文档名：基于SCSSACNNBiLSTM的行驶工况下锂电池寿命预测
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SCSSA-CNN-BiL-STM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(sine-cosineandCauchymutationsparrowsearchalgorithm,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,SCSSA-CNN-BiLSTM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.
Abstract：Aslithium-ionbatteriesbecomeincreasinglypopular,thebatterylifepredictionisofcrucialimportance.Accuratepredictionoftheremainingusefullife(RUL)oflithium-ionbatteriesisacriticalpartoftheirhealthmanagement.Inlightofthis,thispaperproposesanalgorithmSCSSA-CNN-BiLSTM,amingtoperformRULpredictionforlithium-ionbatteriesusedonelectricvehicles.Bycombiningconvolutionalneuralnetworks(CNN),bidirectionallongshort-termmemory(BiLSTM),andsine-cosineandcauchymutationsparrowsearchalgorithm(SCSSA),ouralgorithmformsanovelhybridneuralnetworkthatenhancestheaccuracyandstabilityofRULpredictionsforlithium-ionbatteries.CNNisemployedforcomprehensiveextractionofdeepfeaturesrelatedtothestateofhealth(SOH)ofthebatteries,whileBiLSTMinvestigatesthesedeepfeaturesbidirectionallyandgeneratesRULpredictionsthroughdenselayers.Tovalidatetheeffectivenessoftheproposedapproach,batterydatafromNASAarecomparedwithmultiplecommonlyusedmodels.Ourresearchresultsshowthehybridmodelimprovesthecoefficientofdetermination(R2)by4％～23％andreducestheRULabsoluteerrorto1,demonstratingahigherpredictionaccuracy.ThecyclicexperimentsareconductedlateronvehiclesunderCLTCdynamicconditions,andpredictionsaremadeonbatterylifedegradation.OurresultsrevealtheSCSSA-CNN-BiLSTMmodelyieldsarootmeansquareerror(RMSE)of1.64A·handanR2valueof0.98,deliveringstrongpredictiveandgeneralizationperformances.
作者：刘泽宇 彭泽源 韩爱国 Author：LIUZeyu PENGZeyuan HANAiguo
作者单位：武汉理工大学汽车工程学院,武汉430070;现代汽车零部件技术湖北省重点实验室,武汉430070武汉理工大学汽车工程学院,武汉430070;现代汽车零部件技术湖北省重点实验室,武汉430070;武汉理工大学湖北省新能源与智能网联车工程技术研究中心,武汉430070
刊名：重庆理工大学学报
Journal：JournalofChongqingInstituteofTechnology
年，卷(期)：2024, 38(1)
分类号：TM911
关键词：锂离子电池 电动汽车 健康状态 剩余寿命预测 优化算法
Keywords：lithium-ionbatteries electricvehicles healthstate remaininglifeprediction optimizationalgorithm
机标分类号：
在线出版日期：2024年3月6日
基金项目：国家重点研发计划基于SCSSA-CNN-BiLSTM的行驶工况下锂电池寿命预测[
期刊论文] 重庆理工大学学报--2024, 38(1)刘泽宇 彭泽源 韩爱国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SCSSA-CNN-BiL-STM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...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SCSSA-CNN-BiLSTM的行驶工况下锂电池寿命预测 Lithium-ion battery life prediction under driving conditions based on SCSSA-CNN-BiLSTM
基于SCSSA-CNN-BiLSTM的行驶工况下锂电池寿命预测.pdf
- 文件大小:
- 6.93 MB
- 下载次数:
- 60
-
高速下载
|
|
