Indexed by：
Abstract：
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(MAE)为0.01左右,且失效点误差周期(RUL)小于2个周期.
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
储能科学与技术
ISSN： 2095-4239
CN： 10-1076/TK
Year： 2022
Issue： 1
Volume： 11
Page： 240-245
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 1
Affiliated Colleges：
