ALO优化下1DCNN-BiLSTM-Attention锂电池SOH预测

作者：李东洋; 吕明泽; 郭艳蓉; 郭嘉欣; 刘晓彤

来源：电工技术, 2023, (04): 33-40.

DOI：10.19768/j.cnki.dgjs.2023.04.012

• 锂电池健康度
• 神经网络
• ALO算法
• 超参数优化
• 注意力机制

锂电池因具有质量轻、寿命长、功率承受力高、自放电率低等优点，在绿色能源汽车制造、航空航天等领域得到了广泛应用。为了进一步提高锂电池健康状态(SOH)的预测精度，提出了一种基于一维卷积神经网络(1DCNN)和双向长短时记忆网络(BiLSTM)的锂电池SOH预测方法。1DCNN用于提取老化特征，BiLSTM用于特征分析。利用1DCNN参数少、抑制过拟合性能高的优点，并结合BiLSTM能充分考虑样本之间的关联性及有效结合数据过去和未来的状态等优势，模型能够在实现高预测精度的基础上兼具高计算速度。通过引入蚁狮优化算法(ALO)对模型的超参数进行优化，在减少耗时的基础上有效避免了人工调参的不确定性。同时引入注意力机制，通过对输入数据赋予不同权重，提高神经网络对重要信息的捕捉能力。以NASA锂电池数据集的电池参数为依据进行验证，结果表明该模型在B0005、B0006、B0007 3种锂电池单体上估计SOH的MAE均值为0.0064,相对于1DCNN-LSTM(0.0111)、CNN-LSTM&GRU(0.0197)模型分别降低了42.34%、67.51%,且在各方面评价指标上均优于其消融模型。

• 单位
  东北大学