Hybrid 1DCNN-LSTM model for predicting lithium ion battery state of health

WANG Yingkai ,, ZHANG Hong ,, WANG Xinghui ,

College of Physics and Information Engineering FuZhou University, Fuzhou 350116, Fujian, China

傳統(tǒng)化石能源日益枯竭且?guī)?lái)了嚴(yán)峻的環(huán)境污染。中國(guó)碳中和的遠(yuǎn)景目標(biāo)對(duì)可再生新能源的革命帶來(lái)了新的機(jī)遇與挑戰(zhàn)。動(dòng)力鋰離子電池作為替代傳統(tǒng)燃油汽車的主要方案，是新能源革命的重中之重。為了有效地提升鋰離子電池的利用率，在電池層面，可通過(guò)優(yōu)化電池材料以提升能量密度和循環(huán)性能，在電池組層面，可通過(guò)有效監(jiān)測(cè)鋰電池健康狀態(tài)(SOH)來(lái)優(yōu)化電池管理系統(tǒng)[1]。

目前鋰離子電池健康預(yù)測(cè)(SOH)中，主要是采用模型和數(shù)據(jù)驅(qū)動(dòng)的方式[2, 4]。焦自權(quán)等[5]對(duì)歷史數(shù)據(jù)進(jìn)行貝葉斯跟蹤訓(xùn)練，優(yōu)化辨識(shí)的電池老化模型參數(shù)，然后采用改進(jìn)的PF算法對(duì)電池的健康狀態(tài)進(jìn)行預(yù)測(cè)，但電池健康衰減模型的選擇影響著算法的精度。而數(shù)據(jù)驅(qū)動(dòng)的方式，不需要通過(guò)深入電池內(nèi)部的物理化學(xué)反應(yīng)，僅通過(guò)外部的特征選取和特征表達(dá)，能很好地表征出電池SOH的變化情況，Choi[6]等聯(lián)合多通道充電剖面與深度學(xué)習(xí)，提出的基于電壓、電流和溫度分布的多通道技術(shù)，結(jié)合長(zhǎng)短記憶網(wǎng)絡(luò)(LSTM)處理時(shí)序趨勢(shì)問(wèn)題，提高了電池SOH預(yù)測(cè)精度。但構(gòu)建只是充電的多通道，沒(méi)有考慮放電過(guò)程中的特征表達(dá)，且直接輸入長(zhǎng)短期記憶網(wǎng)絡(luò)中，無(wú)法充分利用數(shù)據(jù)與數(shù)據(jù)之間的高維特征。

針對(duì)上述分析，本文將結(jié)合一維卷積神經(jīng)網(wǎng)絡(luò)(1DCNN)與長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)的優(yōu)勢(shì)，融合CNN處理高維度數(shù)據(jù)和LSTM處理時(shí)序問(wèn)題的優(yōu)勢(shì)，預(yù)測(cè)鋰離子電池SOH[7]。傳統(tǒng)預(yù)測(cè)性能的好壞很大程度取決于人工提取的數(shù)據(jù)特征的質(zhì)量，為了獲得相關(guān)度高的特征，往往在數(shù)據(jù)處理上需要專業(yè)的經(jīng)驗(yàn)知識(shí)和人工的提取過(guò)程。但是面對(duì)較為復(fù)雜和龐大的數(shù)據(jù)庫(kù)時(shí)，簡(jiǎn)單的模型無(wú)法深入提取高維的數(shù)據(jù)特征，且無(wú)法充分利用充放電過(guò)程中不同傳感器采集的數(shù)據(jù)。為了更大程度地挖掘鋰離子電池健康因子的數(shù)據(jù)信息，擬將每個(gè)充放電周期的電壓、電流、溫度在一定的采樣周期內(nèi)進(jìn)行平均化處理，根據(jù)充放電的周期串聯(lián)成高維度特征。結(jié)合1DCNN進(jìn)行特征提取輸入到長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)中，該方法充分利用輸入數(shù)據(jù)的關(guān)鍵特征信息，還能將歷史信息和當(dāng)前輸入信息很好地映射到當(dāng)前SOH的預(yù)測(cè)中。

