基于并行CNN-Self attention & LSTM的锂电池RUL间接预测

李远博　王海瑞　叶鑫　朱贵富

摘 要 针对锂离子电池难以在线测量直接健康因子（容量、内阻）进行剩余使用寿命（RUL）预测的现状，提出基于并行CNN-Self attention与LSTM组合的锂电池RUL间接预测方法。首先基于锂离子电池放电循环数据，利用灰度关联分析筛选出能够高度体现电池容量衰减的间接健康因子；然后分别对间接健康因子使用卷积神经网络（CNN）进行特征提取和自注意力机制（Self attention）调整特征权重得到对应的特征矩阵；最后融合特征矩阵，并使用长短期记忆（LSTM）网络进行锂电池RUL预测。使用NASA锂离子电池数据集进行实验，结果表明：与传统的CNN、LSTM和CNN-LSTM模型相比，并行CNN-Self attention & LSTM模型所得到的容量衰减曲线更接近实际容量衰减曲线，误差波动范围更小，在RMSE、MAE和R2系数3种评价指标上表现更优。

关键词 锂离子电池 剩余使用寿命 卷积神经网络 自注意力机制 长短期记忆网络 间接健康因子

中图分类号 TM912   文献标识码 A   文章编号 1000-3932（2023）04-0486-08

锂离子电池因其高能量密度、高稳定性、使用寿命长且价格适中等优点成为移动通讯设备、新能源交通工具、航空航天等众多领域的主要电源［1］。随着锂离子电池充放电循环次数的增加和工作环境的影响，电池剩余使用壽命（Remaining Useful Life，RUL）会出现不同程度的衰减。一般情况下，电池容量衰减至70%～80%或内阻增大100%时需要进行电池更换［2］。不能及时准确地对电池RUL做出判断，可能会导致设备无法正常运行且引发安全问题。因此，能够及时有效地进行锂电池RUL预测，对保障系统正常运行和预防危险事故发生具有重要的实际意义。……