
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于深度学习的锂离子电池RUL与SOH预测方法——采用LOCO模型
《Scientific Reports》:Deep learning-based RUL and SOH prediction of lithium-ion batteries using LOCO
【字体: 大 中 小 】 时间:2026年06月19日 来源:Scientific Reports 3.9
编辑推荐:
摘要锂离子电池的退化会影响到现代储能系统的可靠性、安全性及成本效益,因此准确预测剩余使用寿命(RUL)并评估电池健康状态(SOH)对于电池性能预测而言至关重要。本研究提出了一个基于三种代表性深度学习架构的全面电池性能预测对比基准框架,这三种架构分别为长短期记忆网络(LSTM)、时
锂离子电池的退化会影响到现代储能系统的可靠性、安全性及成本效益,因此准确预测剩余使用寿命(RUL)并评估电池健康状态(SOH)对于电池性能预测而言至关重要。本研究提出了一个基于三种代表性深度学习架构的全面电池性能预测对比基准框架,这三种架构分别为长短期记忆网络(LSTM)、时间卷积网络(TCN)和时间融合变换器(TFT)。为确保模型与数据集之间的公平且可重复的比较,我们对两个公开可用的基准数据集——NASA Ames电池老化数据集和牛津电池退化数据集——采用了相同的预处理、特征工程、标准化及训练流程。通过滑动窗口方法,将与退化相关的特征及时间统计描述符整理为时间序列,以便捕捉非线性退化行为。为真实评估不同电池单元之间的泛化能力,采用了严格的留一法(LOCO)验证方案,即在不同电池单元上对模型进行验证。预测任务被定义为RUL的回归问题,而基于标准化放电容量的SOH值则用于分析电池的退化情况。模型性能通过平均绝对误差(MAE)、均方根误差(RMSE)以及决定系数(R2)来评估,这些指标都是通过多次随机种子实验后以均值±标准差的形式呈现的。我们还通过置信区间估计、种子级差异分析以及电池单元级评估等额外统计方法,区分了随机训练效应与不同LOCO分组所带来的差异。研究结果表明,电池退化的复杂性以及不同电池单元间的差异性会影响模型性能,这凸显了设计合理的评估方案、进行统计可靠性分析以及实施严格的跨电池单元验证对于确保锂离子电池性能预测的准确性具有重要意义。
生物通微信公众号