锂离子电池剩余使用寿命(remaining useful life,RUL)的准确预测对于提高电池使用寿命、降低异常事故的概率,起着至关重要的作用。本文结合堆叠噪声自编码器(stacked denoising auto encoder,SDAE)和变压器(transformer)的优势,提出了...锂离子电池剩余使用寿命(remaining useful life,RUL)的准确预测对于提高电池使用寿命、降低异常事故的概率,起着至关重要的作用。本文结合堆叠噪声自编码器(stacked denoising auto encoder,SDAE)和变压器(transformer)的优势,提出了一种结合高效通道注意力(efficient channelattention,ECA)的SDAETransformer-ECA的锂离子电池RUL预测网络。首先,针对电池在使用过程中存在的容量再生现象和数据集采集误差等噪声污染,利用SDAE对输入数据进行重构去噪、提取特征。然后,通过Transformer网络对重构数据进行序列信息的捕获。最后,结合ECA网络对捕获信息进行跨通道整合和交互,从而实现锂离子电池的RUL的预测。本文先基于美国马里兰大学先进生命周期工程中心(Center for Advanced Life Cycle Engineering,CALCE)提供的电池容量数据集进行实验验证,实验证明本文模型的各项误差都较低,具有较高的准确性,且与次优算法Bi-LSTM相比,平均RE相对降低了62.67%,平均MAE相对降低了40.68%,平均RMSE相对降低了34.33%。再使用美国航空航天局(National Aeronautics and Space Administration,NASA)提供的B0007号电池容量数据集进行泛化性验证,实验得到的RE、MAE和RMSE结果分别是1.98%、3.12%和4.16%,与RNN、LSTM、GRU和Bi-LSTM等现有算法相比,本文模型预测准确性更高,证明了该模型的泛化性。展开更多
文摘锂离子电池剩余使用寿命(remaining useful life,RUL)的准确预测对于提高电池使用寿命、降低异常事故的概率,起着至关重要的作用。本文结合堆叠噪声自编码器(stacked denoising auto encoder,SDAE)和变压器(transformer)的优势,提出了一种结合高效通道注意力(efficient channelattention,ECA)的SDAETransformer-ECA的锂离子电池RUL预测网络。首先,针对电池在使用过程中存在的容量再生现象和数据集采集误差等噪声污染,利用SDAE对输入数据进行重构去噪、提取特征。然后,通过Transformer网络对重构数据进行序列信息的捕获。最后,结合ECA网络对捕获信息进行跨通道整合和交互,从而实现锂离子电池的RUL的预测。本文先基于美国马里兰大学先进生命周期工程中心(Center for Advanced Life Cycle Engineering,CALCE)提供的电池容量数据集进行实验验证,实验证明本文模型的各项误差都较低,具有较高的准确性,且与次优算法Bi-LSTM相比,平均RE相对降低了62.67%,平均MAE相对降低了40.68%,平均RMSE相对降低了34.33%。再使用美国航空航天局(National Aeronautics and Space Administration,NASA)提供的B0007号电池容量数据集进行泛化性验证,实验得到的RE、MAE和RMSE结果分别是1.98%、3.12%和4.16%,与RNN、LSTM、GRU和Bi-LSTM等现有算法相比,本文模型预测准确性更高,证明了该模型的泛化性。
