融合K-means聚类和序列分解的实车锂电池剩余使用寿命预测

电动汽车锂离子动力电池健康状态（SOH）衰退过程受使用工况影响存在较多波动，导致模型预测精度下降，在锂电池剩余使用寿命（RUL）短期预测时，SOH波动情况不可忽略，为了准确预测SOH短期内波动情况，须从实车上传的锂电池运行数据中提取有效的健康因子。本文建立一种联合分布特征输入和序列分解融合的锂电池RUL预测方法，使用K-means聚类方法构建车辆锂电池运行过程的联合分布特征，并通过S-G滤波器对SOH衰退曲线进行序列分解，分别使用长短时记忆神经网络（LSTM）和多层感知机（MLP）对趋势部分和波动部分进行预测，融合得到最终预测结果。理论分析和实车采集数据验证表明，融合模型可以在预测车辆锂电池RUL短期衰退趋势的同时预测SOH的波动情况，有较高的短期预测精度。