作者:封居强 审核:黄凯峰 上传:范文文
近日，淮南师范学院机械与电气工程学院轨道交通电源与控制工程技术研究中心课题组和安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室课题组合作，在锂离子电池剩余使用寿命预测领域取得新进展，初步研究结果以“A Data-Driven Prediction Model for the Remaining Useful Life Prediction of Lithium-ion Batteries”为题在工业过程安全和环境保护工程领域著名期刊Process Safety and Environmental Protection (IF 7.8)发表。
准确预测剩余使用寿命(RUL)，可以保证动力电池在运行过程中的安全可靠，降低故障率和运行成本，提升用户体验。然而，电池退化是一个复杂的非线性动态过程，预测RUL仍然是一个重大挑战。为了解决这一问题，本文提出了结合主成分分析 (PCA)、卷积神经网络 (CNN) 和双向长短期记忆 (Bi-LSTM) 网络的混合数据驱动预测模型PCA-CNN- BiLSTM。利用NASA和CALCE的电池数据集对所提出的模型的性能进行了评估，结果表明，该方法在各种数据集上都表现出很高的准确性，如下图所示。
近年来，轨道交通电源与控制工程技术研究中心课题组长期致力于锂离子电池及电池管理系统方面的研究，先后与淮北矿业集团许疃煤矿（长距离通风系统的矿用锂离子应急电源研究）、淮南矿用电子技术研究所（基于数据驱动的矿用锂离子电池组健康状态评估和剩余使用寿命预测研究与设备研制）、芜湖天弋能源科技有限公司（228Ah矿用锂离子电池国标安全测试方案）进行了合作，并取得成果。
