10.3969/j.issn.1674-8484.2022.03.016
基于dropout-MC递归神经网络的锂电池剩余寿命预测
为保障电动车辆的可靠性和安全性,提出了一种dropout Monte Carlo(dropout-MC)递归神经网络的锂离子动力电池系统的剩余寿命(RU L)预测方法.以等电压充电时间间隔作为间接健康因子,考虑外部干扰和容量再生现象的影响,以变分模态分解(VMD)来获得电池退化趋势.以改进的递归神经网络模型——长短时间序列(LSTM)来获得剩余寿命预测.以dropout-MC采样方法来表征锂离子电池剩余寿命的不确定性,并获得锂离子电池RUL的95%置信区间.结果表明:相较于传统的极限学习机(ELM)方法和非线性自回归神经网络(NARX)方法,该文方法的剩余寿命预测性能指标均低于2.4%.因而,该方法具有优越的预测性能,且获得预测的置信区间.
车辆安全、锂离子电池、剩余寿命(RUL)、变分模态分解(VMD)、dropout Monte Carlo (dropout-MC)方法、递归神经网络
13
U469.7(汽车工程)
陕西省科技创新团队;陕西省青年科技新星项目;中央高校基金优秀博士论文资助项目;河南省杰出外籍科学家工作室
2022-10-14(万方平台首次上网日期,不代表论文的发表时间)
共9页
541-549