重庆理工大学学报(自然科学) ›› 2024, Vol. 38 ›› Issue (1): 308-318.
刘泽宇,彭泽源,韩爱国
摘要: 随着锂离子电池广泛应用,电池寿命预测的重要性日益突显。锂离子电池剩余寿命(RUL)的准确预测是其健康管理的关键组成部分。基于此提出了一种名为SCSSACNNBiLSTM的算法,旨在实现应用于整车的锂离子电池RUL预测。采用卷积神经网络(CNN)和双向长短时记忆神经网络(BiLSTM),并结合了正余弦和柯西变异的麻雀优化算法(sinecosineandCauchymutationsparrowsearchalgorithm,SCSSA),形成了一种新型的混合神经网络,以提高锂离子电池RUL预测的准确性和稳定性。CNN用于电池健康状态(SOH)深度特征的全面提取,而BiLSTM以双向方式研究这些深度特征,并通过密集层生成锂离子电池的RUL预测。为验证所提出方法的有效性,首先使用NASA的电池数据,将多个常用模型与所提出的混合神经网络模型进行比较。研究结果显示,混合模型的决定系数(R2)提高了4%~23%,RUL绝对误差降至1,这表明模型具备更高的预测准确性。随后,在整车层面进行了CLTC动态工况下的循环试验,并对寿命衰减数据进行了预测。最终的结果显示,SCSSACNNBiLSTM模型对应的均方根误差(RMSE)、R2分别为1.64、0.98Ah,展现出了良好的预测和泛化性能。
中图分类号: