针对锂电池健康状态(state of health,SOH)估计过程中健康特征(health features,HFs)提取单一、估计精度较低等问题,提出一种基于充电阶段数据与灰狼优化(grey wolf optimizer,GWO)算法-双向长短期记忆(bidirectional long short-term m...针对锂电池健康状态(state of health,SOH)估计过程中健康特征(health features,HFs)提取单一、估计精度较低等问题,提出一种基于充电阶段数据与灰狼优化(grey wolf optimizer,GWO)算法-双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络的锂电池SOH估计方法。首先,从电池充电阶段数据中提取五类HFs。接着,利用核主成分分析法(kernel principal component analysis,KPCA)获取HFs的关键健康因子。最后,应用GWO-BiLSTM模型对关键健康因子和SOH之间的映射关系进行动态建模,实现锂电池SOH的估计。利用NASA电池老化数据集进行验证,结果表明,所提出方法能够准确估计锂电池的SOH,均方根误差保持在1%以内,具有较高的估计精度和鲁棒性。展开更多
文摘针对锂电池健康状态(state of health,SOH)估计过程中健康特征(health features,HFs)提取单一、估计精度较低等问题,提出一种基于充电阶段数据与灰狼优化(grey wolf optimizer,GWO)算法-双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络的锂电池SOH估计方法。首先,从电池充电阶段数据中提取五类HFs。接着,利用核主成分分析法(kernel principal component analysis,KPCA)获取HFs的关键健康因子。最后,应用GWO-BiLSTM模型对关键健康因子和SOH之间的映射关系进行动态建模,实现锂电池SOH的估计。利用NASA电池老化数据集进行验证,结果表明,所提出方法能够准确估计锂电池的SOH,均方根误差保持在1%以内,具有较高的估计精度和鲁棒性。
