来源：期刊VIP网 时间：
作者：赵应华;陈安碧;张增誉;李文中;韩宇;
单位：国能榆林能源有限责任公司青龙寺煤矿分公司;深圳市德塔工业智能电动汽车有限公司;国能榆林能源有限责任公司;
摘要：在井下多尘、潮湿且易爆的环境中，锂电池的退化过程往往呈现非线性、多阶段的特点，传统的单一模型难以全面捕捉其动态变化。针对该问题，提出一种基于多模态深度学习的充电硐室锂电池健康状态预测方法。构建了多模态深度学习网络模型TCN-BiLSTM-Transformer。该模型通过多层级特征提取机制实现时序信号的高效处理：时间卷积网络（TCN）采用具有指数扩展率的空洞卷积核，在保持时序完整性的同时捕获多尺度局部特征；双向长短期记忆网络（BiLSTM）通过双向门控循环单元（GRU）建立时序双向依赖关系，有效识别电池退化过程中的正反向退化特征；Transformer层则通过多头自注意力机制动态分配特征权重，实现全局退化模式的关键特征聚焦。通过锂电池工作过程中的多源传感数据（电压、电流和温度等）作为健康状态表征指标，通过Pearson相关性分析评估健康指标与电池容量的关联性，确定5个间接健康因子并作为预测模型的输入。实验结果表明，该方法的相关度均在98%以上，且均方误差、均方根误差、平均绝对误差、平均绝对百分比误差均较小。在煤矿防爆锂电池模拟工况应用验证中，该方法的相关度达99.47%，与传统方法的预测结果相比，波动幅度更小，精度更高。
关键词：防爆锂电池;健康状态预测;多模态深度学习;时间卷积网络;双向长短期记忆网络;TCN-BiLSTM-Transformer
基金资助：辽宁省教育厅基础项目（LJ2019JL030）; 国能榆林能源青龙寺煤矿示范项目（YLNY-QLSCB-JF-2023-22）
