期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于多特征量分析和LSTM-XGBoost模型的锂离子电池SOH估计方法
1
作者
陆继忠
彭思敏
李晓宇
《储能科学与技术》
CAS
CSCD
北大核心
2024年第9期2972-2982,共11页
准确评估锂离子电池健康状态(state of health,SOH)对保证电动汽车的安全稳定运行至关重要。然而,传统SOH估计方法在有效提取健康特征(health features,HFs)和依赖大量特征测试数据上面临一些挑战。为此,本文提出一种基于多特征量分析...
准确评估锂离子电池健康状态(state of health,SOH)对保证电动汽车的安全稳定运行至关重要。然而,传统SOH估计方法在有效提取健康特征(health features,HFs)和依赖大量特征测试数据上面临一些挑战。为此,本文提出一种基于多特征量分析和长短期记忆(long short-term memory,LSTM)-极端梯度提升(eXtreme gradient boosting,XGBoost)模型的锂离子电池SOH估计方法。首先,为准确描述电池的老化机理,从电池充电数据中提取关于时间、能量、IC三大类共6个HFs。考虑到同类型HFs之间存在大量冗余信息,采用一种基于双相关性的特征处理方法,筛选出可准确表征电池退化趋势的组合HFs。其次,针对传统SOH估计模型需要大量HFs测试数据的问题,提出一种基于LSTM-XGBoost的SOH估计模型。在该模型中,采用LSTM算法来预测电池剩余循环次数的HFs数据。同时,为解决LSTM模型进行HFs预测时计算效率不高的问题,采用LSTMXGBoost模型进行电池SOH估计。利用NASA电池数据集进行验证,结果表明,所提出方法在不同测试数据量下能准确估计锂电池的SOH,且均方根误差保持在1%以内,具有较高的估计精度和鲁棒性。
展开更多
关键词
锂离子电池
健康状态
特征分析
长短期记忆神经网络
极端梯度提升
在线阅读
下载PDF
职称材料
题名
基于多特征量分析和LSTM-XGBoost模型的锂离子电池SOH估计方法
1
作者
陆继忠
彭思敏
李晓宇
机构
江苏省盐城技师学院电气工程学院
盐城工学院电气工程学院
深圳大学物理与光电工程学院
出处
《储能科学与技术》
CAS
CSCD
北大核心
2024年第9期2972-2982,共11页
基金
国家自然科学基金(52177219)
江苏高校“青蓝工程”(2021-11)
盐城工学院校级科研(xjr2021052)。
文摘
准确评估锂离子电池健康状态(state of health,SOH)对保证电动汽车的安全稳定运行至关重要。然而,传统SOH估计方法在有效提取健康特征(health features,HFs)和依赖大量特征测试数据上面临一些挑战。为此,本文提出一种基于多特征量分析和长短期记忆(long short-term memory,LSTM)-极端梯度提升(eXtreme gradient boosting,XGBoost)模型的锂离子电池SOH估计方法。首先,为准确描述电池的老化机理,从电池充电数据中提取关于时间、能量、IC三大类共6个HFs。考虑到同类型HFs之间存在大量冗余信息,采用一种基于双相关性的特征处理方法,筛选出可准确表征电池退化趋势的组合HFs。其次,针对传统SOH估计模型需要大量HFs测试数据的问题,提出一种基于LSTM-XGBoost的SOH估计模型。在该模型中,采用LSTM算法来预测电池剩余循环次数的HFs数据。同时,为解决LSTM模型进行HFs预测时计算效率不高的问题,采用LSTMXGBoost模型进行电池SOH估计。利用NASA电池数据集进行验证,结果表明,所提出方法在不同测试数据量下能准确估计锂电池的SOH,且均方根误差保持在1%以内,具有较高的估计精度和鲁棒性。
关键词
锂离子电池
健康状态
特征分析
长短期记忆神经网络
极端梯度提升
Keywords
lithium-ion battery
state of health
characteristic analysis
long short-term memory neural network
extreme gradient boosting
分类号
TM912 [电气工程—电力电子与电力传动]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于多特征量分析和LSTM-XGBoost模型的锂离子电池SOH估计方法
陆继忠
彭思敏
李晓宇
《储能科学与技术》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
