化工自动化及仪表2023，Vol.50Issue(4) ：486-492,556.DOI:10.20030/j.cnki.1000-3932.202304013

基于并行CNN-Self attention&LSTM的锂电池RUL间接预测

Indirect RUL Prediction of Lithium-ion Battery Based on Parallel CNN-Self attention and LSTM

李远博 王海瑞 叶鑫 朱贵富
化工自动化及仪表2023，Vol.50Issue(4) ：486-492,556.DOI:10.20030/j.cnki.1000-3932.202304013
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于并行CNN-Self attention&LSTM的锂电池RUL间接预测

Indirect RUL Prediction of Lithium-ion Battery Based on Parallel CNN-Self attention and LSTM

李远博 1王海瑞 1叶鑫 1朱贵富2
扫码查看

作者信息

  • 1. 昆明理工大学 信息工程与自动化学院
  • 2. 昆明理工大学 信息化建设管理中心
  • 折叠

摘要

针对锂离子电池难以在线测量直接健康因子(容量、内阻)进行剩余使用寿命(RUL)预测的现状,提出基于并行CNN-Self attention与LSTM组合的锂电池RUL间接预测方法.首先基于锂离子电池放电循环数据,利用灰度关联分析筛选出能够高度体现电池容量衰减的间接健康因子;然后分别对间接健康因子使用卷积神经网络(CNN)进行特征提取和自注意力机制(Self attention)调整特征权重得到对应的特征矩阵;最后融合特征矩阵,并使用长短期记忆(LSTM)网络进行锂电池RUL预测.使用NASA锂离子电池数据集进行实验,结果表明:与传统的CNN、LSTM和CNN-LSTM模型相比,并行CNN-Self attention&LSTM模型所得到的容量衰减曲线更接近实际容量衰减曲线,误差波动范围更小,在RMSE、MAE和R2系数3种评价指标上表现更优.

关键词

锂离子电池/剩余使用寿命/卷积神经网络/自注意力机制/长短期记忆网络/间接健康因子

Key words

lithium-ion battery/residual service life/CNN/self-attention mechanism/LSTM/indirect health indictor

引用本文复制引用

基金项目

国家自然科学基金(61863016)

出版年

2023
化工自动化及仪表
天华化工机械及自动化研究设计院有限公司

化工自动化及仪表

CSTPCD
影响因子：0.355
ISSN：1000-3932
参考文献量6
段落导航相关论文