基于PF-LSTM的锂电池剩余使用寿命预测

针对锂电池剩余使用寿命(RUL)难以准确预测的问题，提出一种考虑多种寿命衰退特征与数据时序性的基于粒子滤波改进长短期记忆网络(PF-LSTM)的预测模型，并应用于锂电池的RUL预测。从电池历史充放电老化数据中提取与容量衰退密切相关的健康因子作为LSTM网络的输入，利用PF算法全局优化的能力寻优超参数，包括神经元个数、学习率、节点丢弃率、批尺寸大小、训练步数等6个参数，提高网络的预测能力；引入Dropout层，避免网络过拟合，提高模型的泛化能力。基于NASA PCoE电池数据集进行实验验证，对4块电池在不同预测起始点下的容量估计和寿命情况进行预测，并与经网格搜索的LSTM,SVR等算法进行比较。实验结果表明，PF-LSTM容量估计的RMSE与MAE均在2%以内，且寿命预测误差在3个循环以内，相比于其他算法精度最高。