基于EEMD-GSGRU的锂电池寿命预测

doi:10.19799/j.cnki.2095-4239.2020.0022

储能科学与技术 ›› 2020, Vol. 9 ›› Issue (5): 1566-1573.doi: 10.19799/j.cnki.2095-4239.2020.0022

基于EEMD-GSGRU的锂电池寿命预测

易灵芝^1,³(), 张宗光^1,²(), 范朝冬^1,², 罗显光⁴, 李旺⁴, 刘文翰^1,²

^1.智能计算与信息处理教育部重点实验室(湘潭大学
^2.湖南省多能源协同控制技术工程研究中心，湖南湘潭 411105
^3.湖南省风电装备与能源变换2011协同创新中心，湖南湘潭 411101
^4.大功率交流传动电力机车系统集成国家重点实验室，湖南株洲 412001

收稿日期:2020-01-08 修回日期:2020-05-25 出版日期:2020-09-05 发布日期:2020-09-08
通讯作者: 易灵芝 E-mail:ylzwyh@xtu.edu.cn;1574511421@qq.com
作者简介:张宗光（1992—），男，硕士研究生，主要研究方向为锂电池寿命预测，E-mail：1574511421@qq.com；
基金资助:
国家自然科学基金项目(61572416);湖南省自然科学基金项目(2020JJ6023);大功率交流传动电力机车系统集成国家重点实验室开放课题

Life prediction of lithium battery based on EEMD-GSGRU

Lingzhi YI^1,³(), Zongguang ZHANG^1,²(), Chaodong FAN^1,², Xianguang LUO⁴, Wang LI⁴, Wenhan LIU^1,²

^1.Key Laboratory of Intelligent Computing & Information Processing (Xiangtan University), Xiangtan 411105, Hunan, China
^2.Hunan Province Engineering Research Center for Multi-Energy Collaborative Control Technology, Xiangtan 411105, Hunan, China
^3.Hunan Province Cooperative Innovation Center for Wind Power Equipment and Energy Conversion, Xiangtan 411105, Hunan, China
^4.The State Key Laboratory of Heavy Duty AC Drive Electric Locomotive Systems Integration, Zhuzhou 412001, Hunan, China

Received:2020-01-08 Revised:2020-05-25 Online:2020-09-05 Published:2020-09-08
Contact: Lingzhi YI E-mail:ylzwyh@xtu.edu.cn;1574511421@qq.com

摘要/Abstract

摘要：

针对构建锂电池寿命预测数学模型复杂且易出现过拟合及泛化能力差的问题，提出集合经验模态分解（EEMD）和门控循环单元（GRU）并采用网格搜索（GS）的时序分解-集成模型（EEMD-GSGRU）。该模型首先将锂电池剩余容量数据进行信号分解，分解成总占比大的趋势因子和总占比小的误差因子，将分解时间序列分别预测GRU再合并进行实时滚动预测，最后使用GS搜索网络参数，使用Adam优化策略更新GRU网络权重。最后将NASA提供的锂电池数据集用于该模型，并与其他算法进行对比证明本EEMD-GSGRU模型优越性，本模型10次实验的平均均方根误差分别为0.0169、0.0309、0.0111，平均绝对百分误差分别为1.1921、2.2706、0.7279，证明本模型提高了锂电池寿命预测精度。

关键词: 锂电池, 寿命预测, 信号分解, 门控循环网络, 预测精度

Abstract:

Mathematical models for predicting lithium battery lives are complex, prone to over-fitting, and have poor generalization; accordingly, a time series decomposition-integration model (EEMD-GSGRU) based on Ensemble Empirical Mode Decomposition (EEMD) and Gated Recurrent Unit (GRU) with Grid Search (GS) is proposed. In this model, the lithium battery capacity data are first decomposed into the trend factor with a large total proportion and the error factor with a small total proportion. Then, the decomposed time series are predicted for GRU and combined for a real-time rolling prediction. Finally, GS is used to search the network parameters and Adam optimization is used to update the network weight of the GRU. Using a lithium battery dataset provided by NASA for the model, the superiority of the EEMD-GSGRU model is proved in comparison to other algorithms. It is shown that the EEMD-GSGRU model improves the accuracy of the lithium battery life prediction.

