基于CNN-LSTM的锂电池剩余寿命(RUL)间接预测研究

被引：40

作者：

陈赐阳

陈德旺

机构：

[1] 福州大学数学与计算机科学学院

来源：

电源技术 | 2021年 / 45卷 / 05期

关键词：

剩余使用寿命; 锂电池; 卷积神经网络; 长短时记忆神经网络; 健康因子;

D O I：

暂无

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：

为了实现对锂离子电池剩余使用寿命(RUL)的实时在线监测并改善预测精度,提出一种基于CNN-LSTM的锂电池RUL间接预测模型。通过灰色关联分析法选定等压降放电时间构建健康因子,用NASA公开的锂电池数据集中的B0005、B0006电池放电周期数据训练出电池容量退化模型和等压降放电时间预测模型,最后结合这两个CNNLSTM模型为锂电池RUL间接预测模型。实验结果表明该模型具有很好的准确性和鲁棒性,并且模型的实时性和间接预测具有良好现实意义。

引用

页码：589 / 594

页数：6

共 9 条

[1]

A Data-Driven Predictive Prognostic Model for Lithium-ion Batteries based on a Deep Learning Algorithm [J].

Khumprom, Phattara ;

Yodo, Nita .

ENERGIES, 2019, 12 (04)

[2]

A Neural-Network-Based Method for RUL Prediction and SOH Monitoring of Lithium-Ion Battery..[J].Jiantao Qu;Feng Liu;Yuxiang Ma;Jiaming Fan.IEEE Access.2019,

[3]

基于CNN-LSTM混合模型的入侵检测算法研究 [J].