APP下载

基于VMD-GPR的锂离子电池健康状态预测研究

2021-03-12徐位君

南方农机 2021年5期
关键词:模态模型

曾 镖,徐位君,谈 宸

(荆楚理工学院电子信息工程学院,湖北 荆门 448000)

0 引言

锂离子电池具有能量密度大、输出功率高、无污染、无记忆效应、自放电小等优点,已成为当前新能源汽车主要应用的电池类型。而电池的健康与否,在很大程度上决定了电动汽车性能的优劣。

目前,已有人工智能相关方法应用于锂离子电池健康状态预测。例如依靠神经网络等人工智能方法对电池的荷电状态进行预测[1];通过改进的各类优化算法对建立预测模型进行超参数寻优,提升模型的预测准确度[2];改变模型输入的参数,对各类影响因素进行相关性分析,选取合适的因素作为训练输入[3]。但都未分开考虑复杂运行环境给锂离子电池带来的多方影响[4]。

本文将采集到的锂离子电池的电压和内阻作为模型输入,通过锂离子电池的容量来表征其健康状态并作为模型输出,构建基于VMD-GPR的铅酸锂离子电池的健康状态预测模型。通过分解将各类影响因素分开,对各分量分别构建预测模型,最后通过集成算法得到最终的预测模型。

1 变分模态分解

变 分 模 态 分 解 (Variational Mode Decomposition,VMD)算法通过自适应迭代将原信号分解成N个本征模态函数(Intrinsic Mode Function,IMF),在满足各IMF累加等于原始信号f(t)的条件下,使各IMF带宽之和最小[5]。其具体的求解步骤如下所述:

1)将初始信号f(t)分解为N个分量相应的约束变分方程为:

其中:ui(t)、wi分别为分解得到的第i个本征模态分量及其中心频率,б(t)为狄拉克函数。

2)引入拉格朗日乘子,把约束变分问题转化为非约束变分问题。……

登录APP查看全文

猜你喜欢

模态模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
3D打印中的模型分割与打包
车辆CAE分析中自由模态和约束模态的应用与对比
FLUKA几何模型到CAD几何模型转换方法初步研究
高速颤振模型设计中颤振主要模态的判断
基于HHT和Prony算法的电力系统低频振荡模态识别
由单个模态构造对称简支梁的抗弯刚度
多模态话语模态的协同及在外语教学中的体现
一个相似模型的应用