多尺度分解下GRU-MLR...锂电池剩余使用寿命预测方法_武明虎.pdf
《多尺度分解下GRU-MLR...锂电池剩余使用寿命预测方法_武明虎.pdf》由会员分享,可在线阅读,更多相关《多尺度分解下GRU-MLR...锂电池剩余使用寿命预测方法_武明虎.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 12 卷 第 7 期2023 年 7 月Vol.12 No.7Jul.2023储能科学与技术Energy Storage Science and Technology多尺度分解下GRU-MLR组合的锂电池剩余使用寿命预测方法武明虎1,2,岳程鹏2,张凡1,2,李俊晓3,黄伟2,胡胜1,2,唐靓2(1湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室,2湖北工业大学电气与电子工程学院,湖北 武汉 430068;3郑州日产汽车有限公司,河南 郑州 450046)摘 要:准确预测锂电池的剩余使用寿命(remaining useful life,RUL)可以及时了解电池内部的性能退化情况,降
2、低电池的使用风险并为日常维护提供可靠的理论依据。为了提高预测结果的准确性和稳定性,提出了一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)、门控循环单元网络(gated recurrent unit,GRU)和多元线性回归(multiple linear regression,MLR)相结合的锂电池RUL预测模型。该模型首先采用EEMD算法将锂电池容量数据分解为若干个高频分量和低频分量,以此减少容量数据中的噪声干扰,然后针对各个分量的特点,分别利用GRU和MLR网络基于获得的高频和低频序列建立预测子模型,最后叠加融合各个子模型的预测
3、值得到锂电池的RUL结果,通过使用NASA和Oxford提供的锂电池公开数据,并采用不同的预测起点与其他单一模型和组合模型进行对比。实验结果表明,EEMD-GRU-MLR预测模型能够提供准确的RUL结果,相比于LSTM、GRU和EEMD-GRU预测模型,最大平均绝对误差分别降低了0.0311、0.0234、0.0182,最大均方根误差分别降低了0.0235、0.0153、0.0098,证明了本模型具有较好的锂电池RUL预测能力。关键词:锂电池;剩余使用寿命;集合经验模态分解;门控循环单元网络;多元线性回归doi:10.19799/ki.2095-4239.2023.0298 中图分类号:TM
4、912 文献标志码:A 文章编号:2095-4239(2023)07-2220-09Combined GRU-MLR method for predicting the remaining useful life of lithium batteries via multiscale decompositionWU Minghu1,2,YUE Chengpeng2,ZHANG Fan1,2,LI Junxiao3,HUANG Wei2,HU Sheng1,2,TANG Jing2(1Hubei University of Technology,Hubei Provincial Key Labo
5、ratory of Solar Energy Efficient Utilization and Energy Storage Operation Control;2School of Electrical and Electronic Engineering,Hubei University of Technology,Wuhan 430068,Hubei,China;3Zhengzhou Nissan Automobile Co.,Ltd.,Zhengzhou 450046,Henan,China)Abstract:Accurately predicting the remaining u
6、seful life(RUL)of lithium batteries can ensure timely understanding of the internal performance degradation of the battery,reduce the risks associated with battery use,and provide a reliable theoretical basis for routine maintenance.To improve the accuracy and stability of prediction results,a lithi
7、um-battery RUL prediction model based on the combination of ensemble empirical mode decomposition(EEMD)and gated recurrent unit(GRU)with multiple linear regression(MLR)is proposed.First,the model decomposes the lithium-battery capacity data into several high-frequency and low-frequency 储能锂离子电池系统关键技术
8、专刊收稿日期:2023-05-04;修改稿日期:2023-05-21。基金项目:湖北省重点研发计划项目(2021BGD013),湖北省科技计划项目(2022BEC017),湖北省自然科学基金项目(2022CFA007)。第一作者:武明虎(1975),男,博士,教授,研究方向为智能电网、动力电池安全管理,E-mail:;通讯作者:张凡,讲师,研究方向为电磁场理论及工程应用、智能信号处理,E-mail:。引用本文:武明虎,岳程鹏,张凡,等.多尺度分解下GRU-MLR组合的锂电池剩余使用寿命预测方法J.储能科学与技术,2023,12(7):2220-2228.Citation:WU Minghu,Y
