基于1DCNN-LSTM的锂离子电池SOH预测

被引：36

作者：

王英楷

张红

王星辉

机构：

[1] 福州大学物理与信息工程学院

来源：

储能科学与技术 | 2022年 / 11卷 / 01期

关键词：

1DCNN; LSTM; 锂电池; 多通道特征; 电池寿命;

D O I：

10.19799/j.cnki.2095-4239.2021.0250

中图分类号：

TM912 [蓄电池];

学科分类号：

080802 [电力系统及其自动化];

摘要：

为了提高锂离子电池健康状态(SOH)的预测精准度和稳定性，针对常规特征选取复杂且无法有效利用等问题，提出了一种联合一维卷积(1DCNN)与长短记忆网络(LSTM)的电池SOH预测方法。首先采用多通道串联电压、电流、温度构建多维特征，然后采用1DCNN从样本数据中提取高级数据特征输入LSTM中以有效利用历史信息，最后通过全连接层输出电池SOH的预测结果。采用NASA锂离子电池容量衰减数据，对所应用的联合算法进行验证，结果表明，相较于其他预测算法，基于1DCNN-LSTM的算法具有更准确的SOH预测结果，其平均绝对误差(MAE)为0.01左右，且失效点误差周期(RUL)小于2个周期。

引用

页码：240 / 245

页数：6

共 11 条

[1]

Combined CNN-LSTM Network for State-of-Charge Estimation of Lithium-Ion Batteries..[J].Xiangbao Song;Fangfang Yang;Dong Wang 0001;Kwok-Leung Tsui.IEEE Access.2019,

[2]

Machine Learning-Based Lithium-Ion Battery Capacity Estimation Exploiting Multi-Channel Charging Profiles..[J].Yohwan Choi;Seunghyoung Ryu;Kyungnam Park;Hongseok Kim.IEEE Access.2019,

[3]

基于LSTM-SVR的锂电池健康状态预测研究 [J].