吳曉丹，范 波，王建祥，胡慶煒

(河南科技大學(xué)信息工程學(xué)院，河南洛陽 471000)

鋰電池具有壽命長、成本低、能量密度高、綠色清潔等優(yōu)點(diǎn)，但由于在持續(xù)的循環(huán)周期中，必然會(huì)發(fā)生一系列的化學(xué)變化，最終導(dǎo)致鋰電池的電量下降[1]，因此對(duì)鋰電池的健康狀態(tài)(SOH)和剩余使用壽命(RUL)的預(yù)測(cè)成為當(dāng)前國內(nèi)外的研究熱點(diǎn)。

電池容量是反映電池狀態(tài)的參數(shù)。目前鋰電池RUL預(yù)測(cè)主要有兩種方法：基于模型的預(yù)測(cè)和基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)。電池的SOH通常用當(dāng)前循環(huán)的最大容量與額定容量的比值來定義。SOH的測(cè)量方法目前大致可以分為三類，分別是模型法、直接測(cè)量法及數(shù)據(jù)驅(qū)動(dòng)法。為了實(shí)現(xiàn)對(duì)SOH和RUL的準(zhǔn)確預(yù)測(cè)，研究人員提出了多種方法。徐超等[2]提出一種使用動(dòng)態(tài)布谷鳥算法優(yōu)化粒子濾波的方法，該方法雖然具有提高預(yù)測(cè)準(zhǔn)確度的優(yōu)點(diǎn)，但粒子濾波的預(yù)測(cè)過程需要系統(tǒng)指定的狀態(tài)方程和觀測(cè)方程，且需要大量的樣本檢驗(yàn)系統(tǒng)的后驗(yàn)概率密度。何星等[3]提出了一種加速魚群算法(AAFSA)優(yōu)化極端學(xué)習(xí)機(jī)的鋰電池剩余壽命預(yù)測(cè)方法，有效解決極端學(xué)習(xí)機(jī)參數(shù)不確定導(dǎo)致預(yù)測(cè)結(jié)果差的問題，但當(dāng)數(shù)據(jù)集中存在離群點(diǎn)時(shí)，極端學(xué)習(xí)機(jī)模型的性能將會(huì)受到很大的影響。何畏等[4]提出了通過量子粒子群對(duì)相關(guān)向量機(jī)進(jìn)行優(yōu)化的方法，從而保證預(yù)測(cè)輸出結(jié)果的穩(wěn)定性，但該方法存在對(duì)異常值比較敏感、受噪聲數(shù)據(jù)的干擾較大的問題。李彥梅等[5]提出了一種雙高斯模型，用于研究鋰電池的循環(huán)退化過程，實(shí)現(xiàn)了鋰電池壽命的精準(zhǔn)預(yù)測(cè)，但遇到特征的個(gè)數(shù)較多時(shí)，會(huì)導(dǎo)致高維空間失去有效性。

綜上所述，本文提出了一種基于變分模態(tài)分解(VMD)-時(shí)間卷積網(wǎng)絡(luò)(TCN)-注意力機(jī)制(Attention)的鋰電池壽命預(yù)測(cè)方法。首先使用等深分箱處理初始數(shù)據(jù)，使預(yù)測(cè)結(jié)果不再受噪聲值影響；其次使用VMD 算法對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行分解，得到若干個(gè)穩(wěn)定的分量；再次對(duì)TCN 進(jìn)行設(shè)置，在TCN算法中加入Attention 機(jī)制，構(gòu)建TCN-Attention 模型；最后將若干個(gè)分量分別傳入到TCN-Attention 模型當(dāng)中，得到預(yù)測(cè)數(shù)據(jù)。通過不同算法的結(jié)合，達(dá)到電池剩余壽命預(yù)測(cè)的目標(biāo)，并與其他方法相比較，證明該方法的準(zhǔn)確性和有效性。

