《Feature Selection and Data-Driven Model for Predicting the Remaining Useful Life of Lithium-Ion Batteries》(一种基于特征选择与数据驱动的锂离子电池剩余寿命预测模型)

为确保储能工作站的长期可靠运行，准确、快速、稳定的锂离子电池剩余寿命预测成为当下的研究热点。本工作通过对锂电池的放电容量-电压曲线、最大放电容量-循环曲线进行研究，利用卷积-长短期记忆（CNN-LSTM）神经网络训练短期模型，利用长短期记忆（LSTM）神经网络训练长期迭代模型，最终在锂电池的寿命早期得到较为准确的电池剩余寿命估计以及后续的放电容量变化情况。本工作通过短期模型输出的健康度指标较好地联系了长短期两种神经网络模型，通过两种不同的训练方式，融合迭代预测和短期预测的优势，最终在MIT数据集中取得了平均预测误差小于5%的优异性能。根据上述模型，本工作设计了一种适用于实际应用的预测流程框架，通过该流程，可快速在实际中部署运用本工作所提及的融合长短期模型。本项工作，在宽循环数据集中阐释了特征选择与数据驱动两种方法在锂离子电池剩余寿命预测领域的宽广前景，为未来的电池多元状态监测提供了一定的参考。