电池健康状态(State of Health,SOH)和剩余使用寿命(Remaining Useful Life,RUL)是电池健康管理的重要评价指标。针对锂电池在使用过程中受较多复杂因素影响难以准确预测其剩余使用寿命问题,文中提出了一种基于IDBO-CNN-BiLSTM(Improved...电池健康状态(State of Health,SOH)和剩余使用寿命(Remaining Useful Life,RUL)是电池健康管理的重要评价指标。针对锂电池在使用过程中受较多复杂因素影响难以准确预测其剩余使用寿命问题,文中提出了一种基于IDBO-CNN-BiLSTM(Improved Dung Beetle Optimizer-Convolutional Neural Networks-Bi-directional Long Short-Term Memory)的混合预测模型。通过分析锂电池充电过程中的状态来提取9种健康因子(Health Factor,HF),通过皮尔逊相关系数筛选强相关性健康因子,并将其作为模型输入。采用混沌初始化Tent映射生成蜣螂的初始位置,采用正余弦策略优化偷窃蜣螂位置,解决了DBO(Dung Beetle Optimizer)算法初始化导致的局部收敛问题以及优化了DBO算法的平衡性,提高了预测的稳定性。基于NASA(National Aeronautics and Space Administration)提供的公开锂电池老化数据集进行实验,并使用不同模型预测NASA锂电池SOH,结果表明所提方法误差更小,具有一定应用价值。展开更多
文摘电池健康状态(State of Health,SOH)和剩余使用寿命(Remaining Useful Life,RUL)是电池健康管理的重要评价指标。针对锂电池在使用过程中受较多复杂因素影响难以准确预测其剩余使用寿命问题,文中提出了一种基于IDBO-CNN-BiLSTM(Improved Dung Beetle Optimizer-Convolutional Neural Networks-Bi-directional Long Short-Term Memory)的混合预测模型。通过分析锂电池充电过程中的状态来提取9种健康因子(Health Factor,HF),通过皮尔逊相关系数筛选强相关性健康因子,并将其作为模型输入。采用混沌初始化Tent映射生成蜣螂的初始位置,采用正余弦策略优化偷窃蜣螂位置,解决了DBO(Dung Beetle Optimizer)算法初始化导致的局部收敛问题以及优化了DBO算法的平衡性,提高了预测的稳定性。基于NASA(National Aeronautics and Space Administration)提供的公开锂电池老化数据集进行实验,并使用不同模型预测NASA锂电池SOH,结果表明所提方法误差更小,具有一定应用价值。