Key words: lithium battery, life prediction, signal decomposition, gated recurrent unit, prediction accuracy

中图分类号:

TM 912.9

易灵芝, 张宗光, 范朝冬, 罗显光, 李旺, 刘文翰. 基于EEMD-GSGRU的锂电池寿命预测[J]. 储能科学与技术, 2020, 9(5): 1566-1573.

Lingzhi YI, Zongguang ZHANG, Chaodong FAN, Xianguang LUO, Wang LI, Wenhan LIU. Life prediction of lithium battery based on EEMD-GSGRU[J]. Energy Storage Science and Technology, 2020, 9(5): 1566-1573.

图/表 12

图1

图2

表1

图3

图4

表2

图5

图6

图7

表3

表4

表5

参考文献 14

1	刘江永, 刘文翰, 易灵芝. 多时序协同中期负荷预测模型[J]. 电力系统及其自动化学报, 2020, 32(2): 48-53.
	LIU Jiangyong, LIU Wenhan, YI Lingzhi. Multi-sequence coordinated medium-term load forecasting model[J]. Proceedings of the CSU-EPSA, 2020, 32(2): 48-53.
2	张凝, 徐皑冬, 王锴, 等. 基于粒子滤波算法的锂离子电池剩余寿命预测方法研究[J]. 高技术通讯, 2017, 27(8): 699-707.
	ZHANG Ning, XU Aidong, WANG Kai, et al. Research on prediction of the remaining useful life of lithium-ion batteries based on particle filtering[J]. Chinese High Technology Letters, 2017, 27(8): 699-707.
3	张朝龙, 何怡刚, 袁莉芬. 基于EEMD和MKRVM的锂电池剩余寿命预测方法[J]. 电力系统及其自动化学报, 2018, 30(7): 38-44.
	ZHANG Chaolong, HE Yigang, YUAN Lifen. Prediction approach for remaining useful life of lithium-ion battery based on EEMD and MKRVM[J]. Proceedings of the CSU-EPSA, 2018, 30(7): 38-44.
4	刘月峰, 赵光权, 彭喜元. 多核相关向量机优化模型的锂电池剩余寿命预测方法[J]. 电子学报, 2019, 47(6): 1285-1292.
	LIU Yuefeng, ZHAO Guangquan, PENG Xiyuan. A lithium-ion battery remaining using life prediction method based on multi-kernel relevance vector machine optimized model[J]. Acta Electronica Sinica, 2019, 47(6): 1285-1292.
5	马彦, 陈阳, 张帆, 等. 基于扩展H_∞粒子滤波算法的动力电池寿命预测方法[J]. 机械工程学报, 2019, 55(20): 36-43.
	MA Yan, CHEN Yang, ZHANG Fan, et al. Remaining useful life prediction of power battery based on extend H_∞ particle filter algorithm[J]. Journal of Mechanical Engineering, 2019, 55(20): 36-43.
6	王一宣, 李泽滔. 基于改进支持向量回归机的锂离子电池剩余寿命预测[J]. 汽车技术, 2020(2): 28-32.
	WANG Yixuan, LI Zetao. Prediction for lithium-ion battery remaining useful life based on improved SVR[J]. Automobile Technology, 2020(2): 28-32.
7	WU Z H, HUANG N E. Ensemble empirical mode decomposition: A noise assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009, 1(1): 1-41.
8	赵健, 樊彦国, 张音. 基于EEMD-BP组合模型的区域海平面变化多尺度预测[J]. 系统工程理论与实践, 2019, 39(10): 2713-2722.
	ZHAO Jian, FAN Yanguo, ZHANG Yin. Multi-scale prediction of regional sea level variations based on EEMD-BP combined model[J]. Systems Engineering —Theory & Practice, 2019, 39(10): 2713-2722.
9	邓带雨, 李坚, 张真源, 等. 基于EEMD-GRU-MLR的短期电力负荷预测[J]. 电网技术, 2020, 44(2): 593-602.
	DENG Daiyu, LI Jian, ZHANG Zhenyuan, et al. Short-term electric load forecasting based on EEMD-GRU-MLR[J]. Power System Technology, 2019, 55(20): 36-43.
10	赵健, 樊彦国, 张音. 基于EEMD-BP组合模型的区域海平面变化多尺度预测[J]. 系统工程理论与实践, 2019, 39(10): 2713-2722.
	ZHAO Jian, FAN Yanguo, ZHANG Yin. Multi-scale prediction of regional sea level variation based on EEMD-BP combined model[J]. Systems Engineering-Theory & Practice, 2019, 39(10): 2713-2722.
11	MO Baohua, YU Jingsong, TANG Diyin, et al. A remaining useful life prediction approach for lithium-ion batteries using Kalman filter and an improved particle filter[C]//IEEE International Conference on Prognostics & Health Management, IEEE, 2016.
12	GAN Dahua, WANG Yi, ZANG Ning, et al．Enhancing short-term probabilistic residential load forecasting with quantile long-short-term memory[J]. The Journal of Engineering, 2017(14): 2622-2627.
13	罗伟林, 张立强, 吕超, 等. 锂离子电池寿命预测国外研究现状综述[J]. 电源学报, 2013(1): 140-144.
	LUO Weilin, ZHANG Liqiang, Chao LYU, et al. Review on foreign status of life prediction of lithium-ion batteries[J]. Journal of Power Supply, 2013(1): 140-144.
14	MA Yan, CHEN Yang, ZHOU Xiuwen, et al. Remaining useful life prediction of lithium-ion battery based on Gauss-Hermite particle filter[J]. IEEE Transactions on Control Systems Technology, 2019, 27(4): 1788-1795.

