基于BiLSTM神经网络的锂电池SOH估计与RUL预测

来源：电子测量技术杂志2021年第20期北京时间：

作者：王 义，刘 欣，高德欣

单位：青岛科技大学自动化与电子工程学院 青岛 266061

摘要：针对锂电池健康状态(state of health，SOH)估计与剩余寿命(remaining useful life，RUL)预测问题，设计一种基于双向长短期记忆(bi-directional long short-Term memory，BiLSTM)神经网络模型的预测方法。首先，提取美国国家航空航天局（national aeronautics space and administration，NASA)锂电池的容量数据，将容量数据转为SOH数据并作为模型输入数据；其次，建立双层BiLSTM神经网络，使用加速自适应矩估计算法（nesterov-accelerated adaptive moment estimation，Nadam）优化函数动态调整学习率；然后，通过双向长短期记忆神经网络模型分析锂电池数据，建立电池容量、SOH和RUL之间的联系；最后，全连接层输出电池SOH的估计曲线，从而预测其剩余寿命。通过NASA数据进行预测实验，BiLSTM神经网络的RUL预测误差稳定在3以内，SOH预测曲线的拟合度稳定在94.211%-95.839%，BiLSTM神经网络具有更高的鲁棒性和准确性。

关键词：锂电池; 健康状态估; 剩余寿命预测; 双向长短期记忆

基金资助：国家自然科学基金(61673357)、山东省重点研发计划项目（公益类）(2019GGX101012)、山东省高等学校科学技术计划项目（J18KA323）、山东省研究生导师指导能力提升项目(SDYY18092)资助