1 電池SOH影響因素研究

鋰離子電池雖然擁有高的能量密度、可重復(fù)利用的優(yōu)點(diǎn)，但是在充放電能量交換過(guò)程中不可避免地產(chǎn)生電解液等材料的消耗，這個(gè)物理化學(xué)的反應(yīng)過(guò)程無(wú)疑會(huì)引起鋰離子電池的性能衰減，從而影響鋰離子電池的剩余壽命。鋰離子電池的SOH定義式為

式中，Ci為電池所能保持的實(shí)際電池容量；Ce為電池的額定容量；SOH會(huì)隨著充放電的過(guò)程會(huì)發(fā)生明顯的變化。

圖1為鋰離子電池在第1周期和第160周期的充電曲線，可見(jiàn)電壓、電流、溫度在第1個(gè)周期和第160個(gè)周期的充電曲線出現(xiàn)明顯的偏移。此前王宇勝等[8]只對(duì)電壓進(jìn)行特征工程，僅僅采用單個(gè)周期的平均放電電壓、電壓變化率等作為主要特征向量，忽略電流、溫度的影響。較為復(fù)雜的特征工程，往往需要進(jìn)行人為的特征篩選和提取，不便于實(shí)際場(chǎng)所的使用。所以在電池健康的影響因素中引入多通道的特征，只需要將采樣點(diǎn)平均化處理，串聯(lián)成高維特征矩陣，避免對(duì)初始數(shù)據(jù)過(guò)多的修飾。

圖1

圖1  第1和160周期特征變化

Fig. 1  Characteristic changes in cycles 1 and 160

2 算法介紹

2.1　卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)[9]主要是用于模式的識(shí)別和特征提取，主要應(yīng)用在圖像識(shí)別、計(jì)算機(jī)視覺(jué)領(lǐng)域，CNN可以通過(guò)卷積層的設(shè)置，提取到輸入信息之間更高維度的信息特征。典型的CNN由輸入層、卷積層、池化層、輸出層構(gòu)成，卷積層的濾波器通過(guò)合適的窗口大小及滑動(dòng)步長(zhǎng)進(jìn)行特征提取，再經(jīng)過(guò)池化層的平均化處理后的高級(jí)特征輸出到全連接層，實(shí)現(xiàn)回歸預(yù)測(cè)或是分類。卷積的計(jì)算式如下

式中，xil表示輸出值的第l層的第i個(gè)特征向量；Wil表示第l層的第i個(gè)濾波器的權(quán)重矩陣；*運(yùn)算符號(hào)表示卷積運(yùn)算的過(guò)程；Xl-1表示l-1層的運(yùn)算輸出；bil為運(yùn)算式的偏置項(xiàng)；f表示激活函數(shù)，這里選用ReLu作為激活函數(shù)，CNN可以通過(guò)非線性的激活函數(shù)來(lái)近似擬合現(xiàn)實(shí)生活中的非線性問(wèn)題。

池化層主要進(jìn)行下采樣，通過(guò)對(duì)空間信息的合并，在保證重要信息的基礎(chǔ)上降低維度，這里采用的是最大池化，如式(3)所示，yil+1指經(jīng)過(guò)池化層后l+1層的第i個(gè)特征圖的元素；Dj指池化的區(qū)域；xij表示該池化區(qū)域內(nèi)的元素。

yil+1(j)=max xij(k),k∈Dj

(3)

2.2　長(zhǎng)短記憶網(wǎng)絡(luò)

LSTM[10]是一種具有記憶功能的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)算法，它能有效避免RNN梯度消失或梯度爆炸的問(wèn)題，LSTM可以對(duì)時(shí)序數(shù)據(jù)進(jìn)行精確的建模，廣泛用于自然語(yǔ)言處理領(lǐng)域。鋰離子電池的SOH隨著時(shí)間的推移會(huì)發(fā)生衰減，故采用LSTM對(duì)鋰電池的SOH進(jìn)行預(yù)測(cè)。LSTM單個(gè)單元如圖2所示，主要由3種門結(jié)構(gòu)構(gòu)成：輸入門、輸出門和遺忘門。

圖2

圖2  LSTM單個(gè)門

Fig. 2  LSTM single gate

式中，Wi輸入節(jié)點(diǎn)的權(quán)重矩陣；hk-1為k-1時(shí)刻的輸出值；xk為k時(shí)刻輸入到LSTM中的輸入值；bi為偏置項(xiàng)；σ為激活函數(shù)，這里選用Sigmoid函數(shù)。

式中，Wo指輸出的權(quán)重矩陣；hk-1為k-1時(shí)刻的輸出值；xk為k時(shí)刻輸入到LSTM中的輸入值；bo為偏置項(xiàng)；σ為激活函數(shù)，這里選用Sigmoid函數(shù)。

遺忘門主要是通過(guò)對(duì)歷史信息的控制，對(duì)當(dāng)前時(shí)態(tài)的LSTM單元產(chǎn)生影響

式中，Wf為遺忘門的權(quán)重矩陣；hk-1為k-1時(shí)刻的輸出值；xk為k時(shí)刻輸入到LSTM中的輸入值；bf為遺忘門偏置項(xiàng)；σ為激活函數(shù)。

2.3　1DCNN-LSTM算法

CNN主要是采用二維卷積(2DCNN)處理二維圖像問(wèn)題，而鋰離子電池的衰老過(guò)程一般是依存于使用時(shí)間的連續(xù)演化過(guò)程，因此鋰離子電池健康因子一般是基于時(shí)間序列的一維數(shù)據(jù)。為了保留輸入LSTM中的時(shí)序信息，這里采用的是一維時(shí)間序列(1DCNN)對(duì)鋰離子電池特征信息進(jìn)行卷積處理，避免了時(shí)間信息的割裂[11]。

CNN一般在卷積層后連接Flatten層降維再輸出到全連接層，其中Flatten操作是將二維的數(shù)據(jù)平鋪成一維度的過(guò)程，此時(shí)會(huì)損失部分特征。而本研究采用的1DCNN-LSTM算法中，1DCNN與LSTM之間僅用池化層連接，實(shí)現(xiàn)最大程度高維特征的提取，同時(shí)，降低維度輸入到LSTM當(dāng)中。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，V、I、T表示當(dāng)前充放周期的電壓、電流和溫度，采樣點(diǎn)平均化處理，串聯(lián)成60維度的輸入矩陣。隱藏層由1DCNN和LSTM組成，最后連接到全連接層，輸出為單個(gè)SOH的預(yù)測(cè)值，中間引入隨機(jī)丟棄機(jī)制層(dropout=0.3)，該機(jī)制可以隨機(jī)丟棄神經(jīng)元之間的權(quán)重，降低對(duì)單一神經(jīng)元的依賴，并降低輸入的鋰離子電池健康特征的噪聲影響。

圖3

圖3  1DCNN-LSTM架構(gòu)

Fig. 3  1 DCNN LSTM architecture

系統(tǒng)模型的流程如圖4所示。首先，將167個(gè)周期的充放電數(shù)據(jù)中電壓、電流、溫度間隔平均化處理，再串聯(lián)成60維度的特征，構(gòu)成的多通道鋰離子電池模型，充分考慮電壓、電流、溫度在不同周期的變化過(guò)程，且只需要進(jìn)行平均化處理，無(wú)需人為的復(fù)雜特征工程，平均化處理的過(guò)程也能防止數(shù)據(jù)在短時(shí)間內(nèi)的震蕩。其次，根據(jù)滑動(dòng)窗口(TIMESTEP=3)進(jìn)行數(shù)據(jù)的構(gòu)造，1DCNN通過(guò)一維卷積層提取電池充放電的高級(jí)信息，并通過(guò)池化層(Maxpooling)降低特征維度，既避免了輸入LSTM數(shù)據(jù)的復(fù)雜度，又加快LSTM網(wǎng)絡(luò)的訓(xùn)練速度。再次，借由LSTM對(duì)于時(shí)序問(wèn)題的優(yōu)秀處理能力，LSTM層設(shè)置兩層，神經(jīng)元個(gè)數(shù)為256，并引入dropout層，設(shè)置為0.3，優(yōu)化器選用Adam，最后得到最優(yōu)模型。

