一种结合CNN和DNN的混合模型，用于预测电池的剩余使用寿命（RUL）

《Scientific Reports》：A hybrid CNN-DNN model for battery remaining useful life RUL prediction

　　

摘要

准确预测锂离子电池的剩余使用寿命对于提高储能系统的可靠性、安全性和维护计划至关重要。本研究提出了一种优化的混合深度学习框架，该框架将卷积神经网络与深度神经网络相结合，以实现有效的电池剩余使用寿命预测。该模型利用卷积神经网络层从多变量电池退化数据中自动提取具有区分性的特征，而深度神经网络层则用于建模复杂的非线性关系，从而进行精确的回归估计。为了进一步提高预测性能并减少特征冗余，采用了二进制粒子群优化算法进行最优特征选择。实验使用了公开可用的锂离子电池退化数据集，该数据集包含680个样本，涵盖了电气、热学和健康相关参数，包括电池健康状态（State of Health）和剩余使用寿命指标。数据集被划分为训练集、验证集和测试集，比例分别为70%、15%和15%。通过均方误差（Mean Squared Error）、平均绝对百分比误差（Mean Absolute Percentage Error）、中位数绝对误差（Median Absolute Error）和决定系数（Coefficient of Determination）等指标对模型进行了全面性能评估。所提出的混合模型表现出优异的性能，其均方误差为0.0141，平均绝对误差为0.0931，平均绝对百分比误差为0.0142，中位数绝对误差为0.0739，决定系数为99.01%，显著优于其他深度学习模型。这些结果表明，所提出的框架为锂离子电池剩余使用寿命预测提供了一种稳健且准确的解决方案，并支持其在智能电池管理系统中的应用。