计算机应用

作者：倪水平, 李慧芳

单位：河南理工大学 计算机科学与技术学院, 河南 焦作 454003

关键词：一维卷积神经网络,循环神经网络,长短期记忆,荷电状态预测,电池

基金：国家自然科学基金资助项目（61872126）。

针对电池荷电状态（SOC）预测的精确度与稳定性问题以及深层神经网络的梯度消失问题，提出一种基于一维卷积神经网络（1D CNN）与长短期记忆（LSTM）循环神经网络（RNN）结合的电池SOC预测方法——1D CNN-LSTM模型。1D CNN-LSTM模型将电池的电流、电压和电阻映射到目标值SOC。首先，通过一层一维卷积层从样本数据中提取出高级数据特征，并充分地利用输入数据的特征信息；其次，使用一层LSTM层保存历史输入信息，从而有效地预防重要信息的丢失；最后，通过一层全连接层输出电池SOC预测结果。使用电池的多次循环充放电实验数据训练提出的模型，分析对比不同超参数设置下1D CNN-LSTM模型的预测效果，并通过训练模型来调节模型的权重系数和偏置参数，从而确定最优的模型设置。实验结果表明，1D CNN-LSTM模型具有准确且稳定的电池SOC预测效果。该模型的平均绝对误差（MAE）、均方误差（MSE）和最大预测误差分别为0.402 7%、0.002 9%和0.99%。

来源：2021年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第5期