基于SESAE特征融合和BiLSTM的锂电池寿命预测
文档名：基于SESAE特征融合和BiLSTM的锂电池寿命预测
摘要：预测锂电池剩余使用寿命(RUL)时,针对电池外部特性参量电流、电压等单一的健康因子(HI)对电池退化特性无法完整覆盖的问题,提出一种结合通道注意力机制(SENet)和栈式自编码(SAE)进行特征融合并引入双向长短期记忆(BiLSTM)实现锂电池RUL的预测方法.充分提取锂电池电压、电流等HI.利用SAE对多个锂电池HI特征进行特征融合,并结合SENet通道注意力机制,增加重要特征在提取过程中的表现能力.利用BiLSTM网络对融合HI进行训练预测.采用NASA和马里兰大学计算机辅助寿命周期工程中心(CALCE)锂电池数据集进行验证,训练预测数据均采用50%的比例划分,预测结果的均方根误差(RMSE)平均值达到0.017.
作者：叶震李琨李梦男高宏宇Author：YEZhenLIKunLIMengnanGAOHongyu
作者单位：昆明理工大学信息工程与自动化学院,云南昆明650500
刊名：电源技术 ISTICPKU
Journal：ChineseJournalofPowerSources
年，卷(期)：2023, 47(6)
分类号：TM912
关键词：SENet栈式自编码特征融合双向长短期记忆网络电池寿命预测
机标分类号：TP39TP183G642.3
在线出版日期：2023年7月6日
基金项目：国家自然科学基金基于SE-SAE特征融合和BiLSTM的锂电池寿命预测[
期刊论文]电源技术--2023, 47(6)叶震李琨李梦男高宏宇预测锂电池剩余使用寿命(RUL)时,针对电池外部特性参量电流、电压等单一的健康因子(HI)对电池退化特性无法完整覆盖的问题,提出一种结合通道注意力机制(SENet)和栈式自编码(SAE)进行特征融合并引入双向长短期记忆(BiLSTM...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于SE-SAE特征融合和BiLSTM的锂电池寿命预测Life prediction of lithium battery based on SE-SAE feature fusion and BiLSTM
基于SE-SAE特征融合和BiLSTM的锂电池寿命预测.pdf
页:
[1]