2023.6Vol.47No.6研究与设计收稿日期：2022-11-19基金项目：国家自然科学基金(82160787)作者简介：叶震(1996—)，男，重庆市人，硕士研究生，主要研究方向为锂电池健康状态评估与预测技术。通信作者：李琨基于SE-SAE特征融合和BiLSTM的锂电池寿命预测叶震，李琨，李梦男，高宏宇(昆明理工大学信息工程与自动化学院，云南昆明650500)摘要：预测锂电池剩余使用寿命(RUL)时，针对电池外部特性参量电流、电压等单一的健康因子(HI)对电池退化特性无法完整覆盖的问题，提出一种结合通道注意力机制(SENet)和栈式自编码(SAE)进行特征融合并引入双向长短期记忆(BiLSTM)实现锂电池RUL的预测方法。充分提取锂电池电压、电流等HI。利用SAE对多个锂电池HI特征进行特征融合，并结合SENet通道注意力机制，增加重要特征在提取过程中的表现能力。利用BiLSTM网络对融合HI进行训练预测。采用NASA和马里兰大学计算机辅助寿命周期工程中心(CALCE)锂电池数据集进行验证，训练预测数据均采用50%的比例划分，预测结果的均方根误差(RMSE)平均值达到0.017。关键词：SENet；栈式自编码；特征融合；双向长短期记忆网络；电池寿命预测中图分类号：TM912文献标识码：A文章编号：1002-087X(2023)06-0745-05DOI:10.3969/j.issn.1002-087X.2023.06.012LifepredictionoflithiumbatterybasedonSE-SAEfeaturefusionandBiLSTMYEZhen,LIKun,LIMengnan,GAOHongyu(FacultyofInformationEngineeringandAutomation,KunmingUniversityofTechnology,KunmingYunnan650500,China)Abstract:Whenpredictingtheremainingusefullife(RUL)oflithiumbatteries,apredictionmethodcombiningchannelattentionmechanism(SENet)andthestackedautoencoder(SAE)forfeaturefusionandintroducingdirectionallongshort-termmemory(BiLSTM)wasproposedtosolvetheproblemthatsinglehealthindicator(HI),suchascurrentandvoltage,couldnotfullycoverthedegradationcharacteristicsofbatteries.HIwasfullyextracted,suchasvoltageandcurrentoflithiumbatteries.SAEwasusedforfeaturefusionofmultipleHIfeaturesoflithiumbattery,andSENetchannelattentionmechanismwasusedtoenhancetheexpressiveabilityofimportantfeaturesintheextractionprocess.BiLSTMnetworkwasusedtotrainandpredictfusionHI.ThevalidationwasconductedbyusingthelithiumbatterydatasetofNASAandthecomputer-aidedlifecycleengineering(CALCE)ofUn...
