准确估计锂离子电池的健康状态(state of health,SOH)对保证电池的安全使用具有十分重要的意义。为了提高SOH估计精度,提出了一种融合卷积神经网络(convolutional neural network,CNN)和Transformer的锂离子电池SOH估计方法。首先,分析...准确估计锂离子电池的健康状态(state of health,SOH)对保证电池的安全使用具有十分重要的意义。为了提高SOH估计精度,提出了一种融合卷积神经网络(convolutional neural network,CNN)和Transformer的锂离子电池SOH估计方法。首先,分析了牛津实验室测试得到的锂离子电池充放电循环数据,提取了部分等间隔电压对应的充电时间序列作为表征电池老化的健康特征,并利用Pearson相关系数法定量分析了健康特征与SOH直接的相关性。然后,将具有局部特征提取能力的CNN与具有自注意力全局特征提取能力的Transformer相结合进行SOH估计。为了进一步提高估算精度,采用贝叶斯优化算法对CNN-Transformer全局超参数进行寻优,得到最优模型参数组合,提高了模型计算速度和SOH估算精度。在8个电池中进行交叉验证,结果表明:所提出的方法可以保证SOH估算最大误差、均方根误差和平均绝对误差分别小于1.5%、0.75%、0.63%。并将提出的方法与4种传统深度学习算法进行比较分析,发现该方法具有更好的估算精度和泛化能力。展开更多
锂离子电池的健康状态(state of health,SOH)是电池管理系统的重要功能,对于电池的可靠运行和使用寿命具有重要意义。为了进一步提高数据驱动方法对锂离子电池SOH估计的精度,提出一种卷积Fastformer模型的SOH估计方法。首先,提取锂离子...锂离子电池的健康状态(state of health,SOH)是电池管理系统的重要功能,对于电池的可靠运行和使用寿命具有重要意义。为了进一步提高数据驱动方法对锂离子电池SOH估计的精度,提出一种卷积Fastformer模型的SOH估计方法。首先,提取锂离子电池多个充电阶段的每次循环电压曲线、电流曲线,每个阶段各个曲线转换为统计健康特征来表征锂离子电池老化特性,并使用Pearson相关系数对所选统计特征进行了相关性分析,筛选出与容量相关性高的健康特征,消除特征冗余性。随后,融合卷积神经网络和具有线性复杂度的Fastformer神经网络的特点,使用卷积神经网络强大的特征提取能力挖掘健康特征的局部信息,利用Fastformer的多头附加注意力机制可以更高效地在复杂的长序列中总结全文信息。然后,为减少模型训练时间,利用正交实验法对模型超参数进行优化。最后,采用公开数据集将所提方法与CNN、GRU、RNN模型进行对比,验证卷积Fastformer模型的准确性,结果表明,平均绝对误差、均方根误差最大仅为0.25%,0.29%,相对误差在0.8%以内,具有较高的估计精度和稳定性。展开更多
锂离子电池的健康状态(state of health,SOH)是电池管理系统的核心问题,对其精确的评估能够保障电池的安全可靠运行。然而在实际应用中,容量较难直接测得,导致SOH估算困难。为了获得准确的SOH,本文提出一种基于注意力改进双向门控循环单...锂离子电池的健康状态(state of health,SOH)是电池管理系统的核心问题,对其精确的评估能够保障电池的安全可靠运行。然而在实际应用中,容量较难直接测得,导致SOH估算困难。为了获得准确的SOH,本文提出一种基于注意力改进双向门控循环单元(BiGRU)的锂离子电池SOH估计方法。首先提取电池充放电曲线中的电压、电流与阻抗等参数,通过自编码器(auto encoder,AE)对其降维,提取特征量并减少数据间的冗余性。其次,引入注意力机制(attention mechanism,AM)对输入变量分配权重,突出对SOH估计起到关键作用的特征量。最后,利用BiGRU学习输入变量与容量之间的映射关系,捕获容量衰减下的长期依赖性。在不同充电倍率的电池数据集上的结果表明,该方法对不同类型电池的SOH皆可以实现高精度估计,均方根误差在1.1%以下。展开更多
