基于注意力的深度神经网络用于电池放电容量预测
信号处理
2024-09-19 v1 机器学习
摘要
电池放电容量预测对锂离子电池的应用至关重要。从数据角度看，容量退化可视为初始电池荷电状态的记忆。电池管理系统（BMS）采集的流式传感器数据反映了各种运行工况下可用电池容量的退化率。基于注意力机制，从不同循环中的流式传感器数据提取的时间模式可测量电池容量。基于第一循环的注意力相似性可描述后续循环中的电池容量退化。我们开发了具有注意力机制的深度退化网络（DDN）以度量相似性并预测电池容量。DDN 模型能从流式传感器数据中提取与退化相关的时间模式，并高效在线实时执行电池容量预测。基于 MIT-Stanford 开放获取电池老化数据集，容量估计的均方根误差为 1.3 mAh。所提 DDN 模型的平均绝对百分比误差为 0.06{\%}。DDN 模型在具有动态负载曲线的 Oxford Battery Degradation Dataset 中也表现良好。因此，验证了所提算法的高精度与强鲁棒性。
引用
@article{arxiv.2202.06738,
title = {Attention-based Deep Neural Networks for Battery Discharge Capacity Forecasting},
author = {Yadong Zhang and Chenye Zou and Xin Chen},
journal= {arXiv preprint arXiv:2202.06738},
year = {2024}
}