10.20030/j.cnki.1000-3932.202304013
基于并行CNN-Self attention&LSTM的锂电池RUL间接预测
针对锂离子电池难以在线测量直接健康因子(容量、内阻)进行剩余使用寿命(RUL)预测的现状,提出基于并行CNN-Self attention与LSTM组合的锂电池RUL间接预测方法.首先基于锂离子电池放电循环数据,利用灰度关联分析筛选出能够高度体现电池容量衰减的间接健康因子;然后分别对间接健康因子使用卷积神经网络(CNN)进行特征提取和自注意力机制(Self attention)调整特征权重得到对应的特征矩阵;最后融合特征矩阵,并使用长短期记忆(LSTM)网络进行锂电池RUL预测.使用NASA锂离子电池数据集进行实验,结果表明:与传统的CNN、LSTM和CNN-LSTM模型相比,并行CNN-Self attention&LSTM模型所得到的容量衰减曲线更接近实际容量衰减曲线,误差波动范围更小,在RMSE、MAE和R2系数3种评价指标上表现更优.
锂离子电池、剩余使用寿命、卷积神经网络、自注意力机制、长短期记忆网络、间接健康因子
50
TM912
国家自然科学基金61863016
2023-08-07（万方平台首次上网日期，不代表论文的发表时间）
共8页
486-492,556
