查看更多>>摘要:电池健康状态(state of health,SOH)和剩余使用寿命(remaining useful life,RUL)是评价电池健康程度和剩余寿命的重要技术指标.SOH 和RUL的估计是电池管理系统的重要组成部分,是实现电池管理系统智能监控和科学运营的基础.电池电化学阻抗谱(electrochemical impedance spectroscopy,EIS)是一种用于表征电池内部电化学过程的测试方法,它具备精度高和非侵入性损害等优点.多种研究表明,电池阻抗谱 EIS与电池的 SOH 和 RUL存在一些内在的联系,因此成为电化学领域的研究热点.基于EIS预测SOH 和RUL,传统机器学习方法比较成熟,但预测精度和稳定性仍有局限,难以完全挖掘电池衰减规律.因此,需要与深度学习等方法相结合才能提高预测性能.将降维模型和多种深度学习模型引入 SOH 和 RUL预测领域,并对模型进行有效组合,取得了很好的效果.将EIS所有频率对应的实部和虚部数据依次排列作为频率特征,首先使用主成分分析(principle component analysis,PCA)模型对 EIS值进行降维,提炼出 10 个精炼的主成分,然后使用卷积神经网络(convolution neural network,CNN)模型提取 EIS的空间特征,使用双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)模型提取 EIS时间序列变化规律,使用注意力(attention)机制进一步选取 EIS 数据的时空特征中的重要部分,共同预测SOH 和 RUL.在测试数据上进行实验表明,SOH 预测的均方误差(root mean square error,RMSE)达到 0.146 8,RUL预测的均方误差达到 2.614 5,效果均好于传统的方法.