锂离子电池模型参数具有慢时变特性,因而准确预测锂离子电池健康状态(state of health,SOH)存在较大的难题。利用非线性自回归(Nonlinear AutoRegressive with eXogenous input,NARX)神经网络建立了SOH时间序列预测模型,通过重构技术将...锂离子电池模型参数具有慢时变特性,因而准确预测锂离子电池健康状态(state of health,SOH)存在较大的难题。利用非线性自回归(Nonlinear AutoRegressive with eXogenous input,NARX)神经网络建立了SOH时间序列预测模型,通过重构技术将预测模型的一维输入时间序列重构成多维状态空间,并且采用重构后的时间序列数据对NARX神经网络对进行训练,然后利用训练后的NARX神经网络进行预测得到最终的SOH时间序列预测值;试验结果显示,预测模型比RBF神经网络的均方误差提高了近6个百分点,收敛速度提高了近30 s,表明了基于NARX的SOH时间序列预测模型的预测精度及响应速度都较好。展开更多
基金Supported by the Science and Technology Research Foundation of Education Department of Jiangxi Province(GJJ171109)Natural Science Foundation of China (12071092)+1 种基金the Major project of Basic and Applied Research (Natural Science) in Guangdong Province (2017KZDXM058)the Science and Technology Program of Guangzhou Municipality,(201804010088)
文摘锂离子电池模型参数具有慢时变特性,因而准确预测锂离子电池健康状态(state of health,SOH)存在较大的难题。利用非线性自回归(Nonlinear AutoRegressive with eXogenous input,NARX)神经网络建立了SOH时间序列预测模型,通过重构技术将预测模型的一维输入时间序列重构成多维状态空间,并且采用重构后的时间序列数据对NARX神经网络对进行训练,然后利用训练后的NARX神经网络进行预测得到最终的SOH时间序列预测值;试验结果显示,预测模型比RBF神经网络的均方误差提高了近6个百分点,收敛速度提高了近30 s,表明了基于NARX的SOH时间序列预测模型的预测精度及响应速度都较好。