Prédiction de la durée de vie utile restante des batteries lithium-ion basée sur le réseau de neurones 1D CNN-BLSTM

Les batteries lithium-ion sont actuellement largement utilisées dans une variété d'applications. L'estimation précise de la durée de vie utile restante (RUL) des batteries lithium-ion joue un rôle significatif dans les systèmes de gestion de batteries intelligents (BMS). Ainsi, afin d'augmenter la fidélité et la stabilisation de la prédiction de la RUL des batteries lithium-ion, cet article propose une stratégie innovante pour la prédiction de la RUL en intégrant un réseau de neurones convolutif unidimensionnel (1D CNN) et un réseau de neurones à mémoire à long terme de type bilatéral (BLSTM). L'extraction des caractéristiques est réalisée à travers les données de capacité d'entrée du modèle en utilisant 1D CNN, et ces caractéristiques profondes sont utilisées comme entrée du BLSTM. La fonction mémoire du BLSTM est appliquée pour conserver les informations clés dans la base de données et mieux comprendre la relation de couplage entre les données des séries temporelles consécutives le long de l'axe temporel, permettant ainsi de prédire efficacement les tendances de la RUL des batteries lithium-ion. Deux types différents de jeux de données sur les batteries lithium-ion provenant de la NASA et de CALCE ont été utilisés pour vérifier l'efficacité de la méthode proposée. Les résultats montrent que la méthode proposée atteint une précision de prédiction plus élevée, démontre des capacités de généralisation plus fortes, et réduit efficacement les erreurs de prédiction par rapport à d'autres méthodes.