基于长短期记忆网络的锂电池循环寿命预测附视频

被引：6

作者：

王军祥

机构：

[1] 福建船政交通职业学院信息与智慧交通学院

来源：

成都大学学报(自然科学版) | 2020年 / 03期

关键词：

锂电池; 长短期记忆; 循环寿命; 预测;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算]; TM912 [蓄电池];

学科分类号：

080802 [电力系统及其自动化]; 140502 [人工智能];

摘要：

目前针对锂电池的研究已经成为全球的研究热点.其中,一个重要的研究就是锂电池循环寿命的预测.循环寿命的预测可以大大地缩短循环寿命检测周期,节约开发成本.通过建立长短期记忆预测模型,有效地模拟锂电池循环寿命的检测过程从而得到其循环寿命,并将该模型与BP神经网络及SVR模型进行对比,验证了其在锂电池循环寿命预测上的有效性和优越性.

引用

页码：282 / 285

页数：4

共 7 条

[1]

基于CPSO-RVM的锂电池剩余寿命预测方法 [J].

张朝龙 ;

何怡刚 ;

袁莉芬 .

系统仿真学报, 2018, 30 (05) :1935-1940

[2]

深度学习框架下LSTM网络在短期电力负荷预测中的应用 [J].

陈亮 ;

王震 ;

王刚 .

电力信息与通信技术, 2017, 15 (05) :8-11

[3]

基于贝叶斯LS-SVR的锂电池剩余寿命概率性预测 [J].

陈雄姿 ;

于劲松 ;

唐荻音 ;

王英勋 .

航空学报, 2013, 34 (09) :2219-2229

[4]

Lithium-ion battery state of health monitoring and remaining useful life prediction based on support vector regression-particle filter[J] Hancheng Dong;Xiaoning Jin;Yangbing Lou;Changhong Wang Journal of Power Sources 2014,

[5]

Health diagnosis and remaining useful life prognostics of lithium-ion batteries using data-driven methods[J] Adnan Nuhic;Tarik Terzimehic;Thomas Soczka-Guth;Michael Buchholz;Klaus Dietmayer Journal of Power Sources 2013,

[6]

Intelligent prognostics for battery health monitoring based on sample entropy[J] Achmad Widodo;Min-Chan Shim;Wahyu Caesarendra;Bo-Suk Yang Expert Systems With Applications 2011,

[7]

Travel time forecasting with combination of spatial-temporal and time shifting correlation in CNN-LSTM Neural Network Wei W;Jia X;Liu Y;et al; APWebWAIM 2018 2018,

← 1 →