圖4

圖4  模型流程

Fig. 4  The process of the model

3 實(shí)驗(yàn)驗(yàn)證

3.1　實(shí)驗(yàn)數(shù)據(jù)集以及預(yù)處理

本次研究采用的數(shù)據(jù)是來(lái)自美國(guó)航天局所提供的Battery Data Set數(shù)據(jù)集[12]，電池的類型為18650鈷酸鋰電池，額定容量為2 A·h。鋰電池的老化實(shí)驗(yàn)主要經(jīng)歷兩個(gè)過(guò)程：充電、放電。充電過(guò)程主要是以1.5 A的恒定電流模式充電至電壓達(dá)到4.2 V，后續(xù)用恒壓模式繼續(xù)充電直至電流下降到20 mA；放電模式則是以恒定電流模式進(jìn)行放電，直至電池電壓達(dá)到設(shè)定值，根據(jù)設(shè)定值的不同，進(jìn)行不同情況的老化，5號(hào)電池截止電壓為2.7 V，6號(hào)電池截止電壓為2.5 V，7號(hào)電池截止電壓為2.2 V，如圖4所示為不同電池的老化衰減情況，鋰電池在168個(gè)充放電周期衰減到額定容量的70%，通常70%的額定容量被認(rèn)為是電池老化的閾值，鋰電池在性能退化的過(guò)程中，會(huì)出現(xiàn)容量突變上升，是因?yàn)殇囯姵卦谛菹⑵谥形锢砘瘜W(xué)反應(yīng)的松弛，實(shí)現(xiàn)鋰離子的再生，且同種電池會(huì)出現(xiàn)初始容量有差異的問(wèn)題，這些不可避免的老化過(guò)程給電池健康的預(yù)測(cè)帶來(lái)了困難。

圖5

圖5  NASA電池衰減趨勢(shì)

Fig. 5  Decay trend for NASA battery

數(shù)據(jù)劃分后，需要對(duì)特征進(jìn)行歸一化處理。電池健康(SOH)保持在0～1，而電壓、電流、溫度的取值范圍比較大，為了提高訓(xùn)練的效率，需要將訓(xùn)練集中的特征進(jìn)行歸一化處理，歸一化公式如下

式中，x’為歸一化后的值；x為樣本值；xmin為樣本的最小值；xmax為樣本的最大值，歸一化處理后可以保證樣本在0～1。由于可用的數(shù)據(jù)集是有限的，需要充分利用可用的數(shù)據(jù)集。因此，在3個(gè)數(shù)據(jù)集中，選擇兩個(gè)電池組以及剩余電池組前80個(gè)循環(huán)周期作為訓(xùn)練集，其余的一個(gè)電池組后50個(gè)周期作為測(cè)試集，并重復(fù)此過(guò)程得到3次測(cè)試結(jié)果。

3.2　實(shí)驗(yàn)結(jié)果和分析

為了更好地評(píng)估整個(gè)模型的性能指標(biāo)，引入平均絕對(duì)誤差(MAE)和平均百分比誤差(MAPE)來(lái)評(píng)價(jià)鋰離子電池健康狀態(tài)預(yù)測(cè)模型的結(jié)果。評(píng)價(jià)公式如下

MAE(X,h)=1N∑i=1mh(xi)-yi

(8)

MAPE(X,h)=1Nh(xi)-yiyi×100%

(9)

式中，h(xi)指模型對(duì)于SOH的預(yù)測(cè)值；yi為電池SOH實(shí)際值；N為樣本的總數(shù)；Cp為模型對(duì)于失效點(diǎn)的預(yù)測(cè)周期；Cr為電池真實(shí)失效點(diǎn)周期；RUL為失效點(diǎn)預(yù)測(cè)的誤差。

表1為各個(gè)算法指標(biāo)在不同電池之間的表現(xiàn)，從中可見(jiàn)，在MAE和MAPE的指標(biāo)上，1DCNN-LSTM算法上明顯優(yōu)于純粹的LSTM算法。在B5電池上，MAE和MAPE上分別下降了0.0228%和1.68%，失效閾值的預(yù)測(cè)值誤差，1DCNN-LSTM準(zhǔn)確預(yù)測(cè)出失效點(diǎn)，而LSTM預(yù)測(cè)誤差可達(dá)到8個(gè)周期；在B6電池上，MAE和MAPE上分別下降了0.013%和1.19%，失效閾值的預(yù)測(cè)值誤差，1DCNN-LSTM預(yù)測(cè)誤差基本在2個(gè)周期左右，而LSTM預(yù)測(cè)誤差可達(dá)到7個(gè)周期；在預(yù)測(cè)周期為80個(gè)點(diǎn)時(shí)，相較于預(yù)測(cè)50個(gè)周期，少了30個(gè)循環(huán)周期作為訓(xùn)練樣本，MAPE和MAE誤差有所提高，對(duì)于LSTM算法預(yù)測(cè)擬合度和準(zhǔn)確性有所下降，但是對(duì)于聯(lián)合1DCNN-LSTM，仍能保持良好的預(yù)測(cè)性能。就總體而言，1DCNN-LSTM的聯(lián)合算法明顯更優(yōu)于LSTM算法。