最优值	15	3	1	0.0006
参数	隐藏神经元数	输入维度	输出维度	学习率
最优值	20	1	300	Adam
参数	批次大小	时间步长	迭代次数	优化策略

数据集	误差类别	种类	模型误差
B5	RMSE	平均值	0.0169
		最大值	0.0417
		最小值	0.0001
	MAPE	平均值	1.1921
		最大值	2.9296
		最小值	0.0080
B6	RMSE	平均值	0.0309
		最大值	0.1307
		最小值	0.0003
	MAPE	平均值	2.2706
		最大值	8.9347
		最小值	0.0216
B7	RMSE	平均值	0.0111
		最大值	0.0362
		最小值	0.0007
	MAPE	平均值	0.7279
		最大值	2.1899
		最小值	0.0467

数据集	种类	SVM	LSTM	GRU	EEMD-GSGRU
B5	平均值	0.0806	0.0511	0.0510	0.0169
B5	最大值	0.1455	0.0911	0.0958	0.0417
B6	平均值	0.0804	0.0866	0.0817	0.0309
B6	最大值	0.1803	0.1757	0.1653	0.1307
B7	平均值	0.0679	0.0475	0.0428	0.0111
B7	最大值	0.1269	0.0888	0.0879	0.0362

数据集	种类	SVM	LSTM	GRU	EEMD-GSGRU
B5	平均值	5.6790	3.7087	3.7014	1.1921
B5	最大值	10.1562	6.6109	6.8739	2.9296
B6	平均值	6.0625	6.5081	6.1657	2.2706
B6	最大值	13.5135	13.2178	12.5286	8.9347
B7	平均值	4.4735	3.1919	2.8822	2.1899
B7	最大值	8.3059	5.9646	5.8233	0.0467

