期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于BiLSTM神经网络的锂电池SOH估计与RUL预测
被引量:
24
1
作者
王义
刘欣
高德欣
《电子测量技术》
北大核心
2021年第20期1-5,共5页
针对锂电池健康状态(SOH)估计与剩余寿命(RUL)预测问题,设计一种基于双向长短期记忆(BiLSTM)神经网络模型的预测方法。首先,提取美国国家航空航天局(NASA)锂电池的容量数据,将容量数据转为SOH数据并作为模型输入数据。其次,建立双层BiL...
针对锂电池健康状态(SOH)估计与剩余寿命(RUL)预测问题,设计一种基于双向长短期记忆(BiLSTM)神经网络模型的预测方法。首先,提取美国国家航空航天局(NASA)锂电池的容量数据,将容量数据转为SOH数据并作为模型输入数据。其次,建立双层BiLSTM神经网络,使用加速自适应矩估计算法(Nadam)优化函数动态调整学习率。然后,通过BiLSTM神经网络模型分析锂电池数据,建立电池容量、SOH和RUL之间的联系。最后,全连接层输出电池SOH的估计曲线,从而预测其剩余寿命。通过NASA数据进行预测实验,BiLSTM神经网络的RUL预测误差稳定在3以内,SOH预测曲线的拟合度稳定在94.211%~95.839%,BiLSTM神经网络具有更高的鲁棒性和准确性。
展开更多
关键词
锂电池
健康状态估
剩余寿命预测
双向长短期记忆
下载PDF
职称材料
题名
基于BiLSTM神经网络的锂电池SOH估计与RUL预测
被引量:
24
1
作者
王义
刘欣
高德欣
机构
青岛科技大学自动化与电子工程学院
出处
《电子测量技术》
北大核心
2021年第20期1-5,共5页
基金
国家自然科学基金(61673357)
山东省重点研发计划项目(公益类)(2019GGX101012)
+1 种基金
山东省高等学校科学技术计划项目(J18KA323)
山东省研究生导师指导能力提升项目(SDYY18092)资助。
文摘
针对锂电池健康状态(SOH)估计与剩余寿命(RUL)预测问题,设计一种基于双向长短期记忆(BiLSTM)神经网络模型的预测方法。首先,提取美国国家航空航天局(NASA)锂电池的容量数据,将容量数据转为SOH数据并作为模型输入数据。其次,建立双层BiLSTM神经网络,使用加速自适应矩估计算法(Nadam)优化函数动态调整学习率。然后,通过BiLSTM神经网络模型分析锂电池数据,建立电池容量、SOH和RUL之间的联系。最后,全连接层输出电池SOH的估计曲线,从而预测其剩余寿命。通过NASA数据进行预测实验,BiLSTM神经网络的RUL预测误差稳定在3以内,SOH预测曲线的拟合度稳定在94.211%~95.839%,BiLSTM神经网络具有更高的鲁棒性和准确性。
关键词
锂电池
健康状态估
剩余寿命预测
双向长短期记忆
Keywords
lithium battery
state of health
remaining useful life prediction
bi-directional long short-term memory
分类号
TM911 [电气工程—电力电子与电力传动]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于BiLSTM神经网络的锂电池SOH估计与RUL预测
王义
刘欣
高德欣
《电子测量技术》
北大核心
2021
24
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部