文献类型：期刊文章

作　　者：王义[1] 刘欣[1] 高德欣[1]

Wang Yi;Liu Xin;Gao Dexin(School of Automation and Electronic Engineering,Qingdao University of Science and Technology,Qingdao 266061,China)

机构地区：[1]青岛科技大学自动化与电子工程学院,青岛266061

出　　处：《电子测量技术》

基　　金：国家自然科学基金(61673357);山东省重点研发计划项目(公益类)(2019GGX101012);山东省高等学校科学技术计划项目(J18KA323);山东省研究生导师指导能力提升项目(SDYY18092)资助。

年　　份：2021

卷　　号：44

期　　号：20

起止页码：1-5

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对锂电池健康状态(SOH)估计与剩余寿命(RUL)预测问题,设计一种基于双向长短期记忆(BiLSTM)神经网络模型的预测方法。首先,提取美国国家航空航天局(NASA)锂电池的容量数据,将容量数据转为SOH数据并作为模型输入数据。其次,建立双层BiLSTM神经网络,使用加速自适应矩估计算法(Nadam)优化函数动态调整学习率。然后,通过BiLSTM神经网络模型分析锂电池数据,建立电池容量、SOH和RUL之间的联系。最后,全连接层输出电池SOH的估计曲线,从而预测其剩余寿命。通过NASA数据进行预测实验,BiLSTM神经网络的RUL预测误差稳定在3以内,SOH预测曲线的拟合度稳定在94.211%~95.839%,BiLSTM神经网络具有更高的鲁棒性和准确性。

关 键 词：锂电池 健康状态估  剩余寿命预测 双向长短期记忆  

分 类 号：TM911]