基于并行CNN-LSTM的矿用磷酸铁锂电池SOH预测
常映辉1
王大钟2
冀鹏飞3
周锋涛3
1.煤炭科学研究总院,北京 100013;中国煤炭科工集团太原研究院有限公司,太原 030006;山西天地煤机装备有限公司,太原 0300062.煤炭科学研究总院,北京 100013;中国煤炭科工集团太原研究院有限公司,太原 0300063.中国煤炭科工集团太原研究院有限公司,太原 030006;山西天地煤机装备有限公司,太原 030006
摘要：电池健康状态(SOH)是锂离子电池的一项重要指标.为提高预测精度,提出了一种基于深度卷积神经网络(CNN)和长短期记忆网络(LSTM)的并行CNN-LSTM网络模型,用于预测矿用锂电池的健康状况.该方法利用CNN获取数据局部特征,LSTM获取时间序列信息.然后将CNN层和LSTM层获取的信息合并为一个张量,输入额外的LSTM层,进一步获取信息,完成电池健康状态预测.通过对电池的放电容量、放电时间、内阻等特征进行选择和分析,验证了该模型能够有效地预测电池的健康状况.仿真结果表明,该模型在数据集上的预测误差均小于3％,均方根误差(RMSE)和平均绝对误差(MAE)值的平均值在0.484％和0.278％以内.
关键词：并行CNN-LSTM电池健康状态卷积神经网络长短期记忆网络电池内阻
分类号：TM912(独立电源技术（直接发电）)
资助基金：山西省基础研究计划项目(202103021223461)天地科技重点项目(KY2023004)
论文发表日期：2023-08-12
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：6( 6-11 )
英文信息