1DCNNLSTM锂电池多通道特征电池寿命为了提高锂离子电池健康状态(SOH)的预测精准度和稳定性,针对常规特征选取复杂且无法有效利用等问题,提出了一种联合一维卷积(1DCNN)与长短记忆网络(LSTM)的电池SOH预测方法.首先采用多通道串联电压,电流,温度构建多维特征,然后采用1DCNN从样本数据中提取高级数据特征输入LSTM中以有效利用...
2022 储能测试与评价 基于1DCNN-LSTM 的锂离子电池SOH 预测 王英楷,张红,王星辉 (福州大学物理与信息工程学院,福建 福州 350116) 摘要:为了提高锂离子电池健康状态(SOH)的预测精准度和稳定性,针对常规特征选取复杂且无法有效利用等 问题,提出了一种联合一维卷积(1DCNN)与长短记忆网络(LSTM)的电池SOH 预测方法。
基于1DCNN-LSTM的锂离子电池SOH预测
首先采用多通道串联电压,电流,温度构建多维特征,然后采用1DCNN从样本数据中提取高级数据特征输入LSTM中以有效利用历史信息,最后通过全连接层输出电池SOH的预测结果.采用NASA锂离子电池容量衰减数据,对所应用的联合算法进行验证,结果表明,相较于其他预测算法,基于1DCNN-LSTM的算法具有更准确的SOH预测结果,其平均绝对误差(...
首先采用多通道串联电压、电流、温度构建多维特征,然后采用1DCNN从样本数据中提取高级数据特征输入LSTM中以有效利用历史信息,最后通过全连接层输出电池SOH的预测结果。采用NASA锂离子电池容量衰减数据,对所应用的联合算法进行验证,结果表明,相较于其他预测算法,基于1DCNN-LSTM的算法具有更准确的SOH预测结果,其平均绝...