基于SSA-SVR和LSTM相结合的混合模型预测锂电池的剩余.pdfVIP

基于SSA-SVR和LSTM相结合的混合模型预测锂电池的剩余寿

命

摘要：锂电池的SOH和RUL可以判断电池管理系统故障的几率。文章提出一

种预测SOH和RUL的混合模型。首先利用改进的带有自适应噪声的互补集合经验模

态分解算法（ICEEMDAN）分解容量信号，然后分别利用SVR算法、LSTM对高频、

低频信号进行预测，同时引入SSA优化SVR参数以提高精度，最后将各分量预测信

号组作为最终的预测结果。仿真结果表明，在不同数据集上各项预测评估指标均

小于1%,该混合预测模型具有稳定性好、精度高和鲁棒性强等优点，适用于预测

电池SOH和RULo

关键词：锂电池健康状态剩余使用寿命麻雀优化算法长短时记忆神经网络

锂电池能量密度高、自放电率低和没有记忆效应，被广泛应用在电力辅助系统。

但随着充放电次数增加，电池性能会下降，因此预测S0H和RUL是电池监控系统的

一项主要任务［1］。目前的研究方法主要分为基于模型和数据驱动两大类方法。

基于模型的方法是利用经验数学公式和粒子滤波来预测电池的S0H和RULO

Xing等人［3］将指数模型和多项式模型集成为一个退化模型，利用粒子滤波算法对

模型参数进行估算和调整来跟踪电池老化的趋势。Li等人［2］提出了一个将混合高

斯过程模型和粒子滤波算法结合在一起，在不确定的条件下对电池S0H进行预测。

但此算法随着时间的增加会出现粒子退化现象，影响模型预测精度。

数据驱动则无需固定模型。Zhao等［3］提出一种特征向量选择和支持向量机组

合模型的方法，但仍未能解决超参数寻优的问题。atil等［4］通过记录电压和温

度的一些相关特征参数，提出了一种基于多级支持向量机的方法用于电池RUL的估

算。利用深度学习技术如Maetal.［5］采用假最近邻法寻找输入窗口的大小，然

后再利用由两个卷积神经网络层和一个LSTM层构成的混合神经网络对RUL估算。

本文提出一种混合模型解决以上问题。

2相关技术及理论

2.1麻雀优化算法（SSA）

SSA算法源于麻雀觅食与反捕食行为，特点在于收敛快、精度高、稳定性好，

并成功应用于实际工程。麻雀搜索算法用数学模型表示如下：

麻雀的位置可以用下面的矩阵表示：

式中，N是麻雀的数量，D为要优化变量的维数。

追随者的位置更新描述如下：

式中，X是当前探索者所占据的最优位置；Xworst则表示整个麻雀种群中最

差的位置；

2.2支持向量回归（SVR）

SVR是一种小样本机器学习方法，该方法具有高效简单、鲁棒性较强的特点。

给定一组数据二{（xl,yl）,（x2,y2）,…（xn,yn）},其中xnEIEn,

yneffino将训练样本从原始空间映射到更高维空间，在特征空间中，划分超平面

所对应的回归模型可表示为：

式中，f（X）表示输出值，（X）是非线性映射函数，W为权向量，b是可调

因子。

2.3长短时3己忆神经网络（LSTM）

LSTM相比RNN结构，LSTM引入了遗忘门It、输入门Ft和输出门Ot。长短期

记忆门的输入均为当前时间步输入Xt与上一时间步隐藏状态Ht-1,输出由

sigmoid函数的全连接层通过计算得到。三个门元素的值域均为［0,1］。假设隐藏

单元的个数为h,给定时间步t的小批量输入XtetEnXd（样本数为n,输入个数

为d）和上一时*间步隐藏状态Ht-1^KnXho时间步t的输入门ItEIEnXh、遗忘

门FtengnXh和输出门OtEIEnXh的计算公式如下：

式中，CIstm（•）为sigmoid函数，Wxi、Wxf、WxoE^dXh和Whi、Whf、

WhoEDShXh为权参数，bi、bf、boE蜓hXh为偏差参数。

3实验数据及预测详细过程

3.1实验数据

本文所用电池老化测试数据来自于美国宇航局的开源数据集。电池型号为

18650电池，额定容量为2Ah。

3.2S0H和RUL的定义

S0H可以有效判断电池是否达到寿命终止条件，本文应用电池容量比来定义

SOHo

式中，Cn表示第n次充放电循环中的电池实际容量；C0表示电池额定容量。

电池剩余寿命RUL可以用下式表示：