基于CEEMDAN-RVM-LSTM模型的锂电池剩余寿命预测

为了提高锂电池长期使用的可靠性和保证系统的安全运行，提出了一种结合自适应噪声完整集合经验模态分解算法(CEEMDAN)、相关向量机(RVM)和长短期记忆神经网络(LSTM)的剩余使用寿命(RUL)的预测方法。使用CEEMDAN将电池容量数据分解为本征模态分量和残差分量，分别由RVM和LSTM进行预测，最后进行有效集成，得到准确的容量和RUL预测结果，并获得RUL的95%置信区间。采用公共数据集进行实验验证，并对比了其他几种模型。实验结果表明该方法不仅拥有较高的预测精度，而且能够提供不确定性表达，具有良好的工程应用意义。