基于健康因子和CNN-BiLSTM的锂离子电池健康状态预测

来源：南京信息工程大学学报·自然科学版杂志2025年第6期北京时间：

作者：李习龙，张涌，张伟，赵奉奎

单位：李习龙,南京林业大学 汽车与交通工程学院, 南京, 210037,张涌,南京林业大学 汽车与交通工程学院, 南京, 210037,张伟,江苏省特种设备安全监督检验研究院吴江分院, 苏州, 215200,赵奉奎,南京林业大学 汽车与交通工程学院, 南京, 210037

摘要：为提高锂离子电池的健康状态(SOH)监测精度,避免电池潜在的故障,本文提出一种基于健康因子的卷积神经网络(CNN)结合改进双向长短期记忆网络(BiLSTM)的联合模型预测电池SOH.首先,通过NASA公开电池数据集提取5个与电池老化高度相关的健康因子作为SOH特征;其次,构建联合网络模型,CNN层负责提取电池充放电特征因子数据的空间特征,BiLSTM层负责捕捉数据中不同特征之间的相关性,注意力机制负责对输入变量进行权重分配;最后,对单一电池数据集和同类电池数据集进行训练预测评价.仿真结果表明:联合模型估计锂电池SOH时,最大绝对误差(MAE)分布在0.015以内,平均绝对误差(AAE)和均方根误差(RMAE)分布在0.01以内,具有较高的精度和较好的普适性.

关键词：长短期记忆网络;卷积神经网络;健康因子;健康状态估计

基金资助：江苏省产业前瞻与关键核心技术项目(BE2022053-2);江苏省现代农业重点及面上项目(BE2021339);南京林业大学青年科技创新基金项目(CX2019018);江苏省特种设备安全监督检验研究院吴江院项目(KI(Y)2023042)