-
题名基于GAN-BiLSTM的锂电池RUL预测
被引量：3
- 1
-
-
作者
孟春
汪济洲
彭相
张开宇
-
机构
合肥学院先进制造工程学院
合肥学院能源材料与化工学院
-
出处
《黑龙江工业学院学报（综合版）》
2023年第3期51-56,共6页
-
基金
合肥学院研究生创新项目(项目编号:21YCXL04)。
-
文摘
针对深度学习方法在锂电池剩余寿命(Remaining Useful Life,RUL)预测中因样本数据较少所产生的准确率较低的问题,提出了基于GAN-BiLSTM的锂电池RUL预测方法,通过生成对抗网络(Generative Adversarial Network,GAN)对小样本的电压、电流、温度、时间所组成的数据集进行扩充,然后采用双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)提取输入数据的特征并对RUL在线预测,并提出适用于锂电池RUL预测的基于MSE-v的损失函数评价指标,对预测值大于实际值时给予模型更高的惩罚,解决了小样本下深度学习方法精度不高、准确率不高的问题。与其他数据驱动方法对比,实验证明了所提出的模型在测试集上有着较好的拟合效果:损失达到了最低值1.043。实验验证了模型的实用价值。
-
关键词
GAN-BiLSTM
锂电池
RUL预测
mse-v
-
Keywords
GAN-BiLSTM
lithium batteries
RUL prediction
mse-v
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