表1  算法指標(biāo)

Table 1  Algorithm indicators

數(shù)據(jù)50個(gè)預(yù)測(cè)點(diǎn)80個(gè)預(yù)測(cè)點(diǎn)MAEMAPE/%CrCPRULMAEMAPE/%CrCPRULB5LSTM0.0322.3125117-80.0382.68125112-131DCNN-LSTM0.00920.6212512500.0130.911251250B6LSTM0.0241.911011770.0362.12110120101DCNN-LSTM0.0110.7111011110.0151.021101122B7LSTM0.0352.69710360.0402.897111141DCNN-LSTM0.0130.83979920.021.13971036

新窗口打開(kāi)|下載CSV

圖6分別為B5、B6電池在50個(gè)預(yù)測(cè)點(diǎn)和80個(gè)預(yù)測(cè)點(diǎn)下的1DCNN-LSTM與LSTM擬合曲線，可見(jiàn)，在初始的容量衰減周期里，與電池的實(shí)際容量的曲線幾乎重合，證明了多通道電池健康因子的可靠以及LSTM算法的短期記憶能力，但是隨著預(yù)測(cè)充放電周期的延長(zhǎng)，純粹的LSTM出現(xiàn)明顯偏離實(shí)際的容量曲線，導(dǎo)致最終失效點(diǎn)的預(yù)測(cè)誤差加大，而一維卷積(1DCNN)在處理一維的鋰電池充放電數(shù)據(jù)上能保留更多的有效信息，使得預(yù)測(cè)結(jié)果能準(zhǔn)確貼合電池容量衰減曲線，所以在鋰電池健康狀態(tài)估計(jì)上有更明顯的優(yōu)勢(shì)。

圖6

圖6  電池SOH預(yù)測(cè)對(duì)比

Fig. 6  Comparison of battery SOH prediction

4 結(jié)論

本文提出結(jié)合1DCNN和LSTM算法對(duì)鋰離子電池的容量衰減趨勢(shì)進(jìn)行有效預(yù)測(cè)。主要結(jié)論如下。

（1）文中提出利用充放電多通道特征信息，構(gòu)成了多維時(shí)間序列數(shù)據(jù)，僅采用平均采樣，避免復(fù)雜的特征工程，便于現(xiàn)實(shí)場(chǎng)景的應(yīng)用；

（2）采用了1DCNN進(jìn)行時(shí)序特征的進(jìn)一步提取，結(jié)合LSTM保留歷史信息實(shí)現(xiàn)對(duì)于電池健康狀態(tài)的準(zhǔn)確估計(jì)，而且在訓(xùn)練集數(shù)據(jù)減少的情況下對(duì)失效點(diǎn)預(yù)測(cè)結(jié)果影響不大；

（3）該方法相較于單一的LSTM在MAPE、MAE以及RUL指標(biāo)上有更高的精度和更好的擬合度。在B5、B6數(shù)據(jù)集中，1DCNN-LSTM在50個(gè)周期和80個(gè)周期的失效點(diǎn)預(yù)測(cè)誤差在2個(gè)周期以內(nèi)，MAPE和MAE分別低至1.12%和0.01。

參考文獻(xiàn)

[1]

劉大同, 宋宇晨, 武巍, 等. 鋰離子電池組健康狀態(tài)估計(jì)綜述[J]. 儀器儀表學(xué)報(bào), 2020, 41(11): 1-18.

[本文引用: 1]

LIU D T, SONG Y C, WU W, et al. Review of state of health estimation for lithium-ion battery pack[J]. Chinese Journal of Scientific Instrument, 2020, 41(11): 1-18.

[本文引用: 1]

[2]

戴海峰, 張艷偉, 魏學(xué)哲, 等. 鋰離子電池剩余壽命預(yù)測(cè)研究[J]. 電源技術(shù), 2019, 43(12): 2029-2035.

