基于VMD-ELM的锂离子电池剩余寿命预测方法研究

邹博雨，张营，李泱，陈璐，徐剑澜，顾杰

（210037 江苏省 南京市 南京林业大学 汽车与交通工程学院）

0 引言

锂离子电池是一种能量密度大、输出电压高、循环性能优越的绿色电池，被广泛应用于航空航天、国防军事等领域，是诸多领域重要的支撑环节，因此对于锂离子电池进行健康管理显得尤为重要[1]。随着电池使用时间的增加，会导致电池容量出现逐渐衰退的情况，因此可利用锂电池的容量表征锂电池的退化特性[2]，并基于此对剩余寿命（Remaining Useful Life，RUL）进行预测。

目前，锂离子电池剩余寿命预测方法主要有基于模型的预测方法和基于数据驱动的预测方法[3]。基于模型的预测方法按锂电池内部的结构特性，建立表征退化的模型，但由于电池内部结构复杂模型难以建立；基于数据驱动的预测方法不依赖于电池内部结构，采用机器学习的方法对电池退化特征参数的性能退化规律进行挖掘，实现RUL[4]。常见的基于数据驱动的预测方法包括神经网络[5-6]、支持向量机[7-8]、相关向量机[9-10]、高斯过程回归[11-12]等。其中，极限学习机（Extreme Learning Machine,ELM）是单隐层神经网络，不仅可以很好地避免传统的基于梯度下降算法神经网络调节参数多、易陷入局部最优解等麻烦，而且克服了以支持向量机为代表的一类算法在不确定性表达方面的缺陷[13]，具有高泛化性、计算复杂度低、训练速度快等优点[14]。

锂离子电池的容量衰退是一个非线性退化过程，直接利用非线性退化信号进行建模预测精度低。因此基于信号分解和预测模型的方法被用于提高预测精度[15]。……