曾 镖,徐位君,谈 宸
(荆楚理工学院电子信息工程学院,湖北 荆门 448000)
锂离子电池具有能量密度大、输出功率高、无污染、无记忆效应、自放电小等优点,已成为当前新能源汽车主要应用的电池类型。而电池的健康与否,在很大程度上决定了电动汽车性能的优劣。
目前,已有人工智能相关方法应用于锂离子电池健康状态预测。例如依靠神经网络等人工智能方法对电池的荷电状态进行预测[1];通过改进的各类优化算法对建立预测模型进行超参数寻优,提升模型的预测准确度[2];改变模型输入的参数,对各类影响因素进行相关性分析,选取合适的因素作为训练输入[3]。但都未分开考虑复杂运行环境给锂离子电池带来的多方影响[4]。
本文将采集到的锂离子电池的电压和内阻作为模型输入,通过锂离子电池的容量来表征其健康状态并作为模型输出,构建基于VMD-GPR的铅酸锂离子电池的健康状态预测模型。通过分解将各类影响因素分开,对各分量分别构建预测模型,最后通过集成算法得到最终的预测模型。
变 分 模 态 分 解 (Variational Mode Decomposition,VMD)算法通过自适应迭代将原信号分解成N个本征模态函数(Intrinsic Mode Function,IMF),在满足各IMF累加等于原始信号f(t)的条件下,使各IMF带宽之和最小[5]。其具体的求解步骤如下所述:
1)将初始信号f(t)分解为N个分量相应的约束变分方程为:

其中:ui(t)、wi分别为分解得到的第i个本征模态分量及其中心频率,б(t)为狄拉克函数。
2)引入拉格朗日乘子,把约束变分问题转化为非约束变分问题。……