1 鋰電池壽命預(yù)測(cè)方法

1.1 變分模態(tài)分解

VMD 是一種自適應(yīng)、完全非遞歸的模態(tài)變分和信號(hào)處理的方法。相對(duì)于常規(guī)經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)算法，VMD 能夠有效地解決模型的失真和其他問題。該方法能夠決定分解數(shù)目，并能根據(jù)具體的條件來決定各階段的分解數(shù)目。在后續(xù)的求解過程中，對(duì)各模態(tài)的核心頻率與帶寬進(jìn)行適應(yīng)性調(diào)整，有效地分離出固有模態(tài)分量(IMF)及對(duì)信號(hào)進(jìn)行頻域劃分，最終獲得變分問題的最優(yōu)解。對(duì)于非線性時(shí)間序列，VMD 可提高其穩(wěn)定性，在經(jīng)典維納濾波、頻率混合和希爾伯特變換三個(gè)概念的基礎(chǔ)上，將復(fù)雜的非線性序列分解成多個(gè)穩(wěn)定的線性序列，最終實(shí)現(xiàn)各模態(tài)的估計(jì)帶寬之和最小[6]。VMD 的核心是構(gòu)建和求解變分問題，假設(shè)原始信號(hào)f被分解為k個(gè)具有中心頻率的有限寬度的模態(tài)分量，同時(shí)各模態(tài)的估計(jì)帶寬之和最小，約束條件為所有模態(tài)之和與原始信號(hào)相等，則相應(yīng)約束變分表達(dá)式為：

式中：k為分解的模態(tài)個(gè)數(shù)；{uk}、{ωk}分別對(duì)應(yīng)分解后的第k個(gè)模態(tài)分量和中心頻率；mt為函數(shù)時(shí)間導(dǎo)數(shù)；δ(t)為狄拉克函數(shù)；*為卷積運(yùn)算符；f為原始時(shí)間序列。

對(duì)①式進(jìn)行求解，引入乘法算子Z，將約束變分問題轉(zhuǎn)為非約束性變分問題，如式(2)所示：

式中：α為二次懲罰因子；Z為拉格朗日因子。

利用交替方向乘子法解決上述變分問題，交替更新尋找函數(shù)的“鞍點(diǎn)”，其迭代更新公式為：

式中：γ為噪聲容忍度。

VMD 具體步驟如下：

(3)利用公式判斷收斂程度是否滿足要求，若滿足，則直接輸出；若不滿足，則返回第(2)步重新對(duì)參數(shù)進(jìn)行迭代，直到滿足規(guī)定的收斂程度為止。

1.2 時(shí)間卷積網(wǎng)絡(luò)

TCN 是一維全卷積網(wǎng)絡(luò)和因果卷積相結(jié)合的網(wǎng)絡(luò)，可以有效提取出數(shù)據(jù)之間的關(guān)聯(lián)性，更適用于解決時(shí)序問題。擴(kuò)張卷積網(wǎng)絡(luò)可對(duì)上一層的輸入進(jìn)行擴(kuò)張采樣，提取出間隔較長和非連續(xù)時(shí)序數(shù)據(jù)的特征信息[7]。對(duì)于因果卷積，某一時(shí)刻的輸出只與該時(shí)刻和更早時(shí)間的輸入有關(guān)。

TCN 主要結(jié)構(gòu)為膨脹因果卷積。傳統(tǒng)的方法一直具有卷積神經(jīng)網(wǎng)絡(luò)固有的問題。為了有效克服上述缺點(diǎn)，研究人員提出了膨脹卷積，如圖1 所示。

圖1 TCN 結(jié)構(gòu)圖

TCN 處理數(shù)據(jù)序列的過程和膨脹卷積的處理過程相同。TCN 的卷積層比一般卷積神經(jīng)網(wǎng)絡(luò)(CNN)的卷積層要多，TCN 不斷增減卷積層的個(gè)數(shù)，從而形成一層比一層更大的膨脹系數(shù)和更大的卷積核。對(duì)于一維序列的輸入，卷積核可以通過濾波器系數(shù)k和膨脹系數(shù)d將感受野擴(kuò)張，則膨脹卷積運(yùn)算為[8]：

式中：f(j)為濾波器函數(shù)；s-dj為輸入序列中的歷史數(shù)據(jù)。

隨著網(wǎng)絡(luò)深度的增加，訓(xùn)練過程會(huì)變得越來越困難，誤差信號(hào)的多層反向傳播容易導(dǎo)致“梯度分散”或“梯度爆炸”現(xiàn)象。殘差網(wǎng)絡(luò)可以很好地解決該問題。圖2 為殘差單元的作用過程。

