CNN-LSTM-ASAN融合模型

剩余寿命预测

融合ICEEMDAN与注意力机制，精准捕捉电池退化与容量再生，提升剩余寿命预测精度。

李演明 · Xiaojuan, Qin · Furong, Ma · Haoran, Wu · Min, Chai · Fujing, Zhang · Fenghe, Jiang · 雷旭

Sustainability 2024

参数信息

均方根误差

<1.5 %

技术优势

消除噪声干扰

使用ICEEMDAN和皮尔逊相关系数重构数据集，分离全局退化趋势和局部容量再生，从而消除噪声。

提高训练效率

加入自适应稀疏注意力网络（ASAN），提升模型训练效率。

预测误差低于1.5%

在NASA、CALCE公开数据集和自采数据集上验证，模型的均方根误差低于1.5%。

应用场景

• 电池管理系统：为BMS提供准确的剩余寿命预测，防止系统故障。
• 智能运维：支持电池的预测性维护，降低运维成本。
• 储能系统：保障储能系统安全运行，促进可持续发展。