在电池寿命预测中,应用基于增强的子优化多模式时态神经网络
Zeyu Liu1, Xiaofang Du2, Yuhai Shi3
1School of Automotive Engineering, Wuhan University of Technology, Wuhan, Hubei, 430070, China. 2787767375@qq.com.
Scientific reports
|November 10, 2024
概括
本研究介绍了DeNet-Mamba-DC-SCSSA网络,用于预测离子电池剩余使用寿命 (RUL). 该模型显著提高了电动汽车电池管理的RUL预测准确性和稳定性.
科学领域:
- 电气工程 电气工程
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 精确预测离子电池剩余使用寿命 (RUL) 对电动汽车 (EV) 的安全性和运营效率至关重要.
- 现有的RUL预测方法经常与噪声干扰和从电池退化数据中复杂的特征提取作斗争.
研究的目的:
- 引入和验证DeNet-Mamba-DC-SCSSA网络,以提高离子电池中的RUL预测.
- 为了证明该模型在噪音处理和功能提取中卓越的性能,用于电池健康监测.
主要方法:
- DeNet-Mamba-DC-SCSSA网络集成了用于降低噪音的Denoising增强网络 (DeNet),用于时间序列分析的Mamba,用于多尺度特征提取的扩展卷积 (DC) 和用于优化的改进优化算法 (SCSSA).
- 该模型使用NASA和CALCE电池数据集进行了评估,并与来自新能源汽车平台的现实数据进行了验证.
主要成果:
- 与基准数据集的现有方法相比,拟议的模型实现了平均相对误差 (RE) 的显著减少48.59%和根平均平方误差 (RMSE) 的显著减少21.45%.
- 对真实车辆数据的验证显示,充电容量与里程的预测非常准确,误差最小 (0.52 Ah,1.03 Ah,0.84 Ah,0.71 Ah).
结论:
- DeNet-Mamba-DC-SCSSA网络展示了对EV电池RUL预测的卓越预测准确性,稳定性和通用性.
- 该模型为现实世界的电池管理系统提供了强大而实用的解决方案,提高了安全性和效率.