圖2 殘差單元

1.3 注意力機(jī)制

注意力機(jī)制可以在模型的不同時(shí)間點(diǎn)的狀態(tài)之間更好地建立依賴關(guān)系。注意力機(jī)制能夠?qū)θ四X注意力進(jìn)行模擬，通過對(duì)不同特征的加權(quán)，突出關(guān)鍵特征，提升模型性能，該方法在深度學(xué)習(xí)等領(lǐng)域已有大量應(yīng)用。注意力機(jī)制的定義是確定每個(gè)具體時(shí)間點(diǎn)生成的隱藏狀態(tài)yi，將向量xn作為狀態(tài)序列y的加權(quán)平均值，其公式可以表達(dá)為：

式中：N為輸入序列的總時(shí)間步數(shù)；αni為在時(shí)間步n上每個(gè)狀態(tài)yi計(jì)算的權(quán)重。

計(jì)算出向量后，可以使用向量來計(jì)算新的狀態(tài)序列M，其中權(quán)重αni可以由下式計(jì)算：

通過輸入的隱藏狀態(tài)ys和輸出的隱藏狀態(tài)yi計(jì)算注意力分?jǐn)?shù)，計(jì)算公式為：

聯(lián)系yi，使用tanh 函數(shù)計(jì)算最終輸出量：

1.4 VMD-TCN-Attention

1.4.1 TCN-Attention

在處理數(shù)量較大的數(shù)據(jù)時(shí)，可采用注意力機(jī)制提高隱藏層中關(guān)鍵特征的權(quán)重，以此從大量的數(shù)據(jù)信息中更加準(zhǔn)確地提取出關(guān)鍵信息。圖3 為TCN-Attention 原理圖，Xi為輸入序列；di為當(dāng)前輸入對(duì)歷史輸入隱藏層狀態(tài)的注意力權(quán)值，從圖中可以看出，TCN-Attention 結(jié)構(gòu)可以分為四層，分別為：輸入層、TCN 層、Attention 層、輸出層[9]。首先，將預(yù)處理后的數(shù)據(jù)輸入到TCN 層當(dāng)中；其次，Attention 層對(duì)TCN 層中的隱藏層的特征權(quán)重進(jìn)行加強(qiáng)，從而對(duì)輸入到TCN 層的數(shù)據(jù)進(jìn)行處理和分析；最后通過輸出層輸出預(yù)測(cè)結(jié)果。

圖3 TCN-Attention 結(jié)構(gòu)圖

TCN-Attention 模型流程圖如圖4 所示。

1.4.2 VMD-TCN-Attention

由于TCN-Attention 模型沒有CNN 的適應(yīng)能力強(qiáng)，調(diào)參較為麻煩，然而CNN 和TCN-Attention 容易受噪音值的干擾，且當(dāng)CNN 的網(wǎng)絡(luò)層太多時(shí)，修改網(wǎng)絡(luò)參數(shù)時(shí)會(huì)使接近輸入層的參數(shù)改動(dòng)較慢，采用梯度下降算法時(shí)容易使訓(xùn)練結(jié)果收斂于局部最小值而非全局最小值，池化層也會(huì)出現(xiàn)丟失大量有價(jià)值信息的現(xiàn)象，使局部與整體之間關(guān)聯(lián)性被忽略。故提出VMD 方法與TCN-Attention 方法相結(jié)合的方法，利用VMD 算法對(duì)鋰電池充放電數(shù)據(jù)進(jìn)行分解，得到若干個(gè)頻率不同、較隨機(jī)分量更穩(wěn)定的分量，再使用TCN-Attention 模型對(duì)鋰電池?cái)?shù)據(jù)進(jìn)行預(yù)測(cè)?；赩MD-TCN-Attention 的鋰電池壽命預(yù)測(cè)方法步驟如下：

(1)對(duì)原始數(shù)據(jù)進(jìn)行分析，使用等深分箱方法對(duì)數(shù)據(jù)中所出現(xiàn)的噪音值和異常值進(jìn)行處理；

(2)使用VMD 方法對(duì)預(yù)處理數(shù)據(jù)進(jìn)行分解，得到多個(gè)平穩(wěn)的固有模態(tài)分量IMF；

(3)將多個(gè)平穩(wěn)模態(tài)分量IMF分別輸入TCN-Attention 模型當(dāng)中，使用TCN-Attention 模型對(duì)分量進(jìn)行計(jì)算、分析及預(yù)測(cè)；

(4)選取誤差評(píng)價(jià)函數(shù)對(duì)得到的數(shù)據(jù)進(jìn)行誤差計(jì)算。

2 實(shí)驗(yàn)數(shù)據(jù)

