HyBattNet：预测锂离子电池剩余可用寿命的混合框架
机器学习
2026-02-03 v3 人工智能
摘要
准确预测剩余可用寿命(RUL)对于实现锂离子电池及时维护至关重要，影响依赖它们的电动应用的运行效率。本文提出一种RUL预测方法，利用最近的充放电循环数据来估计剩余可用循环次数。该方法引入了新的信号预处理管道和深度学习预测模型。在信号预处理管道中，使用插值电流和容量信号计算导出的容量特征。除原始容量、电压和电流外，这些特征还使用统计指标和基于差分的方法进行去噪和增强，以捕捉当前循环与前一循环之间的差异。在预测模型中，处理后的特征被输入到由1D卷积神经网络(CNN)、注意力长短期记忆网络(A-LSTM)和基于常微分方程的LSTM(ODE-LSTM)块组成的混合深度学习架构中。ODE-LSTM架构利用常微分方程将连续动力学集成到序列到序列建模中，从而结合连续和离散时间表示；A-LSTM则包含注意力机制以捕捉局部时间依赖性。该模型进一步在不同的学习策略和目标数据分区情景下进行迁移学习评估。结果表明，该模型即使在目标数据有限时也能保持稳健的性能。来自两套公开可用的锂离子电池数据集的实验结果表明，所提方法优于基线深度学习方法和机器学习技术，实现均方根误差(RMSE)为101.59，凸显其在实际RUL预测应用中的潜力。
引用
@article{arxiv.2505.16664,
title = {HyBattNet: Hybrid Framework for Predicting the Remaining Useful Life of Lithium-Ion Batteries},
author = {Khoa Tran and Tri Le and Bao Huynh and Hung-Cuong Trinh and Vy-Rin Nguyen and T. Nguyen-Thoi and Vin Nguyen-Thai},
journal= {arXiv preprint arXiv:2505.16664},
year = {2026}
}