信息与控制

作者：高德欣, 刘欣, 杨清

关键词：锂离子电池, 剩余使用寿命预测, 融合神经网络, 一维卷积神经网络, 双向长短期记忆

针对锂离子电池剩余使用寿命(remaining useful life, RUL)传统预测方法的精确度与稳定性较低等问题, 融合卷积神经网络(convolutional neural network, CNN)和双向长短期记忆(bidirectional long short-term memory, BiLSTM)神经网络的特点, 设计一种锂离子电池剩余使用寿命预测方法。为了充分使用电池数据的时间序列特性, 使用一维卷积神经网络(one-dimensional convolutional neural network, 1D CNN)提取锂离子电池容量数据深层特征, 利用BiLSTM神经网络的记忆功能保留数据中的重要信息, 预测电池RUL变化趋势。通过采用NASA(National Aeronautics and Space Administration)的锂离子电池数据, 与1D CNN模型、LSTM模型、BiLSTM模型、1D CNN-LSTM模型进行预测对比。经实验结果表明, 1D CNN-BiLSTM具有更高的预测稳定性和精度。

来源：2022年第3期

《信息与控制》期刊编辑部

查看信息与控制杂志2022年第3期