A Lithium-Ion Battery Capacity and RUL Prediction Fusion Method Based on Decomposition Strategy and GRU

Huihan Liu、Yanmei Li、Laijin Luo、Chaolong Zhang

论文原文 ↗来源页面 ↗

4. A Lithium-Ion Battery Capacity and RUL Prediction Fusion Method Based on Decomposition Strategy and GRU

论文基本信息

字段 内容
DOI/URL/PDF MDPI全文页;未取得 PDF 链接链接,尝试DOI提取失败后读取MDPI HTML全文。
发现来源 Crossref;source_history=Crossref;query=battery RUL prediction。
期刊 Batteries,2023,9(6),323。
发表日期 MDPI页列2023-06-11;payload/Crossref题录日期为2023-06-12,保留此一日差异并以出版社页为准。
作者/机构 Huihan Liu、Yanmei Li、Laijin Luo;Anqing Normal University电子工程与智能制造学院;Chaolong Zhang;Jinling Institute of Technology智能科学与控制工程学院。
通讯作者 Yanmei Li;MDPI页面以星号标注并列为通讯作者。
脚本评分/证据等级 83;标题直指容量与RUL,评分还包含期刊/开放获取等元数据项;全文级。
核验路径 payload无PDF;直接DOI抓取失败,随后访问MDPI HTML全文,核验作者、方法、实验、指标、标签和数据可用性声明。

纳入理由与原文证据

  • 主题/边界: 同时预测锂离子电池容量衰退与RUL,属于核心寿命预测任务。
  • 证据: 全文写明容量信号先经PE-VMD拆分趋势与局部波动,再分别由双高斯模型和GRU预测;MDPI全文。

数据集/电池体系

  • 体系/数据: 四个样本:实验室S5(石墨/LFP)、NASA电池5/6(石墨/LNCA)和CALCE的CX2-37(LiCoO₂);其中S5为自建平台数据,另三者来自公开库。
  • 工况/跨域: S5在25°C、NASA样本约24°C、CALCE室温;电芯形状、额定容量与充放电倍率不同。文中称统一以额定容量70%为EOL标准。

EOL/RUL/SOH 定义

  • 目标/定义: RUL由预测容量达到额定容量70%的循环数计算;四例EOL循环分别为137、54、43、1021。RUL绝对误差单位为循环。
  • 未来信息风险: 文章先对容量序列做PE-VMD分解,再切分训练/测试;若分解使用整条寿命序列,可能把未来形态信息带入训练,需检查其是否严格因果。

模型方法

  • 流程: PE判定VMD模态数 → 低频全局退化趋势用双高斯容量模型及LM-PF拟合 → 高频局部波动由GRU预测,BAS优化学习率 → 合成容量轨迹并换算RUL。
  • 部署: 文中讨论模型计算量与车载BMS适用性,但未提供硬件实测时延或能耗。

验证设计

  • 划分/泛化: 每个电芯前50%寿命用于训练、其余用于测试,另与PF、GRU及文献算法比较;没有电芯间独立留出,测试主要是同一电芯的后半程外推。
  • 可信度: 中低;数据跨来源且有比较实验,但样本仅4个,且先分解后切分构成重要未来信息风险。

指标与结果

  • 容量预测表中四例RMSE为0.0103、0.0083、0.0142、0.0053,MAPE均低于1%(原文未明确RMSE量纲/归一化尺度);RUL绝对误差分别为1、0、1、2个循环。数字仅适用于这四个案例。

泄漏风险、复现性与局限性

  • 泄漏风险: 高/待复核;先用完整序列做非因果VMD再按时间切分,可能引入测试段信息;建议以仅使用训练前缀的滚动分解重做。
  • 复现性: 中;全文给出算法、数据来源和指标,但Data Availability写“Not applicable”,S5原始数据、代码与随机种子未确认开放。
  • 局限性: ①每类来源仅少数电芯;②同电芯后半程测试不等同跨电芯泛化;③阈值和工况差异限制横向比较。

是否值得跟进

  • 结论: 强烈跟进。
  • 理由与下一步: 混合趋势/波动建模清晰且全文可读,RUL误差按循环报告。复现时先修正VMD时序泄漏,再按电芯留出并检查EOL标签是否与输入预处理一致。
查看关键词分类依据
  • RUL prediction · 标题包含「rul」
    A Lithium-Ion Battery Capacity and RUL Prediction Fusion Method Based on Decomposition Strategy and GRU
  • Capacity fade / trajectory prediction · 摘要包含「degradation prediction」
    fluctuation sequences. Afterward, the global degradation prediction model is established by employing the double Gaussian aging model proposed in t
  • GRU · 标题包含「gru」
    n Method Based on Decomposition Strategy and GRU
  • Generic neural network / deep learning · 摘要包含「neural network」
    e Gaussian model, and a gated recurrent unit neural network (GRU NN). Specifically, the PE−VMD algorithm is first utilized to perform a noi
  • Hybrid model · 标题包含「fusion」
    hium-Ion Battery Capacity and RUL Prediction Fusion Method Based on Decomposition Strategy and GRU
  • Self-built / experimental dataset · 摘要包含「experimental」
    ttery capacity and RUL prediction studies on experimental data from three sources, and its accuracy is also compared with prediction algo
  • Li-ion / LIB · 标题包含「lithium-ion」
    A Lithium-Ion Battery Capacity and RUL Prediction Fusion Method Based on Decomposition Strate