可解释的OptiCNN-SLSTM混合模型用于增强的离子电池健康状况预测
Ashima Singh1, Sanju Singh2, Rahul Kumar Kamboj3
1Computer Science and Engineering, Thapar Institute of Engineering and Technology, Patiala, Punjab, 147004, India. ashima@thapar.edu.
Scientific reports
|November 29, 2025
概括
准确预测离子电池 (LIB) 健康状况 (SoH) 对电动汽车 (EV) 至关重要. 这项研究引入了一种混合深度学习模型,OptiCNN-SLSTM,用于强大而准确的EV电池健康估计.
科学领域:
- 电池技术 电池技术
- 人工智能的人工智能
- 电动汽车工程 电动汽车工程
背景情况:
- 对离子电池 (LIB) 的准确健康状况 (SoH) 预测对于电动汽车 (EV) 的性能和充电至关重要. 现有的方法在捕捉复杂的LIB行为时面临着变量周期数据和物理模型限制的挑战.
- 对电动汽车的日益增长的需求需要可靠的电池管理系统,能够精确监测健康状况.
研究的目的:
- 为准确的LIB健康状况 (SoH) 预测开发一个强大的混合深度学习框架.
- 克服现有方法在处理可变周期数据和复杂电池动态方面的局限性.
主要方法:
- 介绍了Optuna优化的卷积神经网络和堆叠的长期短期记忆 (OptiCNN-SLSTM) 模型.
- 使用1D CNN进行时间特征压缩和状态式LSTM进行样本间和样本内依赖性捕获.
- 实施两步超参数优化过程,包括Optuna优化,用于模型改进.
主要成果:
- 在基准数据集上,OptiCNN-SLSTM模型取得了很高的准确性:NASA的RMSE为2.15% (B0005) 和2.18% (B0007),牛津的0.67% (cell-1) 和1.02% (cell-2).
- 在真实世界EV电动汽车电池数据集上的验证表明MSE = 0.001%,RMSE = 0.03%,MAE = 0.28%的异常性能.
- 该模型展示了实用的EV电池健康估计的稳定性和通用性.
结论:
- 开发的OptiCNN-SLSTM模型在预测离子电池 (LIB) 的健康状况 (SoH) 方面取得了重大进展.
- 混合深度学习方法有效地解决了由可变周期数据和复杂的电池行为所带来的挑战.
- 该框架为实际的电动汽车电池健康估计提供了可靠的解决方案,提高了电动汽车性能和充电策略.
更多相关视频
11:25Identification and Quantification of Decomposition Mechanisms in Lithium-Ion Batteries; Input to Heat Flow Simulation for Modeling Thermal Runaway
Published on: March 7, 2022
5.2K
10:36Author Spotlight: Optimization of Airflow Velocities in Battery Cooling Systems for Enhanced Thermal Performance and Reduced Energy Consumption
Published on: November 3, 2023
2.1K
