混合神经网络结合贝叶斯优化估计电池健康度
原文：State of Health Estimation using Convolutional and Bidirectional LSTM Neural Networks tuned by Bayesian Optimization
本研究提出了一种用于健康状态（SOH）估计的新框架，采用卷积神经网络（CNN）与双向长短期记忆（BiLSTM）神经网络级联的混合深度学习架构，并结合基于贝叶斯优化的网络超参数调优。研究评估了三种不同的深度学习架构：独立的循环模型、CNN-RNN架构，以及加入中间全连接（FC）层的CNN-RNN组合。在这三者中，带有中间FC层的模型展现出最高的预测精度。在特征工程方面，研究综合了容量（Q）、电压（V）、增量容量分析（ICA）和差分电压分析（DVA），并系统地评估多种组合以确定最优的输入表示。为验证所提方法，研究使用了三个公开数据集，以保证结果的可复现性：其中两个来自外部来源，一个由本研究作者基于独特的实验装置自行构建。对比研究采用平均绝对误差（MAE）、均方根误差（RMSE）和浮点运算次数（FLOPs）作为评估指标。作者：Panagiotis Eleftheriadis, Foivos Georgios Kyrgios, Sonia Leva 分类：cs.LG