基于VMD-CNN-BiLSTM模型和注意力机制的锂离子电池剩余使用寿命预测

《Journal of Energy Storage》：Remaining useful life prediction of lithium-ion battery based on VMD-CNN-BiLSTM model and attention mechanism

准确预测锂离子电池剩余寿命（RUL）对降低运营风险至关重要。本研究提出基于变分模态分解（VMD）的集成预测框架，通过stacked auto-encoder融合四个健康指标（HI），再利用1D CNN-BiLSTM-AM模型分解全局退化趋势和局部波动分量，最终结合鲸鱼优化算法（WOA）实现高精度容量预测。实验验证表明该方法在预测精度、稳定性和鲁棒性上优于基准方法。

　　

周洋|丁全水|张艳|张一敏

东北大学机械工程与自动化学院，中国沈阳

摘要

准确预测锂离子电池的剩余使用寿命（RUL）对于降低运营风险以及确保系统安全和可靠性至关重要。本研究提出了一种基于变分模态分解（VMD）的集成预测框架，用于精确估计电池健康状态和剩余寿命。首先使用来自美国国家航空航天局（NASA）电池数据集的循环数据，通过堆叠自编码器（SAE）提取并融合健康指标。变分模态分解算法将融合的健康指标分解为全局退化趋势和局部波动分量。然后，这些分解信号通过一种混合神经架构进行建模，该架构结合了一维卷积神经网络（1D CNN）、双向长短期记忆网络（BiLSTM）和注意力机制（Attention Mechanism）。最终容量预测是通过组合处理后的输出得到的，同时采用鲸鱼优化算法（Whale Optimization Algorithm）进行自动超参数调整。使用独立获取的数据集进行的实验验证表明，所提出的VMD-1D CNN-BiLSTM-AM框架在预测准确性、稳定性和鲁棒性方面优于现有的基准方法，凸显了其在锂离子电池健康管理方面的潜力。

部分内容摘录

术语表

RUL	剩余使用寿命
SAE	堆叠自编码器
VMD	变分模态分解
SOH	健康状态
WOA	鲸鱼优化算法
BMS	电池管理系统
AM	注意力机制
AE	自编码器
SAE	堆叠自编码器
CC	恒电流
CV	恒电压

主要特征提取

自编码器（AE）是一种神经网络架构，通过其编码器和解码器的双组分结构，在学习输入数据的压缩和信息表示方面表现出色。这种架构常用于降维、特征提取和数据去噪等任务。给定一个输入数据集 $x=\left(x_1,x,2,?,x_n\right)$，编码和解码过程可以正式描述如下：$h=f\left(\begin{array}{c}{W}_{1}x+b\end{array}\right)$$y=g\left(\begin{array}{c}{W}_{2}h+c\end{array}\right)$

这里，W₁ 和 b 分别代表权重矩阵和偏置

特征提取与模型构建

电池健康的数据驱动预测严重依赖于两个组成部分：代表性健康指标（Health Indicators, HIs）的提取和鲁棒预测模型的开发。该过程从可测量的操作参数（如端电压、电流和温度）开始提取HIs，这些参数与电池老化密切相关[44]。然后应用合适的数据驱动算法来构建预测模型。预测的准确性和可靠性

预测结果分析

全局退化趋势模型和局部反弹模型都是使用1D CNN-BiLSTM-AM架构构建的。具体来说，每个IMF分量的前120个数据点以及从VMD分解中获得的残差被用作训练集，而剩余数据被用作测试集。这些样本随后被输入到之前开发的1D CNN-BiLSTM-AM混合神经网络中，以获得每个分量的预测值。

寿命老化实验和预测方法验证

为了提高结果的可信度并避免依赖单一数据集的局限性，本研究独立构建了一个实验平台，用于对当前的锂离子电池（LIBs）进行老化实验。该平台用于在电池老化过程中收集数据，并验证所提出的融合主要特征HI提取和组合预测模型的有效性和泛化能力。

结论

本研究提出了一种集成预测框架，称为VMD-1D CNN-BiLSTM-AM，它结合了VMD和深度学习，以实现锂离子电池的准确健康状态（SOH）估计和剩余使用寿命（RUL）预测。主要结论总结如下：

• 1.
  健康指标提取与融合

基于NASA电池老化数据集，从充放电循环数据中提取了四个与容量退化密切相关的健康指标。使用SAE将这些指标融合成一个

CRediT作者贡献声明

周洋：撰写 – 审稿与编辑、监督、资源管理、项目管理、资金获取。 丁全水：撰写 – 审稿与编辑、初稿撰写、验证、软件开发、调查。 张艳：数据可视化、方法论、数据整理。 张一敏：项目管理、形式分析。

作者声明

周洋、丁全水、张艳和张一敏共同构思了这项研究。丁全水和周洋负责添加新的实验结果和对比分析。张艳和丁全水修改了论文中的图表并提高了其清晰度。丁全水、张艳和周洋修订了手稿的语法和句子结构。张艳补充了关于鲸鱼优化算法应用的相关内容。张一敏进行了

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢国家自然科学基金（编号：52572438、U23B2098、52172401）的支持。