基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命预测方法

张楚; 王熠炜; 张越; 陈佳雷; 彭甜

doi:doi:10.19912/j.0254-0096.tynxb.2024-1219

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命预测方法

更新时间：2025-12-10

- 基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命预测方法
- 基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命预测方法
- 太阳能学报 2025年第11期页码：98-108
- 作者机构：
- 作者简介：
- 基金信息：
  
  国家自然科学基金（62303191;62306123）;江苏省自然科学基金（BK20191052）;江苏省高校自然科学基金面上项目（23KJD480001）
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1219
  中图分类号： M912
- 网络出版：2025-12-04，
  
  纸质出版：2025-12-04
- 稿件说明：
移动端阅览
张楚, 王熠炜, 张越, 等. 基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命预测方法[J]. 太阳能学报, 2025,(11):98-108.

张楚, 王熠炜, 张越, et al. 基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命预测方法[J]. 2025, (11): 98-108.
张楚, 王熠炜, 张越, 等. 基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命预测方法[J]. 太阳能学报, 2025,(11):98-108. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1219.

张楚, 王熠炜, 张越, et al. 基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命预测方法[J]. 2025, (11): 98-108. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1219.

摘要

提出一种基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命（RUL）预测方法。首先

采用核主成分分析（KPCA）对原始数据实施降维与去冗余操作

以提取关键特征。随后

构建一个基于TimesNet的深度学习模型来评估电池的RUL。为进一步提升模型性能

结合改进的堆优化算法（IHBO）对TimesNet模型的超参数进行优化。此外

引入误差校正机制来提高预测精度。实验结果表明

该方法在预测锂电池RUL方面具有较高的准确性

其均方根误差（RMSE）达到1.9937次

优于传统的时间序列模型。

Abstract

This paper proposes a method for predicting the remaining useful life （RUL） of lithium-ion batteries based on an improved heap-based optimizer （HBO） and a TimesNet neural network. Firstly

kernel principal component analysis （KPCA） is used to perform dimensionality reduction and redundancy removal on the raw data to extract key features. Subsequently

a deep learning model based on TimesNet is constructed to evaluate the RUL of the battery. To further improve the performance of the model

the hyperparameters of the TimesNet model are optimized using the improved heap-based optimizer （IHBO）. In addition

an error correction mechanism is introduced to enhance the prediction accuracy. Experimental results show that this method has high accuracy in predicting the RUL of lithium-ion batteries

with a root mean square error（RMSE） of 1.9937 time

which is superior to traditional time-series models.

关键词

Keywords

references

GENG J X, GAO S F, SUN X, et al.Potential of electric vehicle batteries second use in energy storage systems: the case of China[J]. Energy, 2022, 253: 124159.

尹杰, 刘博, 孙国兵, 等. 基于迁移学习和降噪自编码器-长短时间记忆的锂离子电池剩余寿命预测[J]. 电工技术学报, 2024, 39(1): 289-302.

郭小强, 郑见杰, 张晓明. 基于电化学模型的锂离子电池寿命预测分析[J]. 电源技术, 2023, 47(5): 650-652.

谢奕展, 程夕明. 锂离子电池简化电化学模型理论误差分析研究[J]. 机械工程学报, 2022, 58(22): 37-55.

SONG Y C, LIU D T, HOU Y D, et al.Satellite lithium-ion battery remaining useful life estimation with an iterative updated RVM fused with the KF algorithm[J]. Chinese journal of aeronautics, 2018, 31(1): 31-40.

XIONG R, SUN F C, CHEN Z, et al.A data-driven multi-scale extended Kalman filtering based parameter and state estimation approach of lithium-ion polymer battery in electric vehicles[J]. Applied energy, 2014, 113: 463-476.

肖周晓. 基于模型和数据融合方法的锂离子电池剩余使用寿命预测[D]. 武汉: 华中科技大学, 2022.

DUAN W X, SONG S X, XIAO F, et al.Battery SOH estimation and RUL prediction framework based on variable forgetting factor online sequential extreme learning machine and particle filter[J]. Journal of energy storage, 2023, 65: 107322.

韦海燕, 陈静, 王惠民, 等. 新陈代谢灰色粒子滤波实现电池剩余寿命预测[J]. 电工技术学报, 2020, 35(6): 1181-1188.

LI X, MA Y, ZHU J J.An online dual filters RUL prediction method of lithium-ion battery based on unscented particle filter and least squares support vector machine[J]. Measurement, 2021, 184: 109935.

贺宁, 张思媛, 李若夏, 等. 基于高斯混合集合卡尔曼滤波器的锂电池剩余使用寿命预测[C]//2022中国自动化大会. 厦门, 中国, 2022.

刘亚姣, 刘振泽, 宋晨辉. 基于改进粒子滤波的锂离子电池RUL预测[J]. 吉林大学学报(信息科学版), 2018, 36(2): 173-177.

黄凯, 丁恒, 郭永芳, 等. 基于数据预处理和长短期记忆神经网络的锂离子电池寿命预测[J]. 电工技术学报, 2022, 37(15): 3753-3766.

ZHOU Y P, HUANG M H.Lithium-ion batteries remaining useful life prediction based on a mixture of empirical mode decomposition and ARIMA model[J]. Microelectronics reliability, 2016, 65: 265-273.

王小明, 何叶, 王路路, 等. 基于DWD-SVR模型的锂离子电池剩余使用寿命预测[J]. 太阳能学报, 2025, 46(2): 52-59.

YANG P, YANG H D, MENG X B, et al.Joint evaluation and prediction of SOH and RUL for lithium batteries based on a GBLS booster multi-task model[J]. Journal of energy storage, 2024, 75: 109741.

ANSARI S, AYOB A, HOSSAIN LIPU M S, et al. Optimized data-driven approach for remaining useful life prediction of lithium-ion batteries based on sliding window and systematic sampling[J]. Journal of energy storage, 2023, 73: 109198.

夏向阳, 吕崇耿, 吴小忠, 等. 基于混合模型的储能用锂离子电池剩余寿命预测方法研究[J]. 太阳能学报, 2024, 45(10): 726-735.

梁佳佳, 何晓霞, 肖浩逸. 基于CS-DBN的锂电池剩余寿命预测[J]. 太阳能学报, 2024, 45(3): 251-259.

AL-QIZWINI M, BARJASTEH I, AL-QASSAB H, et al.Deep learning algorithm for autonomous driving using GoogLeNet[C]//2017 IEEE Intelligent Vehicles Symposium (IV). Los Angeles, CA, USA, 2017: 89-96.

何冰琛,杨薛明,王劲松,等. 基于PCA-GPR的锂离子电池剩余使用寿命预测[J]. 太阳能学报, 2022, 43(5): 484-491.

ASKARI Q, SAEED M, YOUNAS I.Heap-based optimizer inspired by corporate rank hierarchy for global optimization[J]. Expert systems with applications, 2020, 161: 113702.

THARWAT A, ELHOSENY M, HASSANIEN A E, et al.Intelligent Bézier curve-based path planning model using chaotic particle swarm optimization algorithm[J]. Cluster computing, 2019, 22(2): 4745-4766.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于CEEMDAN和GA-BILSTM的锂离子电池剩余使用寿命预测

基于多尺度分解和多模型融合的锂电池剩余使用寿命预测

考虑多时间尺度特性的锂离子电池建模与参数辨识

风力机轴承剩余寿命预测的解释性深度学习方法