-
题名基于多模态深度学习的充电硐室锂电池健康状态预测
- 1
-
-
作者
赵应华
陈安碧
张增誉
李文中
韩宇
-
机构
国能榆林能源有限责任公司青龙寺煤矿分公司
深圳市德塔工业智能电动汽车有限公司
国能榆林能源有限责任公司
-
出处
《工矿自动化》
北大核心
2025年第5期120-128,共9页
-
基金
辽宁省教育厅基础项目(LJ2019JL030)
国能榆林能源青龙寺煤矿示范项目(YLNY-QLSCB-JF-2023-22)。
-
文摘
在井下多尘、潮湿且易爆的环境中,锂电池的退化过程往往呈现非线性、多阶段的特点,传统的单一模型难以全面捕捉其动态变化。针对该问题,提出一种基于多模态深度学习的充电硐室锂电池健康状态预测方法。构建了多模态深度学习网络模型TCN−BiLSTM−Transformer。该模型通过多层级特征提取机制实现时序信号的高效处理:时间卷积网络(TCN)采用具有指数扩展率的空洞卷积核,在保持时序完整性的同时捕获多尺度局部特征;双向长短期记忆网络(BiLSTM)通过双向门控循环单元(GRU)建立时序双向依赖关系,有效识别电池退化过程中的正反向退化特征;Transformer层则通过多头自注意力机制动态分配特征权重,实现全局退化模式的关键特征聚焦。通过锂电池工作过程中的多源传感数据(电压、电流和温度等)作为健康状态表征指标,通过Pearson相关性分析评估健康指标与电池容量的关联性,确定5个间接健康因子并作为预测模型的输入。实验结果表明,该方法的相关度均在98%以上,且均方误差、均方根误差、平均绝对误差、平均绝对百分比误差均较小。在煤矿防爆锂电池模拟工况应用验证中,该方法的相关度达99.47%,与传统方法的预测结果相比,波动幅度更小,精度更高。
-
关键词
防爆锂电池
健康状态预测
多模态深度学习
时间卷积网络
双向长短期记忆网络
TCN−BiLSTM−Transformer
-
Keywords
explosion-proof lithium-ion battery
state of health prediction
multi-modal deep learning
Temporal Convolutional Network(TCN)
Bidirectional Long Short-Term Memory Network(BiLSTM)
TCNBiLSTM-Transformer
-
分类号
TD611
[矿业工程—矿山机电]
-
