摘要
针对现有方法对锂电池剩余使用寿命(RUL)预测精度不高,模型训练时间较长的问题,提出一种基于梯度提升决策树算法(GBDT)结合网格搜索法(GS)的预测模型。首先,分析锂电池的充放电循环过程,确定电压、电流、温度为可用健康因子(HI);其次,处理历史数据中的异常值,并均值化可用健康因子数据为特征输入;最后,通过GBDT算法建立锂电池剩余使用寿命预测模型,并采用GS优化模型参数。基于NASA锂电池容量衰减数据,实验结果表明,模型在RMSE、MAE、MAPE评价指标上相对其他方法均提升了约10倍,并且可将锂电池剩余使用寿命预测误差率控制在0.05以内,训练时间缩减至4.5 s。
To solve the problems of the existing remaining useful lifetime prediction methods for lithium battery with low prediction accuracy and long training time,a prediction model based on GBDT algorithm with grid search method is proposed.Firstly,analyze the charge-discharge cycle of lithium battery and select voltage,current and temperature as useful health index.Secondly,process the outliers of historical data and average useful health index data as feature input.Finally,establish the remaining useful lifetime prediction model for lithium battery by GBDT algorithm and optimize parameters by grid search method.Based on the capacity decay data of NASA lithium battery,the results show that the prediction model is superior to other methods about tenfold in RMSE,MAE,MAPE.The remaining useful lifetime prediction error is within 0.05 and the training time reduces to 4.5 s.
作者
刘琼
张豹
Liu Qiong;Zhang Bao(College of Automation,Beijing Information Science and Technology University,Beijing 100192,China)
出处
《电子测量与仪器学报》
CSCD
北大核心
2022年第10期166-172,共7页
Journal of Electronic Measurement and Instrumentation
基金
北京市自然科学基金面上项目(4202026,3212005)资助
作者简介
刘琼,2006年于国防科技大学获得学士学位,2012年于北京航空航天大学获得博士学位,现为北京信息科技大学副教授,主要研究方向为模式识别、机器学习、寿命预测。E-mail:liuqionglq@126.com;张豹,2019年于华北科技学院获得学士学位,2022年于北京信息科技大学获得硕士学位,主要研究方向为深度学习、剩余使用寿命预测。E-mail:15732671448@163.com