9、UE Chengpeng,ZHANG Fan,et al.Combined GRU-MLR method for predicting the remaining useful life of lithium batteries via multiscale decompositionJ.Energy Storage Science and Technology,2023,12(7):2220-2228.第 7 期武明虎等:一种多尺度分解下GRU-MLR组合的锂电池剩余使用寿命预测方法components using the EEMD algorithm to reduce noise int
10、erference in the capacity data.Then,based on the characteristics of each component,the model builds prediction submodels based on the obtained high-frequency and low-frequency sequences using the GRU and MLR networks,respectively.Finally,the predicted values of each submodel are superimposed and fus
11、ed to obtain the RUL of the battery based on the public data on lithium batteries provided by NASA and Oxford;furthermore,using different prediction starting points,the obtained results are compared with those of other single and combined models.The experimental results show that the EEMD-GRU-MLR pr
12、ediction model can provide accurate RUL results,compared with LSTM,GRU,and EEMD-GRU prediction models,with the maximum mean absolute error decreased by 0.0311,0.0234,and 0.0182,respectively,and the maximum root mean square error decreased by 0.0235,0.0153,and 0.0098,respectively,This proves the sati
13、sfactory ability of the proposed EEMD-GRU-MLR model to predict the RUL of lithium batteries.Keywords:lithium battery;remaining useful life;ensemble empirical mode decomposition;gated recurrent unit network;multiple linear regression锂电池因其能量密度高、自放电率低、循环寿命长等优点被大量应用在电子产品、新能源汽车以及储能系统等众多领域,然而随着充放电循环周期的增加,
14、锂电池会出现可用容量下降、内阻增大等性能退化现象,最终将会失效。在电池剩余使用寿命(remaining useful life,RUL)预测研究中通常将电池容量作为健康特征,用来定量描述电池健康状况的退化程度,使用电池容量作为表征电池性能的健康特征能够直观反映电池的退化情况1。通常认为当电池容量衰减至70%80%时表示锂电池的使用寿命结束(end of life,EOL)2,如果在失效前无法及时更换电池,将会给设备运行带来巨大的安全风险,严重影响系统运行稳定性和可靠性3。因此,对锂电池的剩余使用寿命进行准确预测,提前获取电池状态的相关信息,在衰退到安全阈值之前及时更换,可以有效减少电池事故的发
15、生。当前对于锂电池RUL预测主要有模型法和数据驱动法,基于模型的方法可以较好地反映电池的外部动态特性。文献4基于构建的电化学模型模拟电池充放电工作过程,分析电池容量衰减的影响因素,进而预测出电池RUL,但是由于电化学模型是动态和非线性的,很难建立准确的电池退化模型。文献5在等效电路模型的基础上研究锂电池的内部参数,文献6采用拓展的等效电路模型来进行锂电池状态估计,并得到较为精确的结果,但电池内部反应机制过于复杂,难以精确描述电池结构和理化现象。文献7构建了无迹粒子滤波算法的等效电路模型,文献8基于改进粒子滤波算法实现了锂电池的RUL预测,虽然对预测精度有所改进,但其模型搭建和计算过程都较为复杂
16、,这些缺点极大阻碍了基于模型的方法在实际中的应用。与之相比,基于数据驱动的方法步骤较少、操作方便,具有较强的实用性9。基于数据驱动的方法无需了解电池内部复杂的反应机理,只需从外部特性的历史数据中挖掘性能退化的规律,就能精确地构建出RUL预测模型10。文献11提出一种基于差分电压和Elman神经网络的方法,通过分析电池差分电压曲线和充放电曲线,提取电池容量的退化特征作为健康特征,构建电池容量为输出的Elman神经网络,提高了锂电池RUL预测精度。文献12通过使用随机森林算法对电池容量数据分解出来的每个分量进行重要性排序,避免了波动分量里的噪音对模型预测能力的影响,且又保留了波动分量里的特征信息。
17、对于锂电池性能退化过程中存在的容量再生问题,文献13提出了一种多尺度逻辑回归(logistic regression,LR)和高斯过程回归(gaussian process regression,GPR)相结合的预测方法,使用经验模态分解(empirical mode decomposition,EMD)将容量数据分解为整体退化、部分回升以及各种波动,从而削弱了容量再生现象对状态评估的影响。文献14采用EMD算法将容量数据分解为高频和低频两种分量,分别通过Elman和长短期记忆22212023 年第 12 卷储能科学与技术(long short term memory,LSTM)网络建模,并叠
