第12卷第4期2023年4月Vol.12No.4Apr.2023储能科学与技术EnergyStorageScienceandTechnology基于ResNet-Bi-LSTM-Attention的锂离子电池剩余使用寿命预测王朋凯，张新燕，张光昊（新疆大学电气工程学院，新疆乌鲁木齐830046）摘要：锂离子电池剩余使用寿命(RUL)预测是锂离子电池研究的一个重要方向，通过对RUL的准确预测，可以降低锂离子电池出现事故的概率。针对锂离子电池RUL的准确预测，该研究提出一种综合残差神经网络(ResNet)和双向长短期记忆网络(Bi-LSTM)的优势，并且加入注意力机制(Attention)的锂离子电池RUL预测模型。首先选取能够表现电池寿命的特征参数作为输入量，利用ResNet提取输入数据的隐含特征信息，然后利用Bi-LSTM对时间序列信息进行预测，并且结合注意力机制对预测结果进行权重分配，得到最终的锂离子电池的RUL预测结果。通过美国马里兰大学(CALCE)提供的开源数据集进行锂离子电池RUL预测试验，并与现有的预测模型进行对比试验，对比模型的预测结果，试验结果表明提出的ResNet-Bi-LSTM-Attention模型能够准确地进行锂离子电池RUL预测，各项误差都比较低，具有较好的精度和准确性。最后使用美国航空航天局(NASA)提供的锂离子电池开源数据集进行泛化性实验，证明了ResNet-Bi-LSTM-Attention模型在不同电池RUL预测中具有良好的准确性，可以被广泛使用。关键词：锂离子电池；残差神经网络；双向长短期记忆网络；注意力机制；剩余使用寿命预测doi：10.19799/j.cnki.2095-4239.2022.0652中图分类号：TM911文献标志码：A文章编号：2095-4239（2023）04-1215-08Remainingusefullifepredictionoflithium-ionbatteriesbasedonResNet-Bi-LSTM-AttentionmodelWANGPengkai,ZHANGXinyan,ZHANGGuanghao(SchoolofElectricalEngineering,XinjiangUniversity,Urumqi830046,XinjiangChina)Abstract:Accuratepredictionofremainingusefullife(RUL)oflithium-ionbatteriesisanimportantresearchtopicasitcanhelpreducetherisksoflithium-ionbatteryaccidents.Thus,thisresearchproposesapredictionmodelofRULoflithium-ionbatteriesthatcomprisesanattentionmechanismandcombinestheadvantagesofresidualneuralnetwork(ResNet)andbidirectionalshort-termmemorynetwork(BiLSTM).Forthis,thecharacteristicparametersthatcanrepresentthebatterylifewereselectedastheinputquantity.ResNetwasusedtoextracttheimplicitcharacteristicinformationofthei...
