锂电池SOH与RUL联合预测

容量自恢复与模型漂移适应

提出一种融合KAN、DBLSTM与自适应机制的联合预测方法，有效抑制长期预测中的误差积累，在容量自恢复和模型漂移场景下保持高精度趋势预测。

家承 · Zhifei, Li · 王争东 · 刘贞报 · Vong, Chiman

IEEE Internet of Things Journal 2025

参数信息

预测误差

0.008

技术优势

长期预测仍准

自适应机制根据预测步长调整，抑制误差累积，使长期预测趋势更贴合实际。

误差更小

非线性逼近能力与时间特征学习相结合，预测精度优于其他方法。

应用场景

• 锂离子电池健康管理：实时监测电池健康状态，及时发现异常。
• 电池管理系统预测性维护：提前预测剩余寿命，安排维护计划。
• 储能系统状态监测：监测储能电池状态，保障系统稳定运行。
• 无人机电池寿命预测：预测无人机电池寿命，避免飞行中失效。