科学技术与应用

VMD-CNN-MLSTM 锂电池 RUL 多步预测

李 世钧

中国计量大学

DOI: https://doi.org/10.59429/kxjsyy.v2i5.12018

Keywords: 锂离子电池；剩余使用寿命；变分模态分解；卷积神经网络；多步预测

---

Abstract

针对锂离子电池剩余使用寿命预测中的容量再生噪声和非线性特征难题，提出一种 VMD-CNN-Mogrifier LSTM 多步预测模型。采用 NASA B5、B6 电池数据，经变分模态分解有效抑制模态混叠，其正交性指标显著优于 EMD；结合 CNN 提取深层特征，并利用 Mogrifier LSTM 优化时序建模。实验表明，该模型在 B5 和 B6 电池上的预 测误差均优于对比模型，为锂电池 RUL 精准预测提供了有效方案。

---

References

[1] Dong G, Chen Z , Wei J ,et al.Battery Health Prognosis Using Brownian Motion Modeling and Particle Filtering[J].IEEE Transactions on Industrial Electronics, 2018, 65(11): 8646-8655.

[2] Yuli Z , Bo J , Jiangong Z , et al. Adaptive state of health estimation for lithium-ion batteries based on RC equivalent circuit model[J]. Journal of Energy Storage, 2021, 39: 102564.

[3] Szegedy C , Toshev A , Erhan D. Mogrifier LSTMs[J]. Advances in Neural Information Processing Systems, 2019, 32: 11508-11519.

[4] 车云弘，邓忠伟，李佳承等. 基于数据驱动的电池系统泛化 SOH 估计方法[J]. 机械工程学报，2022,58(24):253-263.