预测锂电池剩余使用寿命(RUL,remaining useful life)可以提高电池供电系统的稳定性和安全性,从而明确故障的发生并及时做出响应。在预测过程中,粒子滤波(PF,particle filter)常用于在线辨识模型参数,但当 PF 在线辨识参数时易出现粒子贫化问题,需要大量粒子才能完成状态估计,这将会导致预测结果不准确。为了提高 RUL 预测的准确性,提出一种基于时间递归神经网络(TRNN,time recurrent neural network)和萤火虫算法(FA,firefly algorithm)优化 PF 融合的锂电池 RUL 预测方法。首先,由于 TRNN 的泛化能力优于经验模型,并且易于捕捉容量退化的长距离依赖问题,因此选用其模拟各种条件下的电池退化模型;其次,基于 FA 优化的 PF 技术对 TRNN 模型参数进行递归更新,使粒子群移动到高似然区域,从而减少 PF 的贫化;最后,选择不同条件下不同电池的实验数据进行验证和比较。结果表明,与传统方法相比,该方法具有更高的 RUL 预测精度。
查看更多