文献类型：期刊文章

作　　者：郝可青[1] 吕志刚[2,3] 邸若海[2] 朱鸿杰[2]

HAO Ke-qing;LÜZhi-gang;DI Ruo-hai;ZHU Hong-jie(School of Ordnance Science and Technology,Xi'an Technological University,Xi'an 710021,China;School of Electronics and Information Engineering,Xi'an Technological University,Xi'an 710021,China;School of Mechatronic Engineering,Xi'an Technological University,Xi'an 710021,China)

机构地区：[1]西安工业大学兵器科学与技术学院,西安710021 [2]西安工业大学电子信息工程学院,西安710021 [3]西安工业大学机电工程学院,西安710021

出　　处：《科学技术与工程》

基　　金：国家自然科学基金(62171360);西安市智能兵器重点实验室(2019220514SYS020CG042);电子信息系统复杂电磁环境效应国家重点实验室基金(CEMEE2020Z0202B);陕西省自然科学基础研究计划(2020JQ-816);装备发展部快速扶持项目(80902010302)。

年　　份：2022

卷　　号：22

期　　号：29

起止页码：12900-12908

语　　种：中文

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

摘　　要：为确保锂电池在军用无人机以及新能源汽车使用期间的安全性,需要对其进行全生命周期的健康监测和寿命预测。针对长短期记忆神经网络(long short-term memory, LSTM)模型参数较难选取导致所建立的锂电池剩余使用寿命预测方法精度不足问题,提出了一种基于鲸鱼优化算法(whale optimization algorithm, WOA)对LSTM的剩余寿命预测模型进行优化。首先,使用WOA算法对LSTM的隐含层神经元数量、学习率进行寻优,避免经验选取参数的盲目性;其次,将寻优后的超参数重新赋值给LSTM网络,构建与锂电池数据特征更为匹配的预测模型;最后,采用NASA PCoE实验室锂电池的失效数据集验证算法的有效性。仿真结果表明,所提出的预测模型相较于LSTM模型、Elman模型、PSO-LSTM模型的精度平均分别提升了7%、4%、3%,具有较好的预测效果。

关 键 词：锂离子电池 剩余使用寿命  鲸鱼优化算法  长短期记忆神经网络  

分 类 号：TP183]