基于dropout-MC递归神经网络的锂电池剩余寿命预测

摘要：

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.

关键词：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

所属期刊栏目：13

分类号：U469.7(汽车工程)

资助基金：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

在线出版日期：2022-10-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：541-549