基于GSO-ELM的锂离子电池剩余寿命间接预测方法研究

锂离子电池作为一种能量供应部件,具有体积小、重量轻、温度范围宽和高能量比等诸多优点,是很多复杂系统、关键电子设备的组成部分,对整个系统起着至关重要的作用。在系统运行时,若没有对锂离子电池的剩余寿命(remaining useful life,RUL)进行监测以便及时更换新的电池或维修,一旦发生故障则会直接导致系统性能降低,甚至引发灾难性的故障并造成重大损失,尤其对于航空航天系统,因此,锂离子电池RUL预测具有极其重要的实用价值和研究意义。本文针对锂离子电池的RUL预测问题展开研究,提出了基于萤火虫优化算法的极限学习机(glowworm swarm optimization-extreme learning machine,GSO-ELM)锂离子电池RUL预测模型。针对传统单隐层前馈神经网络学习算法存在的缺陷,在单隐层前馈神经网络中引入了极限学习机算法,并对极限学习机算法的理论进行了详细说明。针对锂电池容量难以在线监测的问题,采用等压降放电时间序列作为间接健康因子,并建立了 RUL间接预测框架。选择NASA锂电池实验数据(B5,B6,B7,B18)为研究对象,首先提取了实际容量;然后选取恒压放电模式,提取了电压、电流以及充放电循环周期,得到了等压降放电时间序列;最后采用偏相关系数法证明了电池实际容量和等压降放电时间序列之间存在着强关联性,从而证明了采用等压降放电时间序列进行间接RUL预测方法的可行性。采用萤火虫算法对极限学习机的不足之处进行优化,建立了萤火虫优化算法的极限学习机(GSO-ELM)模型,并将GSO-ELM算法模型用于锂离子电池间接RUL预测框架中。将GSO-ELM模型各个参数对模型性能的影响进行了详细分析并验证,选取合适的参数进行RUL预测,结果表明,GSO-ELM算法继承了 ELM学习速度快的优点,而且,与ELM相比,它的跟踪效果要更好。其中,由实验数据(B5)可见,用GSO-ELM算法得到的RUL误差为2,平均相对误差为5.36%,表明了该算法不但减小了 RUL预测的误差,而且提高了算法结果的稳定性。