NASA和CALCE 锂电池数据集基于Pytorch的RNN LSTM GRU 寿命预测源码+使用说明文档.zip

# 马里兰大学锂电池数据集 CALCE，基于 Python 的锂电池寿命预测（Remaining Useful Life，RUL）& （End Of Life，EOL） **主要库版本：** - pytorch >=1.6.0 - pandas 0.24.2 **预测结果** <img src="figures/prediction_calce.png" width = "100%" /> **关于代码的说明：** 最近经常收到有同学问代码中一些问题，现汇总如下： (1) SOH 的由来，它 dec 计算的部分，减去3.8和减去3.4代表着什么。 就是取放电电压在 [3.4, 3.8] 之间的容量作为 电池的 SOH。因为现在 SOH 还没有稳定的定义，所以这个区间的数值不一定就是这两个，你可以选择放电电压在 [3.3, 3.8], [3.5, 3.8] 之间的容量作为 SOH 也没问题。因为容量预测的时候可能不太准确，不可能满充满放，所以选择电池在中间这段放电的时候的电容量来作为 SOH。 这部分的具体分析，可以查看论文的分析。 - Tian, J., Xiong, R., Shen, W., Lu, J., & Yang, X. G. (2021). Deep neural network battery charging curve prediction using 30 points collected in 10 min. Joule, 5(6), 1521-1534. - Lin, C., Xu, J., Shi, M., & Mei, X. Constant Current Charging Time Based Fast State-of-Health Estimation for Lithium-Ion Batteries. Available at SSRN 4018988. (2) build_sequences(text, window_size) 函数生成的预测数据为什么是序列不是下一个点？ 序列[1, 2, 3, 4, 5]， build_sequences 函数生成的 x=[[1, 2, 3], [2, 3, 4]], y=[[2, 3, 4], [3, 4, 5]]的目的有两个： 一种是用序列预测序列，即 x=[1, 2, 3] 预测 y=[2, 3, 4]，x=[2, 3, 4] 预测 y=[3, 4, 5]； 一种是用序列预测下一个点，即 x=[1, 2, 3] 预测 y=[4]，x=[2, 3, 4] 预测 y=[5]； 本次实验中，我采用后者。所以，代码中，我训练的时候最后是取了train_y的最后一列： y = np.reshape(train_y[:,-1]/Rated_Capacity,(-1,1)).astype(np.float32) **版本更新** - 2024年5月12日，修改部分代码以及添加预测图像 - 2022年5月9日，添加高斯拟合方法：Gaussian fitting.ipynb - 2022年2月24日，修改部分变量的名字 - 2022年2月6日，解决错误“Tensor for argument #2 ‘mat1’ is on CPU, but expected it to be on GPU (while checking arguments for addmm)” - 2021年12月1日， 添加数据读取模块 如果原始数据集无法成功读取，可以直接选择加载我已经提取出来的数据：NASA.npy Battery = np.load('NASA.npy', allow_pickle=True) Battery = Battery.item() **数据处理参考来源** https://github.com/konkon3249/BatteryLifePrediction **参考文献** ``` @article{chen2022transformer, title={Transformer network for remaining useful life prediction of lithium-ion batteries}, author={Chen, Daoquan and Hong, Weicong and Zhou, Xiuze}, journal={Ieee Access}, volume={10}, pages={19621--19628}, year={2022}, publisher={IEEE} } ``` [PDF download](https://github.com/XiuzeZhou/xiuzezhou.github.io/tree/main/pub/Transformer.pdf)