基于混合尺度健康因子的LSTM
为提高锂电池剩余使用寿命(RUL)预测的精度，提出基于混合尺度健康因子的集成模型进行RUL预测。针对电池退化数据噪声大，数据量少和非线性特点捕捉不全的问题，首先提出奇异值分解(SVD)对电容信号处理，通过奇异值的能量分布优化变分模态分解(VMD)的最佳模态数，降噪重构出直接健康因子SR。提出一种幅度、相位双扰动(APP)的数据增强方法，依据SR数据分布变化，生成人工标记数据ESR,此ESR与电容相关系数均高于0.97。将SR、ESR结合GRA算法择取的3个间接健康因子，建立了更全面的混合尺度寿命特征信息；此外，为了避免单一模型预测的局限性，采用LSTM模型改进了Transformer结构中的解码器，引入新兴Optuna框架分析了影响模型预测精度的关键超参数并对它们进行了优化。最后通过NASA数据进行实验，并与RNN、LSTM、Transformer以及现有模型方法进行比较，结果证明RMSE控制在2.39%以内，MAE在1.59%以内，且预测性能受预测起点的影响小，稳定性更高，95%置信区间更窄。
机 构:
上海电力大学自动化工程学院；华能玉环电厂；
领 域:
电力工业；自动化技术；
关键词:
锂离子电池；混合尺度特征提取；LSTM-Transformer模型；APP数据增强；Optuna框架；
格 式:
PDF原版；EPUB自适应版(需下载客户端)
相关知识
基于1DCNN
基于深度学习的车辆健康状态评估与保养决策
一种基于深度学习的锂电池健康状态评估方法
醉木苑红木｜尺度合宜的红木家具，更利于健康
面向驾驶员的个性化健康导航
基于阻抗谱重构技术的电池健康状态快速估计方法
基于深度双向循环神经网络的结构损伤识别算法研究
基于红外视频识别的锂电池健康状态快速检测
基于实车数据和BP
德邦大健康灵活配置混合A,德邦大健康灵活配置混合C: 关于提高德邦大健康灵活配置混合型证券投资基金净值精度的公告
网址: 基于混合尺度健康因子的LSTM https://m.trfsz.com/newsview1388269.html
