CEEMDAN,你会发现.离子电池是一种离子电池.长期短期记忆 长期短期记忆剩余的使用寿命预测.斯派罗搜索算法 (Sparrow search algorithm) 是一个非常简单的搜索算法.支持矢量回归的支持矢量回归更多相关视频
11:25Identification and Quantification of Decomposition Mechanisms in Lithium-Ion Batteries; Input to Heat Flow Simulation for Modeling Thermal Runaway
Published on: March 7, 2022
4.4K
10:41Three-electrode Coin Cell Preparation and Electrodeposition Analytics for Lithium-ion Batteries
Published on: May 22, 2018
36.5K
