用于锂离子电池剩余使用寿命评估与健康状态监测的SSA(BBO)优化神经网络

《Scientific Reports》：SSA(BBO)-optimized neural networks for remaining useful life estimation and health monitoring of lithium-ion batteries

　　

摘要

准确预测锂离子电池的剩余使用寿命对于提升电池健康管理水平、增强安全性以及提高电动汽车和能量存储系统的效率至关重要。本研究提出了一种新型的混合深度学习框架，该框架将深度神经网络与先进的优化算法相结合，这些优化算法包括基于生物地理学的优化方法以及改进的麻雀搜索算法。该框架还采用了竞争对抗学习机制，以线性支持向量机作为判别器。与传统方法主要依赖恒定条件下的历史循环数据不同，所提出的模型将实际运行参数——如变化的充放电速率、负载情况、环境温度、放电深度以及驾驶循环统计数据——作为输入特征。这大大降低了不确定性，提升了模型在各种不同运行条件下的泛化能力。在该框架中，深度神经网络负责预测剩余使用寿命，而支持向量机则通过构建最小最大优化问题来惩罚那些不符合物理规律的预测结果。在经过真实变化运行参数补充的NASA相关数据集上的验证表明，所提出的经ISSA优化的DNN-SVM模型表现优异，其均方根误差为2.25±0.12个循环，平均绝对误差为1.68±0.09个循环，决定系数为0.995±0.002（基于10次独立测试的平均值±标准差）。与标准方法相比，这一结果在均方根误差方面实现了58–72%的显著提升，这些标准方法包括基线版本的自动编码器-深度神经网络、长短期记忆网络以及卷积神经网络-长短期记忆网络。该框架的性能也远超经BBO优化的版本，进一步证明了ISSA在全局参数优化方面的有效性。这些研究结果表明，所提出的方法在现实世界中的各种变化运行条件下具有很高的稳定性，且在离线训练后具备在电池管理系统中实时应用的强大潜力，为延长锂离子电池的使用寿命和可靠性奠定了重要基础。