机械工程学报

作者：蔡艳平, 王新军, 姜柯, 韩德帅, 赵沁峰

单位：火箭军工程大学 西安 710025

关键词：等压降放电时间,广义回归神经网络,引力搜索算法,极限学习机,多步预测；

基金：国家自然科学基金(52272406, U2268211)、四川省科技计划(2024YFHZ0032)和轨道交通运载系统全国重点实验室自主课题 (2024RVL-T13)资助项目。

考虑到锂离子电池剩余寿命在线预测能力不足，以及基于极限学习机网络模型对小样本训练数据学习能力不强的问题，提出构建连续的健康因子的方法，使用广义回归神经网络与改进极限学习机(Extreme learning machine，ELM)融合的方法对锂电池剩余寿命进行多步预测。首先，提取锂电池等压降放电时间作为健康因子，利用插值补充的方法将离散的电池运行参数重构为连续的健康因子，然后，使用广义回归神经网络对锂离子电池早期剩余寿命进行预测，引入引力搜索算法对极限学习机进行优化，建立具有实时更新能力的锂离子电池中后期剩余寿命预测(Remaining useful life，RUL)多步预测模型，最后，基于马里兰高级生命周期工程中心的CS2-35～CS2-38号以及CS2-7号电池数据对模型进行验证。试验结果表明，基于广义回归神经网络与引力搜索算法优化极限学习机融合的锂电池在线RUL多步预测模型具有较高的预测精度，与其他模型相比鲁棒性与适用性较好。

来源：2024年第24期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2024年第24期