典型文献
基于dropout-MC递归神经网络的锂电池剩余寿命预测
文献摘要：
为保障电动车辆的可靠性和安全性,提出了一种dropout Monte Carlo(dropout-MC)递归神经网络的锂离子动力电池系统的剩余寿命(RU L)预测方法.以等电压充电时间间隔作为间接健康因子,考虑外部干扰和容量再生现象的影响,以变分模态分解(VMD)来获得电池退化趋势.以改进的递归神经网络模型——长短时间序列(LSTM)来获得剩余寿命预测.以dropout-MC采样方法来表征锂离子电池剩余寿命的不确定性,并获得锂离子电池RUL的95％置信区间.结果表明:相较于传统的极限学习机(ELM)方法和非线性自回归神经网络(NARX)方法,该文方法的剩余寿命预测性能指标均低于2.4％.因而,该方法具有优越的预测性能,且获得预测的置信区间.
文献关键词：
车辆安全;锂离子电池;剩余寿命(RUL);变分模态分解(VMD);dropout Monte Carlo (dropout-MC)方法;递归神经网络
中图分类号：
作者姓名：
魏孟;王桥;叶敏;廉高棨;徐信芯
作者机构：
长安大学 公路养护装备国家工程实验室,西安 710064, 中国;新加坡国立大学 机械系,新加坡117576, 新加坡;河南省高等级公路检测与养护技术重点实验室, 新乡 453003, 中国
文献出处：
引用格式：
[1]魏孟;王桥;叶敏;廉高棨;徐信芯-.基于dropout-MC递归神经网络的锂电池剩余寿命预测)[J].汽车安全与节能学报,2022(03):541-549
A类：
B类：
dropout,MC,递归神经网络,锂电池,剩余寿命预测,电动车辆,Monte,Carlo,锂离子动力电池,动力电池系统,充电时间,时间间隔,隔作,间接健康因子,外部干扰,容量再生,变分模态分解,VMD,电池退化,采样方法,锂离子电池,RUL,置信区间,极限学习机,ELM,非线性自回归神经网络,NARX,预测性能,车辆安全
AB值：
0.253308
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
