基于CNN-GRU神经网络的锂电池SOH估计与RUL预测

• 作者: 辛付宇 邢丽坤 刘笑 安徽理工大学电气与信息工程学院
• 来源期刊: 上海节能
• 学科: 工学
• 关键词: 锂电池 卷积神经网络 门控循环单元 健康状态 剩余有效工作时间
• 年，卷（期）: 2024,（5）
• 页码范围: 98-105
• 页数: 8页
• 语种: 中文
• DOI: 10.13770/j.cnki.issn2095-705x.2024.05.013

摘要

随着近几年新能源汽车市场的蓬勃发展，消费者对锂电池的电池性能和储能系统的整体要求逐步提升。锂电池作为新能源汽车的重要组成部分，对新能源汽车品牌的经济性能具有重要影响。针对锂电池健康状态(State Of Health,SOH)估计与剩余有效工作时间（Remaining Useful Life,RUL）预测无法直接测量，为了攻克在线准确测量的难题，提出基于卷积神经网络-门控循环单元(Convolutional Neural Network-Gated Recurrent Unit,CNN-GRU)的锂电池SOH估计与RUL预测方法。运用Python编程语言在TensorFlow框架下搭建CNN-GRU神经网络，利用GRU长时间记忆能力与CNN避免了对数据的复杂前期预处理，采用NASA开放实验数据测试，经过实验结果对比，基于CNN-GRU神经网络的估算模型相对于BP、CNN、GRU单独神经网络模型拥有更高的计算精度,以及更稳定的预测结果。