使用时间深度模型对电动汽车电池的剩余使用寿命（RUL）进行估算和不确定性量化

《Scientific Reports》：Estimation and uncertainty quantification of remaining useful life (RUL) of electric vehicle batteries using a temporal deep model

　　

摘要

本研究基于多尺度卷积神经网络（CNN）特征集成和多头注意力长短期记忆网络（MCNN-MHALSTM），开发了一种用于电动汽车锂离子电池剩余使用寿命（RUL）的估算算法。该方法考虑了估算结果的不确定性，并通过网络架构实现了多特征融合与时序相关性学习。首先，采用跳跃连接（skip connections）策略，利用独立的多个尺度CNN从电池的三个关键状态（容量、内阻和温度）中提取时序动态特征；然后通过多特征集成技术将这些特征串联起来，输入到多头注意力长短期记忆网络（MHALSTM）中以完成特征相关性提取。其次，引入长短期记忆（LSTM）算法来估算电池的剩余使用寿命，并应用两个配置相同的多头注意力层来优化LSTM算法。在实现对电池数据的高阶特征提取的同时，将电池寿命估算任务拆分成多个子任务，并通过资源分配解决了特征冗余问题。最后，利用NASA提供的锂离子电池容量退化数据集验证了MCNN-MHALSTM电动汽车电池剩余使用寿命估算模型的有效性。