一种基于注意力机制的CNN-LSTM锂电池健康状态估算

为了实时、便捷、准确地评估电动汽车锂电池健康状态(SOH),提出一种基于注意力机制的卷积神经网络(CNN)-长短期记忆网络(LSTM)的电池SOH估算方法,该算法融合了CNN、LSTM以及注意力机制的思想。通过将单个采样周期内的电压、电流、温度采样序列进行不同尺寸的卷积核运算得到多视野域下的特征序列,利用LSTM挖掘特征序列的长短期关系得到多个输出结果,最终通过注意力权值进行整合输出得到SOH值。实验结果表明:对于上海市电动汽车公共数据采集与监测研究中心提供的测试数据集,该方法取得了较优的估算结果,相比LSTM、CNN-LSTM算法,其在各评价指标上表现更优。

锂电池健康状态评估在变电站直流系统应用研究

锂电池健康度指标是电池当前状态的重要参数,针对变电站直流系统数据,为了快速获得健康度参数,采用循环神经网络的学习算法经过学习迭代能够实现健康度参数的快速学习估计,估计结果与实际充放电方法计算的健康度参数比较结果误差在可接受范围之内。实验表明该方法计算速度快,结果可信,可以作为电池健康度估计值。

ALO优化下1DCNN-BiLSTM-Attention锂电池SOH预测

锂电池因具有质量轻、寿命长、功率承受力高、自放电率低等优点,在绿色能源汽车制造、航空航天等领域得到了广泛应用。为了进一步提高锂电池健康状态(SOH)的预测精度,提出了一种基于一维卷积神经网络(1DCNN)和双向长短时记忆网络(BiLSTM)的锂电池SOH预测方法。1DCNN用于提取老化特征,BiLSTM用于特征分析。利用1DCNN参数少、抑制过拟合性能高的优点,并结合BiLSTM能充分考虑样本之间的关联性及有效结合数据过去和未来的状态等优势,模型能够在实现高预测精度的基础上兼具高计算速度。通过引入蚁狮优化算法(ALO)对模型的超参数进行优化,在减少耗时的基础上有效避免了人工调参的不确定性。同时引入注意力机制,通过对输入数据赋予不同权重,提高神经网络对重要信息的捕捉能力。以NASA锂电池数据集的电池参数为依据进行验证,结果表明该模型在B0005、B0006、B00073种锂电池单体上估计SOH的MAE均值为0.0064,相对于1DCNN-LSTM(0.0111)、CNN-LSTM&GRU(0.0197)模型分别降低了42.34%、67.51%,且在各方面评价指标上均优于其消融模型。

电动汽车动力电池充检设备研究及其平台开发

随着电动汽车产业及充电技术的快速发展,电池性能、电池安全等问题受到广泛重视。为保证用户在充电过程中监控电动汽车电池性能,研发电动汽车动力电池充检一体化充电站及其充检平台,并构建充检评价指标体系,包括:动力电池性能、单体一致性诊断、计算和预估电池健康度和剩余使用寿命等。在充电过程中检测分析动力电池技术状况,对于评估动力电池性能和保证电池安全有一定意义。