期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
融合EMD与GAIPSO-LSTM算法的锂离子电池RUL预测方法研究
1
作者 张俊贤 周英超 +3 位作者 李波 薛博峰 蒙心蕊 陈培震 《重庆理工大学学报(自然科学)》 北大核心 2025年第6期28-36,共9页
为提高锂离子电池RUL预测精度,提出一种将经验模态分解(EMD)、遗传算法混合改进粒子群优化算法(GAIPSO)以及长短期记忆(LSTM)神经网络结合的锂离子电池RUL预测模型。通过EMD对数据进行分解,结合Logistic混沌映射、自适应惯性权重、改进... 为提高锂离子电池RUL预测精度,提出一种将经验模态分解(EMD)、遗传算法混合改进粒子群优化算法(GAIPSO)以及长短期记忆(LSTM)神经网络结合的锂离子电池RUL预测模型。通过EMD对数据进行分解,结合Logistic混沌映射、自适应惯性权重、改进的速度更新公式,以及遗传算法中的选择、交叉和高斯变异操作,优化粒子群算法,利用改进后的GAIPSO算法对LSTM模型的参数进行优化,使用EMD-GAIPSO-LSTM预测模型对电池寿命进行预测,通过NASA发布的数据集进行模型预测精度验证。结果表明:该模型预测结果的平均绝对误差(mean absolute error,MAE)、均方根差(root mean square error,RMSE)分别在0.01204与0.01372以内,R^(2)在0.9791以上。相比于SSA-LSTM和PSO-LSTM模型,预测精度提高4.7%和2.5%,证明该模型对锂离子电池RUL预测准确性较高。 展开更多
关键词 锂离子电池 剩余使用寿命 EMD分解 遗传算法混合改进粒子群算法 长短期记忆神经网络
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部