2.1 數(shù)據(jù)介紹

本次研究基于美國馬里蘭大學(xué)先進(jìn)壽命周期工程研究中心(CALCE)的鋰電池充放電循環(huán)壽命實(shí)驗(yàn)數(shù)據(jù)。馬里蘭大學(xué)實(shí)驗(yàn)組將實(shí)驗(yàn)數(shù)據(jù)按時(shí)間分類存放在一系列excel 文件中，CS2 電池設(shè)置的工作溫度為恒定溫度(20～25 ℃)。CS2 電池實(shí)驗(yàn)過程可分為充電階段和放電階段。其中充電階段可以看為恒流充電階段，電流設(shè)定為0.55 A，電池電壓持續(xù)上升，當(dāng)測(cè)到電池電壓為截止電壓4.2 V 時(shí)充電模式改變，恒流充電轉(zhuǎn)變?yōu)楹銐撼潆?，電池電壓將?huì)保持在4.2 V，與此同時(shí)電流會(huì)逐漸減小，當(dāng)電流小于0.5 A 時(shí)，電池停止充電。放電階段時(shí)放電電流設(shè)置為0.55 A，當(dāng)測(cè)到電池電壓持續(xù)下降到2.7 V 時(shí)，電池停止放電，本次循環(huán)實(shí)驗(yàn)結(jié)束。此次研究從中采取1.1 A 的CS2 型號(hào)電池的4 組數(shù)據(jù)，分別為：CS-35、CS-36、CS-37 和CS-38，電池?cái)?shù)據(jù)文件中電池參數(shù)較多，如時(shí)間節(jié)點(diǎn)、測(cè)試時(shí)間、循環(huán)次數(shù)、電流、電壓、充電容量、放電容量、內(nèi)阻等。由于需要依靠每次循環(huán)的電池容量來判斷電池的使用壽命，則需計(jì)算出每次循環(huán)的鋰電池實(shí)際容量，即測(cè)量鋰電池的每次循環(huán)在恒流放電階段實(shí)際放出的電量，上述分析表明本次研究所使用的變量為放電容量。根據(jù)實(shí)驗(yàn)所需要數(shù)據(jù)的要求，提取放電數(shù)據(jù)作為本次研究的重點(diǎn)數(shù)據(jù)。

2.2 數(shù)據(jù)處理

文件中電池放電數(shù)據(jù)根據(jù)時(shí)間點(diǎn)被分為若干個(gè)部分，因此需用到安時(shí)積分法來計(jì)算每次循環(huán)的鋰電池的實(shí)際容量，安時(shí)積分法用于實(shí)時(shí)計(jì)算SOC的數(shù)值。安時(shí)積分法可以表達(dá)為：

式中：t為放電時(shí)間，放電電流為正。

由于在整個(gè)充放電循環(huán)過程中，實(shí)驗(yàn)組根據(jù)要求設(shè)置了一些記錄點(diǎn)，因此需要將積分過程轉(zhuǎn)化為積分累加過程，其公式為：

式中：m為放電過程中子階段的個(gè)數(shù)；k為第k個(gè)階段；i(k)為第k個(gè)階段的電流；t(k)和t(k+1)分別為第k和k+1階段的時(shí)間。

3 鋰電池壽命預(yù)測(cè)

3.1 循環(huán)次數(shù)與容量的關(guān)系

根據(jù)安時(shí)積分法對(duì)數(shù)據(jù)計(jì)算，可以得到4 組不同編號(hào)的電池實(shí)際容量和循環(huán)次數(shù)之間的關(guān)系圖，圖5 為電池實(shí)際容量隨著循環(huán)次數(shù)增加的變化趨勢(shì)圖。隨著循環(huán)次數(shù)的增加，電池的內(nèi)部會(huì)發(fā)生化學(xué)反應(yīng)，導(dǎo)致電池的實(shí)際容量持續(xù)下降。由于在測(cè)試過程中出現(xiàn)數(shù)據(jù)缺失和噪音等問題，故曲線會(huì)出現(xiàn)下垂直線線段。

圖5 4組電池容量變化圖

3.2 鋰電池SOH 預(yù)測(cè)和壽命預(yù)測(cè)