[本文引用: 1]

DAI H F, ZHANG Y W, WEI X Z, et al. Review of remaining useful life prediction for lithium ion battery[J]. Chinese Journal of Power Sources, 2019, 43(12): 2029-2035.

[本文引用: 1]

[3]

蘇偉, 鐘國(guó)彬, 沈佳妮, 等. 鋰離子電池故障診斷技術(shù)進(jìn)展[J]. 儲(chǔ)能科學(xué)與技術(shù), 2019, 8(2): 225-236.

SU W, ZHONG G B, SHEN J N, et al. The progress in fault diagnosis techniques for lithium-ion batteries[J]. Energy Storage Science and Technology, 2019, 8(2): 225-236.

[4]

田君, 高洪波, 張躍強(qiáng), 等. 電動(dòng)汽車動(dòng)力鋰離子電池壽命預(yù)測(cè)方法研究[J]. 電源技術(shù), 2020, 44(5): 767-770.

[本文引用: 1]

TIAN J, GAO H B, ZHANG Y Q, et al. Research of life prediction methods for power Li-ion battery in electric vehicles[J]. Chinese Journal of Power Sources, 2020, 44(5): 767-770.

[本文引用: 1]

[5]

焦自權(quán), 范興明, 張?chǎng)? 等. 基于改進(jìn)粒子濾波算法的鋰離子電池狀態(tài)跟蹤與剩余使用壽命預(yù)測(cè)方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(18): 3979-3993.

[本文引用: 1]

JIAO Z Q, FAN X M, ZHANG X, et al. State tracking and remaining useful life predictive method of Li-ion battery based on improved particle filter algorithm[J]. Transactions of China Electrotechnical Society, 2020, 35(18): 3979-3993.

[本文引用: 1]

[6]

CHOI Y, RYU S, PARK K, et al. Machine learning-based lithium-ion battery capacity estimation exploiting multi-channel charging profiles[J]. IEEE Access, 2019, 7: 75143-75152.

[本文引用: 1]

[7]

高昆侖, 楊帥, 劉思言, 等. 基于一維卷積神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(12): 18-26.

[本文引用: 1]

GAO K L, YANG S, LIU S Y, et al. Transient stability assessment for power system based on one-dimensional convolutional neural network[J]. Automation of Electric Power Systems, 2019, 43(12): 18-26.

[本文引用: 1]

[8]

王宇勝, 陳德旺, 蔡俊鵬, 等. 基于LSTM-SVR的鋰電池健康狀態(tài)預(yù)測(cè)研究[J]. 電源技術(shù), 2020, 44(12): 1784-1787.

[本文引用: 1]

WANG Y S, CHEN D W, CAI J P, et al. Research on lithium battery state of health prediction based on LSTM-SVR[J]. Chinese Journal of Power Sources, 2020, 44(12): 1784-1787.

[本文引用: 1]

[9]

周飛燕, 金林鵬, 董軍. 卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 計(jì)算機(jī)學(xué)報(bào), 2017, 40(6): 1229-1251.

[本文引用: 1]

ZHOU F Y, JIN L P, DONG J. Review of convolutional neural network[J]. Chinese Journal of Computers, 2017, 40(6): 1229-1251.

[本文引用: 1]

[10]

楊麗, 吳雨茜, 王俊麗, 等. 循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 計(jì)算機(jī)應(yīng)用, 2018, 38(S2): 1-6, 26.

[本文引用: 1]

YANG L, WU Y X, WANG J L, et al. Research on recurrent neural network[J]. Journal of Computer Applications, 2018, 38(S2): 1-6, 26.

[本文引用: 1]

[11]

SONG X B, YANG F F, WANG D, et al. Combined CNN-LSTM network for state-of-charge estimation of lithium-ion batteries[J]. IEEE Access, 2019, 7: 88894-88902.

[本文引用: 1]

[12]

SAHA B. Goebel "Battery data set " NASA AMES prognostics data repository[EB/OL]. 2007. http://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/#battery.

[本文引用: 1]

相關(guān)知識(shí)

基于NB
基于β
基于ZIF
基于AGREE
基于GPT
基于Cu
基于腦
基于RUN
《基于NGF
基于生物

網(wǎng)址: 基于1DCNN http://www.u1s5d6.cn/newsview1388255.html