CN119494266A 一种锂电池的剩余使用寿命预测系统及方法 （太原科技大学）

一种锂电池的剩余使用寿命预测系统及方法2BiLSTM时序依赖增强模块，将CNN多特征融合模块、GCNAM时根据皮尔逊相关系数计算得到和pxx),选择相关系数大l(t+s,p)表示第l层第p个通道中输入数据在时间点t+s上的值，×表示矩阵乘lp下:3BiLSTM网络在每个时间步内计算前向LSTM隐藏状态和后向LSTM隐藏状态再将这BiLSTM网络由前向传播的LSTM和反向传播的LSTM构成，LSTM通遗忘门将前一时间步的隐藏状态ht-1和当前时间步xt作为输入，经过sigmoid激活函数遗忘门的偏置项；输入门选择性地将新信息存放到候选记忆单元中，输入门和候选记忆单元的计算4BiLSTM同时从正反两个方向捕捉数据特征，将当前时间点5[0004]Xia等采用等效电路模型对锂离子电池的老化进行表征，并通过加速老化实验分数阶等效电路模型的锂离子电池电化学阻抗谱估计方法，模拟锂离子电池的老化过程。网络参数，实现提取特征的目的。支持向量机、卷积神经网络(convolutionalneural域适应的长短期记忆(longshort_termmemory,LSTM)网络模型自适应地学习原始监测数据到电池容量的非线性映射关系，提高了预测的精度。Ma等采用双向长短期记忆(bi_directionallongshorttermmemory,BiLSTM)网络解决了单向长短期记忆网络信息捕6Wang等将特征融合策略引入图结构对多状态指标进行融合，增强了网络的特征融合能力。这些方法未能兼顾特征融合与时间维度的依赖关系，未考虑在有限资源下的计算复杂度，7[0022]根据皮尔逊相关系数计算得到px.x)px.x)、pxx)、RXX)和pxx),选择相关层第p个通道在时间点t的输出如公式(28[0038]BiLSTM在每个时间步内计算前向LSTM隐藏状态和后向LSTM隐藏状态再将这9[0070]图4为元素节点之间的联系示意图，图4(a)为仅通过相邻元素之间的时间顺序构[0075]图9为CS2_35电池容量与其他状态指标之间的相对变化趋势图，图9(a)为放电时容量与时间之间的相对变化趋势图，图9(b)为放电时容量与能量之间的相对变化趋势图，[0077]图11为不同模型的预测结果对比图，图11(a)为CS2_35不同模型的预测结果对比[0088]皮尔逊相关系数通常用于度量两个随机变量之间的线性相关程度，其值在_1到1[0091]根据皮尔逊相关系数计算得到Axr.x),Px.x),Px.x),Pxx)和pxs),选择相关系数[0109]BiLSTM网络在每个时间步内计算前向LSTM隐藏状态和后向LSTM隐藏状态再oc,(11)电和放电两步。在充电过程中，首先在恒流状态下以1C的恒流速率充电，直到电压达到平均绝对百分比误差(meanabsolutepercentageerror，MAPE)和绝对误差(absoluteCNN_GCNAM方法表示在MFTDE方法中去掉时序依赖特征模块，CNN_BiLSTM方法表示在MFTDE方法中去掉时序依赖特征提取模块，GCNAM_BiLSTM方法表示在MFTDE方法中去掉多特征融一区间的概率密度。图10(a)为MFTDE方法预测容量的误差分布图，有99.69％的误差值在CNN_GCNAM方法在拟合原始容量曲线时表现优于GCNAM_BiLSTM方法，说明多特征融合模块MAE、RMSE和AE分别比GBLSBooster方法降低了21.00％、18.57％和300.00％。与