文档名：基于BiLSTMSTW神经网络的锂电池剩余容量预测
摘要：针对锂电池剩余容量预测精度无法满足当前工程应用的问题,结合双向长短时记忆网络(bi-directionallongshort-termmemory,BiLSTM)与滑动时间窗口(slidingtimewindow,STW)算法的优点,提出一种电池剩余容量预测方法.首先分析BILSTM神经网络和STW算法原理,构建了BiLSTM-STW神经网络模型,采用自适应矩优化算法(adaptivemomentestimation,Adam)对模型超参数进行优化,实现模型修正;然后选取美国国家航空航天局(NationalAeronauticsSpaceandAdministration,NASA)埃姆斯研究中心锂电池数据,对数据进行处理并选取容量衰减特征数据作为神经网络的预测输入量;最后利用构建的神经网络对NASA锂电池数据集进行剩余容量预测实验.实验结果表明,所构建的神经网络模型能够精确预测锂电池的剩余容量,相比LSTM神经网络模型有更好的精确度.
作者：姚俊荣 唐学用 李庆生 Author：YAOJunrong TANGXueyong LIQingsheng
作者单位：贵州大学电气工程学院,贵州贵阳550025;贵州电网有限责任公司电网规划研究中心,贵州贵阳550003贵州电网有限责任公司电网规划研究中心,贵州贵阳550003
刊名：电源技术 ISTICPKU
Journal：ChineseJournalofPowerSources
年，卷(期)：2023, 47(7)
分类号：TM912
关键词：锂电池 双向长短时记忆网络 滑动时间窗口 剩余容量预测 神经网络
Keywords：lithiumbattery bidirectionallongandshort-termmemorynetwork slidingtimewindow remainingcapacityprediction neuralnetwork
机标分类号：TP391V476H315.9
在线出版日期：2023年8月7日
基金项目：基于BiLSTM-STW神经网络的锂电池剩余容量预测[
期刊论文] 电源技术--2023, 47(7)姚俊荣 唐学用 李庆生针对锂电池剩余容量预测精度无法满足当前工程应用的问题,结合双向长短时记忆网络(bi-directionallongshort-termmemory,BiLSTM)与滑动时间窗口(slidingtimewindow,STW)算法的优点,提出一种电池剩余容量预测方法.首...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BiLSTM-STW神经网络的锂电池剩余容量预测 Remaining capacity prediction of lithium battery based on BiLSTM-STW neural network
基于BiLSTM-STW神经网络的锂电池剩余容量预测.pdf
- 文件大小:
- 2.06 MB
- 下载次数:
- 60
-
高速下载
|
|
