基于BiLSTM-STW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-directional long short-term memory,BiLSTM)与滑动时间窗口(sliding time window,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(adaptive moment estimation,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(National Aeronautics Space and Administration,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.

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

所属期刊栏目：47

分类号：TM912

在线出版日期：2023-08-07（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：889-893