辅导文章

模型描述

锂电池剩余使用寿命（Remaining useful life，RUL）预测是锂电池研究的一个重要方向，通过对RUL的准确预测，可以更好地管理和维护电池，延长电池使用寿命。为了能够准确预测锂电池的RUL，提出了一种集合变分模态分解（Variational mode decomposition，VMD）、长短时记忆网络（Long short⁃term memory，LSTM）和自回归移动平均模型（Autoregressive integrated moving average，ARIMA）相结合的锂电池 RUL 预测模型。该模型首先采用VMD算法将NASA锂电池数据集中的容量数据分解为多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LSTM和ARIMA对分解所得的高频分量和低频分量建立预测子模型，最后将各个子模型的预测值进行叠加重构得到锂电池的RUL结果。实验结果表明VMD⁃LSTM⁃ARIMA预测模型相比于其他预测模型，该模型具有较好的锂电池RUL预测能力。并在CALCE锂电池数据集上进行了泛化性实验，结果表明该模型适用于不同电池RUL预测任务。

预测效果