基于混合机器学习与维纳过程的锂离子电池剩余使用寿命早期精准预测新方法

本刊推荐：本文创新性地融合机器学习（ML）与维纳过程（Wiener Process），提出了一种锂离子电池剩余使用寿命（RUL）早期预测混合模型。该方法利用集成经验模态分解（EEMD）处理健康指标（HI），结合长短期记忆网络（LSTM）与高斯过程回归（GPR）实现未来HI预测，最终通过维纳过程推导RUL。研究仅需25%生命周期数据即可实现高精度预测，为电池健康管理（BHM）提供了突破性的早期 prognostics（预测）解决方案。

　　

Highlight

• •
  1. 1.

     所提出的方法仅需使用总寿命数据的前25%即可准确预测锂离子电池的RUL。

• •
  1. 2.

     通过将机器学习与维纳过程相结合，提高了RUL的预测精度。

• •
  1. 3.

     提取了与容量高度相关的健康指标(HI)，并通过集成经验模态分解(EEMD)算法显著增强了数据质量。

Conclusion

为了能够在电池寿命的早期阶段准确预测其RUL，本文提出了一种结合机器学习与维纳过程的锂离子电池RUL预测混合方法。

该方法首先提取放电过程中的负载电压作为健康指标(HI)，并采用集成经验模态分解(EEMD)对HI进行分解，以减轻容量再生现象引起的巨大波动。随后，采用一个整合了长短期记忆网络(LSTM)和高斯过程回归(GPR)的机器学习框架来预测未来的HI。