通过空间注意力TLSTM和扩展CNN以进化优化预测离子电池的剩余使用寿命
1School of Electrical Engineering, Xuchang University, Xuchang, 461000, Henan, China. suhuachen216@xcu.edu.cn.
Scientific reports
|September 2, 2025
概括
准确预测离子电池的剩余使用寿命 (RUL) 是至关重要的. 这项研究引入了一种使用空间注意力,TLSTM和扩展卷曲的新型深度学习模型,用于更高的RUL估计和电池健康监测.
科学领域:
- 电气工程
- 材料科学
- 计算机科学
背景情况:
- 对离子电池的准确剩余使用寿命 (RUL) 估计对于运行效率和预测性维护至关重要.
- 现有的模型经常面临容量再生效应和有限的泛化问题.
研究的目的:
- 开发一个先进的深度学习框架,用于精确估计离子电池的RUL.
- 通过结合多道数据和新的优化策略来解决传统模型的局限性.
主要方法:
- 一种混合深度学习架构,结合了空间注意力,传导性长期内存 (TLSTM) 和1D扩展卷积层.
- 基于集群的差异演变 (DE) 策略用于强大的重量初始化和优化.
- 一个使用电压,电流和温度数据的多通道学习框架.
主要成果:
- 拟议的模型显著优于美国宇航局离子电池数据集的最新方法.
- 实现了10-14%的误差减少和0.0053和0.0095之间的平均绝对百分比误差 (MAPE).
- 证明了增强的预测稳定性和概括能力.
结论:
- 这种新框架在电池健康监测和预测性维护方面取得了重大进展.
- 这是第一个将空间关注驱动的TLSTM与扩展卷积和基于集群的DE集成到多通道环境中的模型.
- 这些发现为准确可靠的RUL预测建立了新的基准.
