基于多尺度分解和深度学习的锂电池寿命预测
【摘要】 针对目前的剩余寿命预测（RUL）方法存在模型适应性差及预测不准确等问题，提出多尺度深度神经网络的锂电池健康退化预测模型.通过经验模态分解（EEMD）方法和相关性分析（CA），将采集到的锂电池能量数据分解为主趋势数据和波动数据;采用深度置信网络（DBN）和长短期记忆网络（LSTM），分别对主趋势与波动数据进行建模;将DBN与LSTM预测结果进行有效集成，得到锂电池的健康预测结果.实验结果表明，利用该方法能够有效地对锂电池的健康趋势进行拟合，得到准确的RUL预测结果，性能优于其他典型的预测方法.
