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 |
| |
引用本文: | 梁弘毅,陈继开,刘万里,兰凤崇,莫丙达,陈吉清.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[J].汽车工程,2024(4):634-642. |
| |
作者姓名: | 梁弘毅 陈继开 刘万里 兰凤崇 莫丙达 陈吉清 |
| |
作者单位: | 1. 广汽本田汽车有限公司;2. 华南理工大学机械与汽车工程学院;3. 华南理工大学,广东省汽车工程重点实验室 |
| |
摘 要: | 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。
|
关 键 词: | 锂离子动力电池 剩余使用寿命预测 数据驱动 深度学习 |
|
|