为研究动力锂离子电池的健康状态(state of health,SOH),根据SOH和荷电状态(state of charge,SOC)的定义以及电池的二阶电阻电容(resistance-capacitance,RC)等效电路模型,建立了基于恒流充电阶段电池电压曲线的SOH估计模型.通过分析电...为研究动力锂离子电池的健康状态(state of health,SOH),根据SOH和荷电状态(state of charge,SOC)的定义以及电池的二阶电阻电容(resistance-capacitance,RC)等效电路模型,建立了基于恒流充电阶段电池电压曲线的SOH估计模型.通过分析电池循环寿命测试数据,利用恒流充电阶段电池电压曲线对SOH进行估计,并与试验数据进行了对比,在SOH值衰减至80%之前,SOH估计的相对误差均在±2%范围内,能较好地吻合试验结果.结果表明:所提出的估计方法具有可行性和精确性.展开更多
文摘准确估计锂离子电池的健康状态(state of health,SOH)对保证电池的安全使用具有十分重要的意义。为了提高SOH估计精度,提出了一种融合卷积神经网络(convolutional neural network,CNN)和Transformer的锂离子电池SOH估计方法。首先,分析了牛津实验室测试得到的锂离子电池充放电循环数据,提取了部分等间隔电压对应的充电时间序列作为表征电池老化的健康特征,并利用Pearson相关系数法定量分析了健康特征与SOH直接的相关性。然后,将具有局部特征提取能力的CNN与具有自注意力全局特征提取能力的Transformer相结合进行SOH估计。为了进一步提高估算精度,采用贝叶斯优化算法对CNN-Transformer全局超参数进行寻优,得到最优模型参数组合,提高了模型计算速度和SOH估算精度。在8个电池中进行交叉验证,结果表明:所提出的方法可以保证SOH估算最大误差、均方根误差和平均绝对误差分别小于1.5%、0.75%、0.63%。并将提出的方法与4种传统深度学习算法进行比较分析,发现该方法具有更好的估算精度和泛化能力。
文摘锂离子电池的健康状态(state of health,SOH)是电池管理系统的重要功能,对于电池的可靠运行和使用寿命具有重要意义。为了进一步提高数据驱动方法对锂离子电池SOH估计的精度,提出一种卷积Fastformer模型的SOH估计方法。首先,提取锂离子电池多个充电阶段的每次循环电压曲线、电流曲线,每个阶段各个曲线转换为统计健康特征来表征锂离子电池老化特性,并使用Pearson相关系数对所选统计特征进行了相关性分析,筛选出与容量相关性高的健康特征,消除特征冗余性。随后,融合卷积神经网络和具有线性复杂度的Fastformer神经网络的特点,使用卷积神经网络强大的特征提取能力挖掘健康特征的局部信息,利用Fastformer的多头附加注意力机制可以更高效地在复杂的长序列中总结全文信息。然后,为减少模型训练时间,利用正交实验法对模型超参数进行优化。最后,采用公开数据集将所提方法与CNN、GRU、RNN模型进行对比,验证卷积Fastformer模型的准确性,结果表明,平均绝对误差、均方根误差最大仅为0.25%,0.29%,相对误差在0.8%以内,具有较高的估计精度和稳定性。
文摘锂离子电池的健康状态(state of health,SOH)是电池管理系统的核心问题,对其精确的评估能够保障电池的安全可靠运行。然而在实际应用中,容量较难直接测得,导致SOH估算困难。为了获得准确的SOH,本文提出一种基于注意力改进双向门控循环单元(BiGRU)的锂离子电池SOH估计方法。首先提取电池充放电曲线中的电压、电流与阻抗等参数,通过自编码器(auto encoder,AE)对其降维,提取特征量并减少数据间的冗余性。其次,引入注意力机制(attention mechanism,AM)对输入变量分配权重,突出对SOH估计起到关键作用的特征量。最后,利用BiGRU学习输入变量与容量之间的映射关系,捕获容量衰减下的长期依赖性。在不同充电倍率的电池数据集上的结果表明,该方法对不同类型电池的SOH皆可以实现高精度估计,均方根误差在1.1%以下。
文摘为研究动力锂离子电池的健康状态(state of health,SOH),根据SOH和荷电状态(state of charge,SOC)的定义以及电池的二阶电阻电容(resistance-capacitance,RC)等效电路模型,建立了基于恒流充电阶段电池电压曲线的SOH估计模型.通过分析电池循环寿命测试数据,利用恒流充电阶段电池电压曲线对SOH进行估计,并与试验数据进行了对比,在SOH值衰减至80%之前,SOH估计的相对误差均在±2%范围内,能较好地吻合试验结果.结果表明:所提出的估计方法具有可行性和精确性.
