原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
2024年1月电工技术学报Vol.39No.1
第39卷第1期TRANSACTIONSOFCHINAELECTROTECHNICALSOCIETYJan.2024
DOI:10.19595/ki.1000-6753.tces.221890
基于迁移学习和降噪自编码器-长短时间
记忆的锂离子电池剩余寿命预测
1121
尹杰刘博孙国兵钱湘伟
（1.哈尔滨理工大学测控技术与通信工程学院哈尔滨150080
2.黑龙江大学电子工程学院哈尔滨150006）
摘要针对锂离子电池退化数据噪声大、数据量少以及不同生命时期的退化趋势不同而导致
的模型预测精度低、泛化能力差等问题，从数据预处理、预测模型的构建与训练三方面展开研究：
首先结合变分自编码器（VAE）和生成对抗网络模型（GAN）构建VAE-GAN模型生成多组数据，
实现电池的退化数据增强；然后结合降噪自编码器（DAE）和长短时记忆（LSTM）神经网络构建
DAE-LSTM模型进行数据降噪和容量预测，为了降低模型参数，此过程中的数据降噪和预测共享
同一个损失函数；最后先利用生成数据对DAE-LSTM模型进行预训练，再利用真实数据对其进行
迁移训练。在CACLE和NASA公开数据集进行性能测试，实验结果表明该文所提方法精度高、
鲁棒性强，能够有效提高锂离子电池剩余寿命的预测效果。
关键词：锂离子电池剩余寿命预测降噪自编码器长短时记忆神经网络迁移学习
中图分类号：TM912;TP206+.3
0引言Yongzhi等[9]采用长短时记忆（LongShortTerm
Memory,LSTM）神经网络学习锂离子电池退化容量
锂离子电池凭借其能量密度高、使用寿命长且
之间的长期相关性，利用滑动窗口对容量数据进行
绿色环保等特点，被广泛应用于消费电子、新能源
汽车及航空航天领域[1]。在面对不同的工作环境时，分割，通过不断迭代预测的方法获取未来多个时间
步的容量退化数据，这种滑动窗口分割数据以及迭
频繁充放电及环境温度变化等因素都可能会导致锂
离子电池的使用寿命受到影响[2]。电池的老化主要代预测的方法也是锂离子电池剩余使用寿命预测中
表现在容量的减少及等效内阻的增加上[3]。当电池最常用的方法。P.Khumprom等[10]提出以LSTM网
络层为主体的预测模型进行电池寿命预测，分别采
达到其规定的寿命阈值时，便要进行及时更换，以
保证电池及其运行系统的安全性[4]。因此，锂离子用寿命周期50%和70%的容量数据进行模型训练，
并进行剩余寿命预测，实验结果表明采用70%的寿
电池剩余使用寿命（RemainingUsefulLife,RUL）的
命数据训练的模型具有更高的精度。这不仅与训练
精准预测十分必要。
模型的数据量有关，也与锂离子电池的退化特性有
近年来，随着机器学习和深度学习的蓬勃发展，
关，电池的寿命退化曲线是非线性的，其寿命前中
基于数据驱动的锂离子电池剩余使用寿命预测被
文档评论（0）