多状态影响下基于Bi‑LSTM网络的锂电池剩余寿命预测方法

作     者：张浩 胡昌华 杜党波 裴洪 张建勋 ZHANG Hao;HU Chang-hua;DU Dang-bo;PEI Hong;ZHANG Jian-xun

作者机构：火箭军工程大学导弹工程学院陕西西安710025 

出 版 物：《电子学报》 (Acta Electronica Sinica)

年 卷 期：2022年第50卷第3期

页      面：619-624页

核心收录：

学科分类：08[工学] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 081102[工学-检测技术与自动化装置] 

基　　金：国家自然科学基金(No.61833016,No.61922089,No.61903376) 国家重点研发项目(No.2018YFB1306100) 陕西省自然科学基金(No.2020JQ-489) 

主　　题：深度学习 剩余寿命预测 Bi‑LSTM网络 Bayesian变分推断技术 dropout技术 不确定性量化 

摘      要：现有基于深度学习的锂电池剩余寿命(Remaining Useful Life,RUL)预测方法中,锂电池多个内部状态所蕴含的寿命信息未得到充分考虑.鉴于此,提出了一种融合电池容量、阻抗与温度三个内部状态的RUL预测模型.首先,引入双向长短时记忆(Bi‑directional Long Short‑Term Memory,Bi‑LSTM)网络学习三种状态数据的时间相关性.其次,利用dropout技术与Bayesian变分推断技术间的等价性实现了RUL预测结果的不确定性量化,得到了预测结果的95%置信区间与概率密度分布(Probability Density Function,PDF),并分析了不同dropout率对预测不确定性的影响.最后,通过四种不同的深度学习模型框架与两种内部状态输入方案的对比实验,验证了本文方法的有效性.