[1]	时雨, 张忠, 杨晶莹, 钱薇, 李昊, 赵祥, 杨欣桐. 储能电池系统提供AGC调频的机会成本建模与市场策略[J]. 储能科学与技术, 2022, 11(7): 2366-2373.
[2]	元佳宇, 李昕光, 王文超, 付程阔. 考虑质量流量的电池组蛇形冷却结构仿真[J]. 储能科学与技术, 2022, 11(7): 2274-2281.
[3]	黄鹏, 聂枝根, 陈峥, 舒星, 沈世全, 杨继鹏, 申江卫. 基于优化Elman神经网络的锂电池容量预测[J]. 储能科学与技术, 2022, 11(7): 2282-2294.
[4]	易顺民, 谢林柏, 彭力. 基于VF-DW-DFN的锂离子电池剩余寿命预测[J]. 储能科学与技术, 2022, 11(7): 2305-2315.
[5]	张肖洒, 王宏源, 李振彪, 夏志美. 废旧磷酸铁锂电池电极材料的硫酸化焙烧-水浸新工艺[J]. 储能科学与技术, 2022, 11(7): 2066-2074.
[6]	申晓宇, 岑官骏, 乔荣涵, 朱璟, 季洪祥, 田孟羽, 金周, 闫勇, 武怿达, 詹元杰, 俞海龙, 贲留斌, 刘燕燕, 黄学杰. 锂电池百篇论文点评（2022.4.1—2022.5.31）[J]. 储能科学与技术, 2022, 11(7): 2007-2022.
[7]	周伟东, 黄秋, 谢晓新, 陈科君, 李薇, 邱介山. 固态锂电池聚合物电解质研究进展[J]. 储能科学与技术, 2022, 11(6): 1788-1805.
[8]	乔荣涵, 岑官骏, 申晓宇, 田孟羽, 季洪祥, 田丰, 起文斌, 金周, 武怿达, 詹元杰, 闫勇, 贲留斌, 俞海龙, 刘燕燕, 黄学杰. 锂电池百篇论文点评（2022.2.1—2022.3.31）[J]. 储能科学与技术, 2022, 11(5): 1289-1304.
[9]	汪红辉, 吴泽钦, 储德韧. 轻度过放模式下钛酸锂电池性能及热安全性[J]. 储能科学与技术, 2022, 11(5): 1305-1313.
[10]	王苏杭, 李建林, 李雅欣, 熊俊杰, 曾伟. 锂离子电池系统低温充电策略[J]. 储能科学与技术, 2022, 11(5): 1537-1542.
[11]	郑征, 王肖帅, 李斌, 黄涛, 李佩柯. 基于三绕组变压器的锂电池组自适应交错控制均衡方案[J]. 储能科学与技术, 2022, 11(4): 1131-1140.
[12]	王星星, 宋子钰, 吴浩, 冯文芳, 周志彬, 张恒. 固态聚合物电解质导电锂盐的研究进展[J]. 储能科学与技术, 2022, 11(4): 1226-1235.
[13]	岑官骏, 朱璟, 乔荣涵, 申晓宇, 季洪祥, 田孟羽, 田丰, 金周, 闫勇, 武怿达, 詹元杰, 俞海龙, 贲留斌, 刘燕燕, 黄学杰. 锂电池百篇论文点评（2021.12.1—2022.1.31）[J]. 储能科学与技术, 2022, 11(3): 1077-1092.
[14]	翁素婷, 刘泽鹏, 杨高靖, 张思蒙, 张啸, 方遒, 李叶晶, 王兆翔, 王雪锋, 陈立泉. 冷冻电镜表征锂电池中的辐照敏感材料[J]. 储能科学与技术, 2022, 11(3): 760-780.
[15]	余春林, 陈旭东, 宫川敏夫, 孙辉, 张兴旺, 童莉葛. 特殊结构前驱体对锂电池三元正极材料性能的提升[J]. 储能科学与技术, 2022, 11(3): 1000-1007.

基于EEMD-GSGRU的锂电池寿命预测

Life prediction of lithium battery based on EEMD-GSGRU

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 14

相关文章 15

编辑推荐

Metrics

本文评价

1：输入:电池容量数据Data，算法参数；
2：输出组合模型；/数据预处理/
3：使用0-1归一化消除数据量纲的影响；
4：利用EEMD分解数据获得4条子数据；
5：根据子数据集建立4个子GRU模型；
6：子模型输出与原数据集相加；/GRU实时预测模型/
7：使用80个时刻数据前向计算每个神经元权重；
8：反向计算每个神经元的误差项；
9：使用优化策略减小网络误差，更新网络权重参数
10：前3时刻数据输入，第4时刻数据输出
11：数据前80时刻作为模型训练集，预测第81时刻值
12：将预测值回填原数列，模型滑窗1个时刻，迭代预测80个时刻/参数优化/
13：使用GS搜索模型最优参数 /集成 /
14：子模型同索引值相加；
15：进行电池寿命预测