18、加预测结果得出RUL。但这种方法忽视了EMD本身的局限性,EMD在分解过程中会产生模态混叠现象,无法根据前期的容量退化趋势完成精确的性能评估,而集合经验模态分解(ensemble empirical mode decomposition,EEMD)算法克服了模态混叠现象,分解结果更为彻底、重构误差更小,在提升预测模型的精度方面具有突出的优势。文献15-16使用LSTM神经网络较好地预测出RUL结果,并且降低了预测误差,但是网络结构较复杂,参数量过多。文献17构建了基于变分模态分解(variational modal decomposition,VMD)与 门 控 循 环 单 元(gated r
19、ecurrent unit,GRU)相结合的RUL预测模型,因为GRU所需参数更少,可在确保模型精度的同时,加快模型的收敛速度。基于以上分析,本工作选择以锂电池容量数据作为健康特征,提出了一种基于EEMD多尺度分解下GRU与多元线性回归(multiple linear regression,MLR)组合的锂电池RUL预测方法。该方法首先采用EEMD算法将容量数据分解为高频分量和低频分量,然后分别使用GRU和MLR网络对所分解的退化数据进行趋势预测,再对各个预测结果进行叠加重构,这样既可以准确反映出电池退化的整体趋势,又能够捕捉到高频分量中隐藏的退化信息,提高了预测精度。最后选取NASA和Oxf
20、ord提供的锂电池数据集作为研究对象来评估模型的性能,验证本模型的准确性和稳定性。实验结果表明,该预测模型能够克服锂电池在寿命预测过程中存在的剧烈波动,准确挖掘到锂电池容量变化过程的潜藏特征,具有性能稳定且精度更高等优点。1 基于EEMD-GRU-MLR锂电池寿命预测模型1.1集合经验模态分解EMD可以将复杂信号分解为有限个本征模态函数(intrinsic mode function,IMF),但EMD在分解时容易产生一个IMF分量包含不同时间尺度特征成分的模态混叠现象,从而使IMF失去原本的含义。EEMD是由Wu等18提出的基于噪声辅助分析而改进的EMD方法,其原理是进行n次重复EMD分解信
21、号的过程,通过在每次分解过程中都向初始信号加入零均值、固定方差的白噪声,利用白噪声均值为零的特性,抵消噪声影响。将集成平均后的结果作为最终结果,有效消除了EMD算法的模态混叠现象,实现了信号在适当时间尺度的自动分布,提升了分解效率。通过EEMD算法,信号被分解成不同时间尺度下的IMF分量,相比于初始信号,各IMF分量波动幅度降低,对其进行趋势预测可以获得更加准确的预测结果。由于锂电池的容量退化曲线并不是平滑无波动的,而是存在着容量再生现象,是包含全局退化和局部回升不同尺度下的混合信号。如果预测时不加以区分退化趋势部分和局部震荡部分,直接进行训练会对预测结果的精确度造成一定影响,所以采用EEMD
22、提取出容量退化数据中的局部特征,极大降低了容量再生现象产生的震荡信号对模型预测性能的影响。EEMD算法的具体步骤如下:(1)向初始信号x(t)中添加白噪声序列wi(t)获取新信号Xi(t):Xi(t)=x(t)+wi(t)(1)式中,i为添加白噪声的次数。(2)将Xi(t)进行EMD分解,得到各阶IMF分量和的形式及分解后的剩余分量res:Xi(t)=j=1ncij(t)+res(2)式中,cij(t)为第i次添加白噪声后分解得到的第j个IMF分量,j的取值范围为1n。(3)重复以上两个步骤M次,并将每次得到的IMF分量相加再求均值作为最终结果:cj(t)=1Mi=1Mcij(t)(3)式中,
23、cj(t)为对初始信号进行EEMD分解后得到的第j个IMF分量平均值。1.2多元线性回归在回归分析中存在两个及两个以上的自变量,而且当多个自变量与因变量之间是线性关系时,所进行的回归分析就是多元线性回归。对于周期性强、趋势平稳的曲线,相比于常见的神经网络,该回归分析方法具有预测精度更高,参数易于调节和运行速度快等优势。电池容量数据中低频分量趋势比较平缓,采用MLR既不需要确定具体参数,且预测效果和收敛速度也较好,MLR的矩阵表达式和展开式分别为:Y=X +(4)2222第 7 期武明虎等:一种多尺度分解下GRU-MLR组合的锂电池剩余使用寿命预测方法|y2y2yn=|1x11x1n1x21x2
24、n11xn1xnn|01n+|12n(5)式中,Y为待预测数据,X为历史数据,为回归系数,为随机扰动。利用最小二乘法进行参数求解,即可得到回归函数,其公式为:?=(XTX)1XTY(6)1.3门控循环单元GRU是对LSTM神经网络模型结构进行了优化,合并了遗忘门和输入门为更新门,减少了网络的参数量,加快了收敛速度,同时有效减小数据过拟合的风险。锂电池容量数据衰减至失效的过程具有时间序列特征,而GRU神经网络适合对时间序列进行精准分析,同时由于容量数据中高频分量波动较大,采用GRU神经网络可以有效捕捉其中的特征参数,能够对锂电池的RUL进行很好的预测。GRU网络结构如图1所示。状态与输出的计算公
25、式如下:rt=()Wrht 1,xt(7)zt=()Wzht 1,xt(8)h?t=tanh()Wh?rtht 1,xt(9)ht=(1 zt)ht 1+zth?t(10)式中,rt为重置门,ht1为前一时刻的隐藏状态,xt为当前时刻的输入,zt为更新门,h?t为重置门计算的隐藏状态,ht为更新门对隐藏状态的更新,Wr、Wz和Wh?为权重矩阵,和 tanh 为激活函数。1.4EEMD-GRU-MLR预测模型建立由于锂电池容量数据是含有强滞后相关性特征的时序数据,为避免使用单一模型对锂电池进行RUL预测会产生精确度不足等问题,本工作提出一种 EEMD-GRU-MLR 组合预测模型,其流程图如图2
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 尺度 分解 GRU MLR 锂电池 剩余 使用寿命 预测 方法 武明虎
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。