-
题名基于1DCNN-LSTM的锂离子电池SOH预测
被引量：20
- 1
-
-
作者
王英楷
张红
王星辉
-
机构
福州大学物理与信息工程学院
-
出处
《储能科学与技术》
CAS
CSCD
北大核心
2022年第1期240-245,共6页
-
基金
国家自然科学基金(83417013)
福建省科技厅(2019J06008,2018J01535)。
-
文摘
为了提高锂离子电池健康状态(SOH)的预测精准度和稳定性,针对常规特征选取复杂且无法有效利用等问题,提出了一种联合一维卷积(1DCNN)与长短记忆网络(LSTM)的电池SOH预测方法。首先采用多通道串联电压、电流、温度构建多维特征,然后采用1DCNN从样本数据中提取高级数据特征输入LSTM中以有效利用历史信息,最后通过全连接层输出电池SOH的预测结果。采用NASA锂离子电池容量衰减数据,对所应用的联合算法进行验证,结果表明,相较于其他预测算法,基于1DCNN-LSTM的算法具有更准确的SOH预测结果,其平均绝对误差(MAE)为0.01左右,且失效点误差周期(RUL)小于2个周期。
-
关键词
1DCNN
LSTM
锂电池
多通道特征
电池寿命
-
Keywords
1DCNN
LSTM
lithium battery
battery life
multichannel feature
-
分类号
TM912
[电气工程—电力电子与电力传动]
-
-
题名基于迁移学习的LiPON制备工艺模拟优化
被引量：3
- 2
-
-
作者
吴军君
王涛
王英楷
王星辉
-
机构
福州大学物理与信息工程学院
福州大学微纳器件与太阳能电池研究所
-
出处
《电子学报》
EI
CAS
CSCD
北大核心
2023年第3期687-693,共7页
-
基金
国家自然科学基金(No.83417013)
福建省自然科学基金(No.2019J06008,No.2018J01535)。
-
文摘
不同工艺参数对磁控溅射制备固态电解质薄膜LiPON的物理化学特性有巨大影响,使用机器学习对过程建模,能加强内部原理理解,优化参数提升薄膜性能.迁移学习通过挖掘历史数据集中的信息,提升模型精确度与泛化能力,从而更好地找到良好的工艺参数.本文以文献中磁控溅射制备LiPON的数据集为例,探究靶基距离、溅射功率、溅射气压对LiPON薄膜的离子电导率的影响.对比普通机器学习,迁移学习模型在多项误差指标上提升30%以上.通过模型遍历参数空间,搜寻最佳工艺组合,预测LiPON薄膜的离子电导率为2.04μS/cm,优于文献中的最优值,方差分析与实际样本证明了该方法具有可行性.
-
关键词
LIPON
迁移学习
机器学习
工艺优化
方差分析
-
Keywords
LiPON
transfer learning
machine learning
process optimization
analysis of variance
-
分类号
TM912
[电气工程—电力电子与电力传动]
TP181
[自动化与计算机技术—控制理论与控制工程]
-
