离子电池的RUL预测基于优化的VMD-SSA-PatchTST算法
Pei Tang1, Zetao Qiu2, Zhongran Yao3
1School of Automotive Engineering, Yancheng Institute of Technology, Yanchen, 224051, China.
Scientific reports
|July 23, 2025
概括
这项研究引入了一种新的方法,通过将信号分解与PatchTST模型相结合来预测离子电池剩余使用寿命 (RUL). 先进的WOA-VMD-SSA-PatchTST方法显著提高了RUL预测的准确性和可靠性.
科学领域:
- 电池工程 电池工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 准确的剩余使用寿命 (RUL) 预测对于离子电池的安全性和系统可靠性至关重要.
- 现有的方法经常与电池复杂的降解模式作斗争.
研究的目的:
- 为增强离子电池RUL预测开发一种新的预测框架.
- 将模态分解技术与PatchTST深度学习模型集成,以提高准确性.
主要方法:
- 斯皮尔曼相关性确定了与电池容量相关的关键特征.
- 变化模式分解 (VMD),通过鱼优化算法 (WOA) 进行优化,分解了容量序列.
- 通过Sparrow搜索算法 (SSA) 调整的超参数的PatchTST网络预测了RUL.
主要成果:
- 拟议的WOA-VMD-SSA-PatchTST模型与基线模型 (CNN,GRU,PatchTST) 相比显示出更高的性能.
- 在NASA数据集上的实验验证证证了该模型增强的预测准确性和稳定性.
结论:
- 模式分解和PatchTST的融合为电池RUL预测提供了一个强大的方法.
- 这一框架显著提高了离子电池系统的可靠性和安全性.
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
4.7K
10:36Author Spotlight: Optimization of Airflow Velocities in Battery Cooling Systems for Enhanced Thermal Performance and Reduced Energy Consumption
Published on: November 3, 2023
1.7K
