基于CNN-LSTM和注意力机制的锂电池健康状态评估

作者：陈秀秀; 朱凯

来源：工业控制计算机, 2022, 35(12): 80-82.

• 锂电池
• 长短期记忆神经网络
• 卷积神经网络
• 注意力机制
• 健康状态

锂电池在使用过程中随着充放电次数的累积，老化程度递增，会使其性能及容量呈现衰退趋势。因此掌握电池老化规律，对锂电池健康状态（SOH）及时评估在实际应用中有着十分重要的参考价值。为了有效提升锂电池SOH的预测精度，将能够进行特征提取的卷积神经网络（CNN）和在长序列预测上有更好表现的长短期记忆神经网络（LSTM）相结合，形成新的CNN-LSTM模型，同时引入注意力机制提高模型的处理效率及准确性。选取NASA公开锂电池数据集对所提出模型进行验证，结果显示相比单个CNN模型和单个LSTM模型，该模型的均方误差分别下降了2.5%、1.2%。表明在预测锂电池SOH中该模型准确度进一步提升，有更高的实用价值。

• 单位
  江苏理工学院