史永胜等：基于CEEMDAN-LSTM组合的锂离子电池寿命预测方法 993· 和鲁棒性 useful life prediction with multi-channel charging profiles.IEEE (2)通过与EMD-LSTM和LSTM及其他机 4 ccess,.2020,8:20786 器学习算法的对比，所提出的组合模型预测精 [10]Zhang Y Z,Xiong R,He H W,et al.Long short-term memory 度相对EMD-LSTM、LSTM模型均有一定的提 recurrent neural network for remaining useful life prediction 升，CEEMDAN-LSTM组合算法的最大MAPE不 of lithium-ion batteries.IEEE Trans Veh Technol,2018,67(7): 超过1.5%，平均相对误差在3%以内 5695 (3)因为引入CEEMDAN分解算法，影响了 [11]Wei H Y,An J J,Chen J,et al.RUL prediction of lithium-ion LSTM模型的训练时间，所以CEEMDAN-LSTM battery based on improved particle filtering algorithm.Automor 组合预测模型的训练时间与LSTM模型相比较 Eg,2019,41(12:1377 长.后续的工作将在此基础上改进，在提高预测精 (韦海燕，安品品，陈静，等.基于改进粒子滤波算法实现锂离子 度的同时也可以节省模型训练时间 电池RUL预测.汽车工程，2019,41(12)：1377) [12]Yu J B.State of health prediction of lithium-ion batteries: 参考文献 Multiscale logic regression and Gaussian process regression [Li L B,Ji L,Zhu Y Z,et al.Investigation of RUL prediction of ensemble.Reliab Eng Syst Saf,2018,174:82 lithium-ion battery equivalent cycle battery pack.ChinJ Eng, [13]Zhou Y P,Huang M H.Lithium-ion batteries remaining useful life 2020,42(6):796 prediction on a mixture of empirical mode decomposition and (李练兵，季亮，祝亚尊，等.等效循环电池组利余使用寿命预测 ARIMA model.Microelectron Reliab,2016,65:265 工程科学学报，2020,42(6)：796) [14]Li X Y,Zhang L,Wang Z P,et al.Remaining useful life prediction [2]Liu D T,Zhou J B,Liao H T,et al.A health indicator extraction for lithium-ion batteries based on a hybrid model combining the and optimization framework for lithium-ion battery degradation long short-term memory and Elman neural networks.J Energy modeling and prognostics.IEEE Trans Syst Man Cybern:Syst. Storage,2019,21:510 2015,45(6):915 [15]Sayah M,Guebli D,Al Masry Z,et al.Robustness testing [3]Pan H P,Lv Z Q,Fu B,et al.Online estimation of lithium-ion framework for RUL prediction Deep LSTM networks./S4 Trans, battery's state of health using extreme learning machine.Automot https://doi.org/10.1016/j.isatra.2020.07.003 Eng,2017,39(12):1375 [16]Wang C S.Lu N Y,Wang S L,et al.Dynamic long short-term (潘海鸿，吕治强，付兵，等.采用极限学习机实现锂离子电池健 memory neural-network-based indirect remaining-useful-life 康状态在线估算.汽车工程，2017,39(12)：1375) prognosis for satellite lithium-ion battery.App/Sci,2018,8(11): [4]Xiong R.Battery Management Algorithm for Electric Vehicles. 2078 Beijing:China Machine Press,2020 [17]Bruneo D,De Vita F.On the use of LSTM networks for predictive [5]Zhu J,Tan T X,Wu L F,et al.RUL prediction of lithium-ion maintenance in smart industries /2019 IEEE International battery based on improved DGWO-ELM method in a random Conference on Smart Computing (SMARTCOMP).Washington, discharge rates environment./EEE Access,2019,7:125176 2019:241 [6]Chen L,Chen J,Wang H M,et al.Prediction of battery remaining [18]Yan H R,Qin Y,Xiang S,et al.Long-term gear life prediction useful life based on wavelet packet energy entropy.Trans China based on ordered neurons LSTM neural networks.Measurement, Electrotech Soc,2020,35(8):1827 2020.165:108205 (陈琳，陈静，王惠民，等.