典型文献
基于数据预处理和长短期记忆神经网络的锂离子电池寿命预测
文献摘要：
锂离子电池剩余使用寿命(RUL)可以评估电池的可靠性,是电池健康管理的重要参数.准确地预测电池的RUL可以有效提高设备的安全性并降低工作风险.该文提出一种自适应数据预处理结合长短期记忆神经网络(LSTM)的RUL预测框架.选取容量作为健康因子,数据预处理阶段,首先使用自适应双指数模型平滑方法减少容量回升现象产生的负面影响,然后通过自适应白噪声完整集成经验模态分解(CEEMDAN)对数据进行降噪;模型构建阶段,利用预处理后的数据训练得到用于RUL预测的LSTM模型.以NASA和CALCE公开数据集为研究对象进行算法性能测试,实验结果表明,所提方法鲁棒性好,能够提供精确的RUL预测结果.
文献关键词：
锂电池;剩余使用寿命;自适应双指数模型平滑方法;自适应白噪声完整集成经验模态分解;长短期记忆神经网络
中图分类号：
作者姓名：
黄凯;丁恒;郭永芳;田海建
作者机构：
省部共建电工装备可靠性与智能化国家重点实验室(河北工业大学) 天津 300130;河北工业大学人工智能与数据科学学院 天津 300130
文献出处：
引用格式：
[1]黄凯;丁恒;郭永芳;田海建-.基于数据预处理和长短期记忆神经网络的锂离子电池寿命预测)[J].电工技术学报,2022(15):3753-3766
A类：
自适应双指数模型平滑方法,自适应白噪声完整集成经验模态分解
B类：
数据预处理,长短期记忆神经网络,锂离子电池,电池寿命预测,剩余使用寿命,RUL,重要参数,工作风险,健康因子,回升,CEEMDAN,降噪,数据训练,练得,NASA,CALCE,公开数据集,集为,算法性能,供精,锂电池
AB值：
0.180897
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
