本论文采用了Transformer模型与多种深度学习模型的组合模型来预测电池的健康状态(SOH)和剩余使用寿命(RUL)。在NASA公开数据集合上进行了测试,使用电流、电压和温度来预测SOH,使用电流、电阻和阻抗来预测RUL。该模型首先利用卷积神经网...本论文采用了Transformer模型与多种深度学习模型的组合模型来预测电池的健康状态(SOH)和剩余使用寿命(RUL)。在NASA公开数据集合上进行了测试,使用电流、电压和温度来预测SOH,使用电流、电阻和阻抗来预测RUL。该模型首先利用卷积神经网络(convolution neural network,CNN)提取输入数据的空间特征,然后使用双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)提取输入数据的时间序列变化规律,再利用Transformer模型的多头注意力机制和前馈网络学习输入数据的特征表示,最后通过注意力机制进一步选取输入数据的时空特征中的重要部分,以共同预测SOH和RUL。实验结果表明,该模型在测试数据上的SOH预测均方误差(root mean square error,RMSE)达到0.08485,RUL预测的RMSE达到1.46,其效果均优于传统方法。因此,该深度学习模型能够有效地提高电池SOH和RUL的预测精度和稳定性。展开更多
文摘本论文采用了Transformer模型与多种深度学习模型的组合模型来预测电池的健康状态(SOH)和剩余使用寿命(RUL)。在NASA公开数据集合上进行了测试,使用电流、电压和温度来预测SOH,使用电流、电阻和阻抗来预测RUL。该模型首先利用卷积神经网络(convolution neural network,CNN)提取输入数据的空间特征,然后使用双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)提取输入数据的时间序列变化规律,再利用Transformer模型的多头注意力机制和前馈网络学习输入数据的特征表示,最后通过注意力机制进一步选取输入数据的时空特征中的重要部分,以共同预测SOH和RUL。实验结果表明,该模型在测试数据上的SOH预测均方误差(root mean square error,RMSE)达到0.08485,RUL预测的RMSE达到1.46,其效果均优于传统方法。因此,该深度学习模型能够有效地提高电池SOH和RUL的预测精度和稳定性。