改进NGO优化MVMD-BiLSTM的锂电池剩余使用寿命预测OA

为解决锂电池剩余使用寿命RUL(remaining useful life)预测过程中存在的噪声干扰、容量增生导致模型预测精度低的问题,提出1种将参数优化后的多元变分模态分解MVMD(multivariate variational modal decomposition)和双向长短期记忆BiLSTM(bi-directional long and short-term memory)网络相结合的RUL预测方法。从锂电池充放电过程中提取多个健康因子HF(health factor)作为模型输入,将正余弦优化算法和鲸鱼螺旋捕食机制结合引进北方苍鹰优化算法,利用其对MVMD参数寻优。然后利用寻优后的MVMD分解HF为若干个平稳分量,最后利用寻优后的多层BiLSTM进行预测,叠加求和得出最终RUL结果。应用NASA和CALCE数据集与其他方法进行对比分析,结果表明所提方法具有更高的预测精度和泛化适应性。