论文部分内容阅读
随着人们绿色环保意识和储能技术的提高,锂电池因其高功率、高存储能量密度、寿命长等优点,被广泛应用于新能源电动汽车,航天卫星,电子设备等领域。但伴随锂电池的使用,其性能会不断退化,甚至可能会发生爆炸等事故。因此,锂电池的安全可靠性越来越受到重视,对锂电池健康状态的研究具有重要的意义。本文基于数据驱动的思想,将深度学习方法用于锂电池的健康状态评估中,具体工作如下:
首先,针对数据采集过程中噪声等因素的影响,采取自适应噪声完备经验模态分解方法进行数据平滑降噪,提取趋势特征。另外利用相空间重构法确定最佳嵌入维数解决了神经网络中滑动窗口难以确定的问题。为了避免梯度消失的情况,采用长短期记忆神经网络作为预测模型。在预测过程中,由于模型参数众多,以往的经验调参使得模型稳定性差精度低,故采用遗传算法对网络模型的关键参数进行寻优,从而提升了模型对锂电池未来健康状态预测的准确度。
其次,针对长短期记忆神经网络无法学习从后到前的信息以及信息过载的问题。本文采取了一种基于优化双向长短期记忆网络和注意力机制的改进方法,该方法将两种不同学习方向的长短期记忆网络叠加进行信息提取,既可以学习历史数据也能够学习未来时刻的数据。注意力机制的加入可以重点关注注意力权重高的隐藏状态,提高预测效率。最后,采用粒子群优化算法优化网络模型结构,实现锂电池健康状态的评估。
最后对本文提出的方法在NASA数据集上进行仿真实验,并与常见的其他算法进行对比。实验结果表明本文所提的方法极大提高了模型预测的性能,收敛速度更快,能更好的评估当前锂电池的健康状态,为锂电池的维护提供了有效的策略。
首先,针对数据采集过程中噪声等因素的影响,采取自适应噪声完备经验模态分解方法进行数据平滑降噪,提取趋势特征。另外利用相空间重构法确定最佳嵌入维数解决了神经网络中滑动窗口难以确定的问题。为了避免梯度消失的情况,采用长短期记忆神经网络作为预测模型。在预测过程中,由于模型参数众多,以往的经验调参使得模型稳定性差精度低,故采用遗传算法对网络模型的关键参数进行寻优,从而提升了模型对锂电池未来健康状态预测的准确度。
其次,针对长短期记忆神经网络无法学习从后到前的信息以及信息过载的问题。本文采取了一种基于优化双向长短期记忆网络和注意力机制的改进方法,该方法将两种不同学习方向的长短期记忆网络叠加进行信息提取,既可以学习历史数据也能够学习未来时刻的数据。注意力机制的加入可以重点关注注意力权重高的隐藏状态,提高预测效率。最后,采用粒子群优化算法优化网络模型结构,实现锂电池健康状态的评估。
最后对本文提出的方法在NASA数据集上进行仿真实验,并与常见的其他算法进行对比。实验结果表明本文所提的方法极大提高了模型预测的性能,收敛速度更快,能更好的评估当前锂电池的健康状态,为锂电池的维护提供了有效的策略。