為提高鋰電池剩余使用壽命(RUL)預(yù)測的精度，提出基于混合尺度健康因子的集成模型進行RUL預(yù)測。針對電池退化數(shù)據(jù)噪聲大，數(shù)據(jù)量少和非線性特點捕捉不全的問題，首先提出奇異值分解(SVD)對電容信號處理，通過奇異值的能量分布優(yōu)化變分模態(tài)分解(VMD)的最佳模態(tài)數(shù)，降噪重構(gòu)出直接健康因子SR。提出一種幅度、相位雙擾動(APP)的數(shù)據(jù)增強方法，依據(jù)SR數(shù)據(jù)分布變化，生成人工標(biāo)記數(shù)據(jù)ESR,此ESR與電容相關(guān)系數(shù)均高于0.97。將SR、ESR結(jié)合GRA算法擇取的3個間接健康因子，建立了更全面的混合尺度壽命特征信息；此外，為了避免單一模型預(yù)測的局限性，采用LSTM模型改進了Transformer結(jié)構(gòu)中的解碼器，引入新興Optuna框架分析了影響模型預(yù)測精度的關(guān)鍵超參數(shù)并對它們進行了優(yōu)化。最后通過NASA數(shù)據(jù)進行實驗，并與RNN、LSTM、Transformer以及現(xiàn)有模型方法進行比較，結(jié)果證明RMSE控制在2.39%以內(nèi)，MAE在1.59%以內(nèi)，且預(yù)測性能受預(yù)測起點的影響小，穩(wěn)定性更高，95%置信區(qū)間更窄。

機　構(gòu):

上海電力大學(xué)自動化工程學(xué)院；華能玉環(huán)電廠；

領(lǐng)　域:

電力工業(yè)；自動化技術(shù)；

關(guān)鍵詞:

鋰離子電池；混合尺度特征提??；LSTM-Transformer模型；APP數(shù)據(jù)增強；Optuna框架；

格　式:

PDF原版；EPUB自適應(yīng)版(需下載客戶端)

相關(guān)知識

基于1DCNN
基于深度學(xué)習(xí)的車輛健康狀態(tài)評估與保養(yǎng)決策
一種基于深度學(xué)習(xí)的鋰電池健康狀態(tài)評估方法
醉木苑紅木｜尺度合宜的紅木家具，更利于健康
面向駕駛員的個性化健康導(dǎo)航
基于阻抗譜重構(gòu)技術(shù)的電池健康狀態(tài)快速估計方法
基于深度雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識別算法研究
基于紅外視頻識別的鋰電池健康狀態(tài)快速檢測
基于實車數(shù)據(jù)和BP
德邦大健康靈活配置混合A,德邦大健康靈活配置混合C: 關(guān)于提高德邦大健康靈活配置混合型證券投資基金凈值精度的公告

網(wǎng)址: 基于混合尺度健康因子的LSTM http://www.u1s5d6.cn/newsview1388269.html