基于CNN-Bi-LSTM网络的锂离子电池剩余使用寿命预测
锂离子电池的剩余使用寿命(RUL)预测可以评估电池的可靠性,降低电池使用的风险并为电池维护提供理论依据.结合卷积神经网络(CNN)与双向长短期记忆(Bi-LSTM)网络的优点,提出一种考虑多种寿命衰退特征与数据时序性的CNN-Bi-LSTM网络模型用于锂离子电池RUL预测.通过仿真得到CNN超参数,选择相关性高的特征参数作为预测输入量,最后在NASA锂离子电池老化数据集上进行仿真实验.实验结果表明CNN-Bi-LSTM网络模型能准确预测锂离子电池RUL,与其他网络模型相比,具有网络模型参数少、占用内存小的优势,在精确度和收敛性上都有较好表现.
锂离子电池;卷积神经网络;双向长短期记忆网络;剩余使用寿命预测
41
TM911
国家自然科学基金资助项目51607068
2021-10-29(万方平台首次上网日期,不代表论文的发表时间)
共7页
213-219