典型文献
PSO优化的BiLSTM-Attention网络的锂电池健康状态评估
文献摘要:
锂离子电池作为一种高效的储能元件,被广泛应用到生产生活的各个领域,其健康状态事关系统的安全性,受到越来越多的重视.基于粒子群优化算法,优化了具有注意力机制的双向长短期记忆网络,实现了锂离子电池的健康评估.首先,考虑到锂电池数据的时序特征,采取了一种双向长短期记忆网络提高预测效果,并且引入注意力机制解决信息过载问题,提高任务处理的效率和准确性.接着,利用粒子群优化算法优化网络模型结构的参数,获得高效的锂电池健康状态估计.最后,引入NASA锂离子电池数据集.实验结果验证了所提方法的有效性.
文献关键词:
锂离子电池;双向长短期记忆神经网络;注意力机制;健康状态
中图分类号:
作者姓名:
张永;辛宇琪;钱启政;解进;冉少林
作者机构:
武汉科技大学信息科学与工程学院,湖北武汉430081;武汉华夏理工学院信息工程学院,湖北武汉430223;华中科技大学人工智能与自动化学院,湖北武汉430074
文献出处:
引用格式:
[1]张永;辛宇琪;钱启政;解进;冉少林-.PSO优化的BiLSTM-Attention网络的锂电池健康状态评估)[J].控制工程,2022(02):287-293
A类:
B类:
PSO,BiLSTM,Attention,锂电池,电池健康状态,健康状态评估,锂离子电池,储能元件,粒子群优化算法,注意力机制,双向长短期记忆网络,健康评估,时序特征,信息过载,过载问题,任务处理,算法优化,模型结构,健康状态估计,NASA,双向长短期记忆神经网络
AB值:
0.242105
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。