基于SE-SAE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.

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

所属期刊栏目：47

分类号：TM912

资助基金：国家自然科学基金82160787

在线出版日期：2023-07-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：745-749