论文复现！基于SAM-BiGRU网络的锂电池RUL预测

本期基于美国马里兰大学先进生命周期工程研究中心(CALCE)锂电池实验数据，复现了论文《基于SAM-BiGRU网络的锂电池RUL预测》中提出的模型及对比实验。通过对该先进深度学习模型的深入剖析和实验验证，旨在为后续锂电池健康管理系统（Battery Health Management, BHM）研究提供可借鉴的方法路径和数据支持，具有显著的学习和参考价值。

1 复现效果简介

1.1 模型评估：

1.2 预测对比可视化：

我们同时提供详细的资料和视频讲解，包括参数调整教程，预测任务的替换等，代码逐行注释，参数介绍详细：

● 数据集：马里兰大学(CALCE)锂电池寿命试验公开数据集

● 环境框架：python 3.9 pytorch 2.1 及其以上版本均可运行

● 使用对象：论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

2 复现论文简介

2.1 论文摘要

针对现有锂电池剩余使用寿命(RUL)预测方法精度低等问题，提出一种基于自注意力机制(SAM)的双向门控循环单元(BiGRU)网络模型。将锂电池的容量数据作为该模型输入序列，通过自注意力机制捕捉到锂电池容量历史信息中的关键时间点，并为其分配权重，利用 BiGRU 模型学习其容量退化趋势，据此实现剩余寿命预测。所提方法应用于 CALCE 锂电池数据集的 CS2 系列 35、36、37 号锂电池，实验结果表明所提方法 35、36 号锂电池上的预测误差均在 1.5% 以内，37 号锂电池预测误差为 2.22%。

2.2 论文模型简介

锂电池的容量衰退是一种时序问题，本文通过自注意力机制充分捕捉长距离序列数据关键时间点的特征并分配权重，并利用 BiGRU 神经网络有效地获取长序列数据的历史和未来信息，两者可以形成有效补充。通过自注意力机制和 BiGRU 网络相结合，构建 SAM-BiGRU 模型。

首先，对锂电池的容量序列 x1~xt进行线性变换及划分，作为自注意力机制的输入。然后，将其输入到自注意力模型，各部分经过点积运算后进行输出，将输出结果进行拼接处理，得到输入信息的权重分配。最后，将注意力输出结果作为 BiGRU 网络的输入，利用 BiGRU 网络对时间序列数据的处理能力对锂电池剩余容量进行预测。

2.3 论文数据集简介

本文所用数据集为美国马里兰大学先进生命周期工程研究中心(CALCE)锂电池实验数据，采用电池编号 CS2 系列钴酸锂(LiCoO2 )电池中的 35、36、37号三只电池的数据。锂电池额定容量为 1.1 Ah，均以标准恒流恒压协议进行充放电，充电电流 1 C，直到电压达到 4.2 V，然后 4.2 V 恒压充电，直到充电电流降至 0.05 A 以下停止。放电为恒流放电，电流 1 C，截止电压为 2.7 V。实验均在室温条件(25 ℃)下进行。当电池测试容量低于额定容量的 70% 时，可判断电池失效，本文实验中锂电池失效阈值为 0.77 Ah。

3 基于 SAM-BiGRU 的预测模型

3.1 导入数据

以CS2_35 数据集为例，进行数据预处理：

基于滑动窗口计算局部均值和标准差，判断异常点并插值替换！

3.2 设置参数，训练模型

3.3 模型评估与对比实验

注意：原始论文没有开源代码，训练参数也没有完全写详细，我们尽可能的复现论文效果，如有误差，也属正常！

复现的模型和数据处理流程可以作为初学者、论文需求者来作为参考和学习！

4 代码、数据整理如下：

点击下方卡片获取代码！