基于ABC-LSTM模型的锂离子电池剩余使用寿命预测

作     者：刘勇 于怀汶 刘大鹏 穆勇 王瀛洲 张秀宇 

作者机构：国网冀北电力有限公司唐山供电公司 东北电力大学自动化工程学院 

出 版 物：《储能科学与技术》 (Energy Storage Science and Technology)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金青年基金(62203102) 国网冀北电力有限公司唐山供电公司科技项目(B30103230015) 火电机组高效清洁运行智能控制实验平台建设(2020C022-3) 

主　　题：锂离子电池 剩余使用寿命预测 长短期记忆网络 人工蜂群算法 dropout技术 

摘      要：为了保证储能系统的安全稳定运行，准确预测锂离子电池的剩余使用寿命(Remaining Useful Life，RUL)至关重要。本文提出了一种基于人工蜂群算法(Artificial Bee Colony， ABC)和结合dropout技术的长短期记忆网络(Long Short-Term Memory， LSTM)相结合的综合预测模型，可有效提高锂离子电池RUL预测的准确性。首先，利用dropout正则化方法有效减轻过拟合现象的优势，提高预测模型的泛化能力。其次，引入针对容量回升及数据噪声问题的激活层网络结构，显著提升模型对复杂非线性数据的处理能力。然后，结合ABC算法优化LSTM综合预测模型的超参数，避免模型陷入局部最优解，提高RUL预测精度。最后，通过NASA研究中心及CALCE的公开数据集验证所提模型的预测准确性和鲁棒性。本文对基于40%和60%训练数据的不同算法预测性能进行实验分析验证，并与麻雀优化算法、座头鲸优化算法等群体优化算法进行比较。实验结果表明，所提出的ABC-LSTM综合预测模型可以更加准确的捕获锂离子电池容量退化的全局趋势及局部特征，其中60%比例的RUL预测结果的均方根误差平均保持在1.02%以内，平均绝对误差平均保持在0.86%以内，拟合系数高达97%以上。