基于小波包能量嫡的电池剩余寿命预 [19]Hu T Z,Yu J B.Life prediction of lithium-ion batteries based on 测.电工技术学报，2020,35(8)：1827) multiscale decomposition and deep leamning.J Zhejiang Univ Eng [7]Zhang Y Z.Xiong R.He H W.et al.Lithium-ion battery Sci,2019,53(10):1852 remaining useful life prediction with Box-Cox transformation and (胡天中，余建波.基于多尺度分解和深度学习的锂电池寿命预 Monte Carlo simulation.IEEE Trans Ind Electron,2019,66(2): 测.浙江大学学报：工学版，2019,53(10)：1852) 1585 [20]Zhang CL He YG.Yuan L F.Prediction approach for remaining [8]Yun Z H,Qin W H.Remaining useful life estimation of lithium- useful life of lithium-ion battery based on EEMD and MKRVM ion batteries based on optimal time series health indicator.IEEE Proc CSU-EPS4,2018,30(7):38 Acce8,2020,8:55447 (张朝龙，何怡刚，袁莉芬.基于EEMD和MKRVM的锂电池剩余 [9]Park K,Choi Y,Choi W J,et al.LSTM-based battery remaining 寿命预测方法.电力系统及其自动化学报，2018.30(7)：38)和鲁棒性. （ 2）通过与 EMD –LSTM 和 LSTM 及其他机 器学习算法的对比，所提出的组合模型预测精 度相对 EMD–LSTM、 LSTM 模型均有一定的提 升 ，CEEMDAN−LSTM 组合算法的最大 MAPE 不 超过 1.5%，平均相对误差在 3% 以内. （ 3）因为引入 CEEMDAN 分解算法 ，影响了 LSTM 模型的训练时间 ，所以 CEEMDAN−LSTM 组合预测模型的训练时间与 LSTM 模型相比较 长. 后续的工作将在此基础上改进，在提高预测精 度的同时也可以节省模型训练时间. 参    考    文    献 Li L B, Ji L, Zhu Y Z, et al. Investigation of RUL prediction of lithium-ion  battery  equivalent  cycle  battery  pack. Chin J Eng, 2020, 42（6）: 796 （李练兵, 季亮, 祝亚尊, 等. 等效循环电池组剩余使用寿命预测. 工程科学学报, 2020, 42（6）：796） [1] Liu D T, Zhou J B, Liao H T, et al. A health indicator extraction and  optimization  framework  for  lithium-ion  battery  degradation modeling  and  prognostics. IEEE Trans Syst Man Cybern: Syst, 2015, 45（6）: 915 [2] Pan  H  P,  Lv  Z  Q,  Fu  B,  et  al.  Online  estimation  of  lithium-ion battery’s state of health using extreme learning machine. Automot Eng, 2017, 39（12）: 1375 （潘海鸿, 吕治强, 付兵, 等. 采用极限学习机实现锂离子电池健 康状态在线估算. 汽车工程, 2017, 39（12）：1375） [3] Xiong  R. Battery Management Algorithm for Electric Vehicles. Beijing: China Machine Press, 2020 [4] Zhu  J,  Tan  T  X,  Wu  L  F,  et  al.  RUL  prediction  of  lithium-ion battery  based  on  improved  DGWO–ELM  method  in  a  random discharge rates environment. IEEE Access, 2019, 7: 125176 [5] Chen L, Chen J, Wang H M, et al. Prediction of battery remaining useful  life  based  on  wavelet  packet  energy  entropy. Trans China Electrotech Soc, 2020, 35（8）: 1827 （陈琳, 陈静, 王惠民, 等. 基于小波包能量熵的电池剩余寿命预 测. 电工技术学报, 2020, 35（8）：1827） [6] Zhang  Y  Z,  Xiong  R,  He  H  W,  et  al.  