由于鋰電池的SOH與其電池本身的指標(biāo)密切相關(guān)，且電池的RUL能夠更直觀地反映出電池的老化程度及退化程度，故SOH和RUL之間存在著一定的對(duì)應(yīng)關(guān)系，因此可以結(jié)合SOH進(jìn)行RUL預(yù)測(cè)。SOH估算是一種用于判斷電池健康狀況的方法[10]，本文采用安時(shí)積分法來獲得每次循環(huán)電池實(shí)際容量，獲得電池實(shí)際容量后，除以電池的額定容量獲得電池的SOH，公式可以表達(dá)為：

式中：Qreal為當(dāng)前實(shí)際容量；QN為電池的額定容量。

鋰電池RUL指的是從初始時(shí)刻開始鋰電池的相關(guān)數(shù)據(jù)衰退到失效數(shù)值時(shí)所經(jīng)歷的時(shí)間或周期，RUL預(yù)測(cè)則是對(duì)經(jīng)過處理分析的充放電數(shù)據(jù)進(jìn)行歸納總結(jié)、分析研究，運(yùn)用相關(guān)算法模型預(yù)測(cè)出其在正常狀態(tài)下的終止循環(huán)值。

使用VMD 方法對(duì)SOH數(shù)據(jù)進(jìn)行分解，經(jīng)過數(shù)據(jù)研究與分析，將VMD 分解個(gè)數(shù)設(shè)置為4。圖6 為VMD 分解圖，由于圖像太多，以CS-35 為例。

圖6 VMD分解圖

對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)前，需對(duì)數(shù)據(jù)進(jìn)行劃分，通常分為兩類：訓(xùn)練集與測(cè)試集。訓(xùn)練集用于訓(xùn)練本文所構(gòu)建的模型，測(cè)試集用于檢驗(yàn)經(jīng)過訓(xùn)練的模型。結(jié)合本文數(shù)據(jù)分析需要，對(duì)于這兩類數(shù)據(jù)集選取可采取兩種比例，分別是5∶5 與6∶4。

將VMD 分解的分量按比例劃分傳入到TCN-Attention 模型中，利用TCN-Attention 模型對(duì)數(shù)據(jù)進(jìn)行電池壽命預(yù)測(cè)，并將VMD-TCN-Attention 的預(yù)測(cè)結(jié)果與TCN-Attention 的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，檢驗(yàn)本文方法的準(zhǔn)確性和精準(zhǔn)度。圖7 為TCN-Attention 的預(yù)測(cè)結(jié)果。圖8 為VMD-TCN-Attention 的預(yù)測(cè)結(jié)果。

圖7 TCN-Attention預(yù)測(cè)結(jié)果圖

圖8 VMD-TCN-Attention 預(yù)測(cè)結(jié)果圖

對(duì)圖7～8 分析可得，SOH預(yù)測(cè)值和實(shí)際值曲線之間都存在一些差距，因此兩種方法都有一定的誤差，然而基于VMDTCN-Attention 方法的SOH預(yù)測(cè)值曲線與實(shí)際值曲線重合率較好，因此基于TCN-Attention 方法的誤差值相對(duì)于基于VMD-TCN-Attention 方法的誤差值較大。故可以初步判定本文所提出的基于VMD-TCN-Attention 的鋰電池壽命預(yù)測(cè)方法能有效地對(duì)鋰電池容量衰減曲線進(jìn)行預(yù)測(cè)擬合。VMD-TCNAttention 模型中的Attention 機(jī)制可以較好地篩選對(duì)電池容量影響更大的特征向量，非線性擬合能力更強(qiáng)，解決了預(yù)測(cè)鋰電池SOH時(shí)誤差較大的問題，可以有效應(yīng)對(duì)隨機(jī)性強(qiáng)、影響因素眾多的容量變化。

4 實(shí)驗(yàn)結(jié)果分析及RUL 預(yù)測(cè)

為全面分析預(yù)測(cè)模型的有效性及準(zhǔn)確性，選取以下3 個(gè)指標(biāo)評(píng)估模型的性能。

均方誤差(MSE)為預(yù)測(cè)數(shù)據(jù)和原始數(shù)據(jù)偏差的平方和的均值，該指標(biāo)計(jì)算公式為：

平均絕對(duì)誤差(MAE)適用于預(yù)測(cè)值和實(shí)驗(yàn)值的誤差較為明顯的情況，平均絕對(duì)誤差可以避免誤差相互抵消的問題，能夠準(zhǔn)確地反映預(yù)測(cè)值與真實(shí)值的誤差，該指標(biāo)計(jì)算公式為：

