锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种...锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种基于弛豫电压的并行多尺度特征融合卷积模型(multi-scale feature fusion convolution model,MSFFCM)结合极端梯度提升树(XGBoost)的SOH估计方法。MSFFCM通过多层堆叠卷积模块提取弛豫电压数据的深层特征,同时利用并行多尺度注意力机制增强了多尺度特征的捕捉能力,并将这些特征与统计特征进行融合,以提升模型的特征提取和融合能力。针对XGBoost模型,本工作应用贝叶斯优化算法进行参数调优,从而在多源融合特征基础上实现高精度SOH估计。实验验证基于两种商用18650型号电池的多温度和多充放电策略数据集,结果表明该方法的均方根误差(RMSE)和平均绝对误差(MAE)均小于0.5%,明显优于传统方法。本工作为锂电池健康管理提供了一种不依赖特定充放电条件的有效估计工具,有望在复杂的实际应用中发挥重要作用。展开更多
文章提出了一种基于TCN-Transformer集成模型的锂离子电池健康状态(State of Health,SOH)预测方法。该方法结合时间卷积网络(Temporal Convolutional Network,TCN)捕捉时间序列局部特征和长期依赖的优势与Transformer自注意力机制建模...文章提出了一种基于TCN-Transformer集成模型的锂离子电池健康状态(State of Health,SOH)预测方法。该方法结合时间卷积网络(Temporal Convolutional Network,TCN)捕捉时间序列局部特征和长期依赖的优势与Transformer自注意力机制建模全局关系的能力,提高预测精度。文章通过电池循环老化实验,提取充放电过程中的电压和容量增量等特征,优化输入数据并构建TCN-Transformer模型进行预测。实验结果显示,该模型较传统单一模型性能更优,能准确反映电池健康状态变化趋势。展开更多
文摘文章提出了一种基于TCN-Transformer集成模型的锂离子电池健康状态(State of Health,SOH)预测方法。该方法结合时间卷积网络(Temporal Convolutional Network,TCN)捕捉时间序列局部特征和长期依赖的优势与Transformer自注意力机制建模全局关系的能力,提高预测精度。文章通过电池循环老化实验,提取充放电过程中的电压和容量增量等特征,优化输入数据并构建TCN-Transformer模型进行预测。实验结果显示,该模型较传统单一模型性能更优,能准确反映电池健康状态变化趋势。
