10.19562/j.chinasae.qcgc.2023.02.002
实车数据驱动的锂电池剩余使用寿命预测方法研究
锂离子动力电池剩余使用寿命(RUL)预测对于认识全生命周期电动汽车的安全和可靠性、改善电池管理系统的设计具有重要意义.通常基于深度学习的时序预测方法,本质上是一个递推的过程,每一次预测的误差会随预测次数增加而累积,难以保证预测精度和预测效率.基于深度学习序列预测和误差分析理论,建立一种ARI?MA-EDLSTM融合模型的锂电池RUL预测方法,使用编码器-解码器(ED)框架改进长短时记忆神经网络模型(LSTM)构建从序列到序列预测的EDLSTM模型,并融合ARIMA模型预测误差趋势,进而修正最终预测结果.理论分析和实车采集数据验证表明,该方法在预测比例超过历史数据总量35%的情况下,仍然能较好地拟合实车SOH衰退曲线,有效提高锂电池剩余使用寿命的预测精度.
锂离子动力电池、剩余使用寿命预测、数据驱动、深度学习
45
TH165.3;TP399;TP206.3
国家重点研发计划;广东省科技计划;全国车辆事故深度调查体系;新能源汽车事故调查协作网资助
2023-03-14(万方平台首次上网日期,不代表论文的发表时间)
共8页
175-182