基于Elman神经网络的锂离子电池RUL间接预测研究

摘要

锂离子电池实际容量常采用安时积分法得到,存在测量精度差及累积误差的问题.提出了一种利用锂离子电池循环充放电监测参数(电压、时间、内阻、温度等)构建间接健康因子的方法,实现了电池健康状态的间接预测.选择等压降放电时间作为间接健康因子,通过灰色关联分析法验证了其与锂离子电池实际容量的强鲁棒性.构建基于Elman神经网络的剩余使用寿命(remaining useful life,RUL)预测模型.采用NASA公开的锂离子电池数据集进行测试,结果表明提出的方法框架可以有效地进行电池RUL的间接预测,得到精确的预测结果.