基于GAN-BiLSTM的锂电池RUL预测

作者：孟春; 汪济洲^*; 彭相; 张开宇

来源：黑龙江工业学院学报(综合版), 2023, 23(03): 51-56.

DOI：10.16792/j.cnki.1672-6758.2023.03.023

• GAN-BiLSTM
• 锂电池
• RUL预测
• MSE-v

针对深度学习方法在锂电池剩余寿命(Remaining Useful Life, RUL)预测中因样本数据较少所产生的准确率较低的问题，提出了基于GAN-BiLSTM的锂电池RUL预测方法，通过生成对抗网络(Generative Adversarial Network, GAN)对小样本的电压、电流、温度、时间所组成的数据集进行扩充，然后采用双向长短期记忆网络(Bi-directional Long Short-Term Memory, BiLSTM)提取输入数据的特征并对RUL在线预测，并提出适用于锂电池RUL预测的基于MSE-v的损失函数评价指标，对预测值大于实际值时给予模型更高的惩罚，解决了小样本下深度学习方法精度不高、准确率不高的问题。与其他数据驱动方法对比，实验证明了所提出的模型在测试集上有着较好的拟合效果：损失达到了最低值1.043。实验验证了模型的实用价值。

• 出版日期2023
• 单位合肥学院; 材料与化工学院