基于多模态深度学习的充电硐室锂电池健康状态预测
赵应华1
陈安碧2
张增誉3
李文中2
韩宇1
1.国能榆林能源有限责任公司青龙寺煤矿分公司,陕西榆林 7194002.深圳市德塔工业智能电动汽车有限公司,广东 深圳 5180003.国能榆林能源有限责任公司,陕西榆林 719400
摘要：在井下多尘、潮湿且易爆的环境中,锂电池的退化过程往往呈现非线性、多阶段的特点,传统的单一模型难以全面捕捉其动态变化.针对该问题,提出一种基于多模态深度学习的充电硐室锂电池健康状态预测方法.构建了多模态深度学习网络模型TCN-BiLSTM-Transformer.该模型通过多层级特征提取机制实现时序信号的高效处理:时间卷积网络(TCN)采用具有指数扩展率的空洞卷积核,在保持时序完整性的同时捕获多尺度局部特征;双向长短期记忆网络(BiLSTM)通过双向门控循环单元(GRU)建立时序双向依赖关系,有效识别电池退化过程中的正反向退化特征;Transformer层则通过多头自注意力机制动态分配特征权重,实现全局退化模式的关键特征聚焦.通过锂电池工作过程中的多源传感数据(电压、电流和温度等)作为健康状态表征指标,通过Pearson相关性分析评估健康指标与电池容量的关联性,确定5个间接健康因子并作为预测模型的输入.实验结果表明,该方法的相关度均在98％以上,且均方误差、均方根误差、平均绝对误差、平均绝对百分比误差均较小.在煤矿防爆锂电池模拟工况应用验证中,该方法的相关度达99.47％,与传统方法的预测结果相比,波动幅度更小,精度更高.
关键词：防爆锂电池健康状态预测多模态深度学习时间卷积网络双向长短期记忆网络TCN-BiLSTM-Transformer
分类号：TD611(矿山电工)
资助基金：辽宁省教育厅基础项目(LJ2019JL030)国能榆林能源青龙寺煤矿示范项目(YLNY-QLSCB-JF-2023-22)
论文发表日期：2025-05-30
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：9( 120-128 )
英文信息