Lithium-ion  battery remaining useful life prediction with Box-Cox transformation and Monte  Carlo  simulation. IEEE Trans Ind Electron,  2019,  66（2）: 1585 [7] Yun Z H, Qin W H. Remaining useful life estimation of lithium￾ion  batteries  based  on  optimal  time  series  health  indicator. IEEE Access, 2020, 8: 55447 [8] [9] Park K, Choi Y, Choi W J, et al. LSTM-based battery remaining useful  life  prediction  with  multi-channel  charging  profiles. IEEE Access, 2020, 8: 20786 Zhang  Y  Z,  Xiong  R,  He  H  W,  et  al.  Long  short-term  memory recurrent  neural  network  for  remaining  useful  life  prediction of  lithium-ion  batteries. IEEE Trans Veh Technol,  2018,  67（7）: 5695 [10] Wei  H  Y,  An  J  J,  Chen  J,  et  al.  RUL  prediction  of  lithium-ion battery  based  on  improved  particle  filtering  algorithm. Automot Eng, 2019, 41（12）: 1377 （韦海燕, 安晶晶, 陈静, 等. 基于改进粒子滤波算法实现锂离子 电池RUL预测. 汽车工程, 2019, 41（12）：1377） [11] Yu  J  B.  State  of  health  prediction  of  lithium-ion  batteries: Multiscale  logic  regression  and  Gaussian  process  regression ensemble. Reliab Eng Syst Saf, 2018, 174: 82 [12] Zhou Y P, Huang M H. Lithium-ion batteries remaining useful life prediction  on  a  mixture  of  empirical  mode  decomposition  and ARIMA model. Microelectron Reliab, 2016, 65: 265 [13] Li X Y, Zhang L, Wang Z P, et al. Remaining useful life prediction for  lithium-ion  batteries  based  on  a  hybrid  model  combining  the long  short-term  memory  and  Elman  neural  networks. J Energy Storage, 2019, 21: 510 [14] Sayah  M,  Guebli  D,  Al  Masry  Z,  et  al.  Robustness  testing framework for RUL prediction Deep LSTM networks. ISA Trans, https://doi.org/10.1016/j.isatra.2020.07.003 [15] Wang  C  S,  Lu  N  Y,  Wang  S  L,  et  al.  Dynamic  long  short-term memory  neural-network-based  indirect  remaining-useful-life prognosis for satellite lithium-ion battery. Appl Sci, 2018, 8（11）: 2078 [16] Bruneo D, De Vita F. On the use of LSTM networks for predictive maintenance  in  smart  industries  //  2019 IEEE International Conference on Smart Computing (SMARTCOMP).  Washington, 2019: 241 [17] Yan  H  R,  Qin  Y,  Xiang  S,  et  al.  Long-term  gear  life  prediction based  on  ordered  neurons  LSTM  neural  networks. Measurement, 2020, 165: 108205 [18] Hu T Z, Yu J B. Life prediction of lithium-ion batteries based on multiscale decomposition and deep learning. J Zhejiang Univ Eng Sci, 2019, 53（10）: 1852 （胡天中, 余建波. 基于多尺度分解和深度学习的锂电池寿命预 测. 浙江大学学报: 工学版, 2019, 53（10）：1852） [19] Zhang C L, He Y G, Yuan L F. Prediction approach for remaining useful  life  of  lithium-ion  battery  based  on  EEMD  and  MKRVM. Proc CSU–EPSA, 2018, 30（7）: 38 （张朝龙, 何怡刚, 袁莉芬. 基于EEMD和MKRVM的锂电池剩余 寿命预测方法. 电力系统及其自动化学报, 2018, 30（7）：38） [20] 史永胜等： 基于 CEEMDAN–LSTM 组合的锂离子电池寿命预测方法 · 993 ·