仿真变电站蓄电池的工作模式呈现间歇非连续性,导致电池性能在退化过程中存在容量再生现象,退化规律具有非平稳性和随机性,增大了蓄电池精确剩余寿命 RUL(remaining useful life)的难度。针对存在容量再生现象的蓄电池剩余寿命预测问题,提出了变分模态分解 VMD(variational mode decomposition)和蝙蝠(Bat)优化核极限学习机 KELM(kernel extreme learning machine)组合的预测方法。基于 VMD 将蓄电池健康状态 SOH(state of health)时间序列分解为整体退化分量和容量再生分量;利用 Bat 优化 KELM 构建各分量预测模型,以提高分量趋势预测精度;通过各分量独立预测结果的叠加,得到精确的蓄电池健康状态及剩余寿命预测值。将该方法应用于蓄电池退化数据实例分析中,结果表明该方法相较于 KELM 模型及 VMD-KELM 模型,预测精度更高,验证了该方法的优越性。
查看更多