均方根誤差(RMSE)是預(yù)測(cè)值與真實(shí)值偏差的平方和與樣本數(shù)比值的平方根。該指標(biāo)的計(jì)算公式為：

式中：n為樣本數(shù)；Rireal為第i個(gè)實(shí)際值；Ripre為第i個(gè)實(shí)際值所對(duì)應(yīng)的預(yù)測(cè)值。

為了進(jìn)一步檢測(cè)該方法的有效性，將基于VMD-TCNAttention 的鋰電池壽命預(yù)測(cè)方法的誤差與其他方法作比較，誤差比較匯總?cè)绫? 所示，誤差柱狀圖如圖9 所示。為方便對(duì)比，圖表中的方法采用符號(hào)代替，S1 表示基于多元線性回歸的鋰電池壽命預(yù)測(cè)方法；S2 表示基于TCN-Attention 的鋰電池壽命預(yù)測(cè)方法；S3 表示基于VMD-TCN-Attention 的鋰電池壽命預(yù)測(cè)方法。其中S2 和S3 的誤差分為兩種情況，分別為：訓(xùn)練集和測(cè)試集劃分比例為5∶5 和6∶4。

表1 誤差比較

圖9 誤差對(duì)比柱狀圖

圖7～9 和表1 可直觀地看出三種方法的預(yù)測(cè)性能，其中多元線性回歸方法的各項(xiàng)誤差較大，其次是基于TCNAttention 的鋰電池壽命預(yù)測(cè)方法，本文所提出的基于VMDTCN-Attention 的鋰電池預(yù)測(cè)方法預(yù)測(cè)結(jié)果更加接近真實(shí)的電池容量退化曲線，預(yù)測(cè)效果更好。且本文所提出的基于VMD-TCN-Attention 的鋰電池預(yù)測(cè)方法的MAE、MSE和RMSE更小，表示其誤差更小，預(yù)測(cè)精度更高。在四種電池?cái)?shù)據(jù)中，訓(xùn)練集和測(cè)試集劃分比例為6∶4 的模型MAE和RMSE值更小。因此，經(jīng)過綜合分析和對(duì)比，VMD-TCN-Attention 方法的預(yù)測(cè)精度高，適用性更廣，故可使用此方法對(duì)本次實(shí)驗(yàn)數(shù)據(jù)進(jìn)行RUL預(yù)測(cè)。

馬里蘭大學(xué)CALCE 設(shè)置SOH值低于0.8 時(shí)電池報(bào)廢。根據(jù)要求得出的RUL預(yù)測(cè)結(jié)果如表2 所示，并將RUL誤差與其他論文所研究的算法作比較，結(jié)果如表3 所示。

表2 RUL 預(yù)測(cè)結(jié)果

表3 RUL 預(yù)測(cè)結(jié)果誤差

對(duì)表2～3 分析可得，相對(duì)于其他算法，VMD-TCNAttention 方法的RUL預(yù)測(cè)誤差值更小，預(yù)測(cè)精準(zhǔn)度更高。其中訓(xùn)練集與測(cè)試集劃分比例為6∶4 時(shí)，誤差最小，能夠最大程度對(duì)數(shù)據(jù)進(jìn)行精準(zhǔn)預(yù)測(cè)。VMD-TCN-Attention 方法的RUL預(yù)測(cè)值誤差相對(duì)于相關(guān)向量機(jī)(RVM)算法降低了97%，相對(duì)于支持向量回歸(SVR)算法降低了98%。綜上所述，基于VMDTCN-Attention 的鋰電池壽命預(yù)測(cè)方法的精準(zhǔn)度較高，可行性較好，較其他方法能夠更準(zhǔn)確地對(duì)鋰電池壽命進(jìn)行預(yù)測(cè)。

5 結(jié)論

為了提高鋰電池壽命預(yù)測(cè)的精確度，本文提出一種基于VMD-TCN-Attention 的鋰電池壽命預(yù)測(cè)方法。該方法基于馬里蘭大學(xué)實(shí)驗(yàn)數(shù)據(jù)，將VMD 算法與TCN 算法相結(jié)合，且在TCN 算法中加入Attention 規(guī)則，從而實(shí)現(xiàn)壽命預(yù)測(cè)功能。實(shí)驗(yàn)結(jié)果表明，本文所提方法提高了鋰電池SOH預(yù)測(cè)的準(zhǔn)確率，進(jìn)一步改善了RUL的預(yù)測(cè)效果。