基于健康因子和CNN-BiLSTM的锂离子电池健康状态预测

摘要

为提高锂离子电池的健康状态(SOH)监测精度，避免电池潜在的故障，本文提出一种基于健康因子的卷积神经网络(CNN)结合改进双向长短期记忆网络(BiLSTM)的联合模型预测电池SOH.首先，通过NASA公开电池数据集提取5个与电池老化高度相关的健康因子作为SOH特征；其次，构建联合网络模型，CNN层负责提取电池充放电特征因子数据的空间特征，BiLSTM层负责捕捉数据中不同特征之间的相关性，注意力机制负责对输入变量进行权重分配；最后，对单一电池数据集和同类电池数据集进行训练预测评价.仿真结果表明：联合模型估计锂电池SOH时，最大绝对误差(MAE)分布在0.015以内，平均绝对误差(AAE)和均方根误差(RMAE)分布在0.01以内，具有较高的精度和较好的普适性.

关键词

长短期记忆网络 / 卷积神经网络 / 健康因子 / 健康状态估计

基金资助

江苏省产业前瞻与关键核心技术项目(BE2022053-2); 江苏省现代农业重点及面上项目(BE2021339); 南京林业大学青年科技创新基金项目(CX2019018); 江苏省特种设备安全监督检验研究院吴江院项目(KI(Y)2023042)