实车数据驱动的锂电池剩余使用寿命预测方法研究

作     者：兰凤崇 陈继开 陈吉清 蒋心平 李子涵 潘威 Lan Fengchong;Chen Jikai;Chen Jiqing;Jiang Xinping;Li Zihan;Pan Wei

作者机构：华南理工大学机械与汽车工程学院广州510641 华南理工大学广东省汽车工程重点实验室广州510641 

出 版 物：《汽车工程》 (Automotive Engineering)

年 卷 期：2023年第45卷第2期

页      面：175-182页

核心收录：

学科分类：0808[工学-电气工程] 08[工学] 

基　　金：国家重点研发计划(2018YFB0104100) 广东省科技计划(2015B010137002) 全国车辆事故深度调查体系(NAIS) 新能源汽车事故调查协作网资助。 

主　　题：锂离子动力电池 剩余使用寿命预测 数据驱动 深度学习 

摘      要：锂离子动力电池剩余使用寿命(RUL)预测对于认识全生命周期电动汽车的安全和可靠性、改善电池管理系统的设计具有重要意义。通常基于深度学习的时序预测方法,本质上是一个递推的过程,每一次预测的误差会随预测次数增加而累积,难以保证预测精度和预测效率。基于深度学习序列预测和误差分析理论,建立一种ARIMA-EDLSTM融合模型的锂电池RUL预测方法,使用编码器-解码器(ED)框架改进长短时记忆神经网络模型(LSTM)构建从序列到序列预测的EDLSTM模型,并融合ARIMA模型预测误差趋势,进而修正最终预测结果。理论分析和实车采集数据验证表明,该方法在预测比例超过历史数据总量35%的情况下,仍然能较好地拟合实车SOH衰退曲线,有效提高锂电池剩余使用寿命的预测精度。