基于Transformer组合模型的锂电池SOH和RUL预测
常伟
胡志超
潘多昭
师继文
南通乐创新能源有限公司,江苏南通 226000
摘要：本论文采用了 Transformer模型与多种深度学习模型的组合模型来预测电池的健康状态(SOH)和剩余使用寿命(RUL).在NASA公开数据集合上进行了测试,使用电流、电压和温度来预测SOH,使用电流、电阻和阻抗来预测RUL.该模型首先利用卷积神经网络(convolution neural network,CNN)提取输入数据的空间特征,然后使用 双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)提取输入数据的时间序列变化规律,再利用Transformer模型的多头注意力机制和前馈网络学习输入数据的特征表示,最后通过注意力机制进一步选取输入数据的时空特征中的重要部分,以共同预测SOH和RUL.实验结果表明,该模型在测试数据上的SOH预测均方误差(root mean square error,RMSE)达到0.084 85,RUL预测的RMSE达到1.46,其效果均优于传统方法.因此,该深度学习模型能够有效地提高电池SOH和RUL的预测精度和稳定性.
关键词：健康状态电池使用寿命卷积神经网络双向长短期记忆网络
分类号：TM912.9(独立电源技术（直接发电）)
论文发表日期：2024-08-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 184-190,198 )
英文信息