基于人工神经网络估算锂离子电池的SOH

合集下载

基于深度学习的锂离子电池SOC和SOH联合估算

基于深度学习的锂离子电池SOC和SOH联合估算一、本文概述随着电动汽车和可再生能源的广泛应用，锂离子电池作为核心能量存储组件，其性能评估和管理变得日益重要。

锂离子电池的状态估计，特别是荷电状态（SOC）和健康状态（SOH）的准确估算，对于电池系统的安全运行、性能优化和寿命延长具有至关重要的作用。

然而，由于锂离子电池内部复杂的电化学过程和外部环境因素，SOC和SOH 的精确估算仍然是一个具有挑战性的问题。

近年来，深度学习作为一种强大的机器学习技术，已经在许多领域取得了显著的成果。

其强大的特征提取和数据处理能力使得它成为解决复杂非线性问题的有力工具。

因此，本文提出了一种基于深度学习的锂离子电池SOC和SOH联合估算方法，旨在通过深度学习模型对电池运行数据的深度挖掘，实现SOC和SOH的精确估算。

本文首先介绍了锂离子电池SOC和SOH估算的重要性和挑战性，然后详细阐述了深度学习在电池管理领域的应用和优势。

接着，本文提出了一种基于深度学习的联合估算模型，该模型能够同时估算电池的SOC和SOH，有效解决了传统方法中估算精度不高、计算复杂度高的问题。

通过实验验证，本文证明了所提方法的有效性和优越性，为锂离子电池的性能评估和管理提供了新的思路和方法。

本文的研究不仅有助于提升锂离子电池的性能评估和管理水平，同时也为深度学习在能源领域的应用提供了新的探索方向。

通过本文的研究，我们期望能够为电动汽车和可再生能源的发展提供更为可靠和高效的电池管理技术。

二、深度学习理论基础深度学习是机器学习的一个子领域，其灵感来源于人脑神经网络的复杂结构和工作机制。

深度学习的核心在于构建深度神经网络（Deep Neural Networks, DNNs），这些网络通常由多个隐藏层组成，可以学习并模拟输入数据到目标输出之间的复杂映射关系。

与传统的机器学习算法相比，深度学习在处理大规模、高维度的数据以及处理复杂的非线性问题时具有显著的优势。

基于神经网络的锂电池SOC估算及其管理系统研究

基于神经网络的锂电池SOC估算及其管理系统研究基于神经网络的锂电池SOC估算及其管理系统研究摘要：随着电动汽车和可再生能源的广泛应用，锂电池作为重要的能量存储装置，对于电力系统的稳定运行起着至关重要的作用。

为了实现对锂电池的有效管理，准确估算锂电池的状态-of-charge (SOC) 是非常关键的。

本文基于神经网络的思想，研究了锂电池SOC的准确估算以及其管理系统，为实现锂电池的有效管理提供了一种有效的解决方案。

关键词：锂电池，状态-of-charge (SOC)，神经网络，估算，管理系统1. 引言随着能源危机的逐渐加剧和环境污染问题的日益突出，发展电动汽车和可再生能源已成为国际社会普遍关注的焦点。

而锂电池作为一种高能量密度、环保、长寿命的电池，被广泛应用于电动汽车、移动电子设备和可再生能源系统中，对于电力系统的稳定运行起着至关重要的作用。

然而，锂电池的性能特征非常复杂，尤其是其充放电过程中SOC的准确估算对于电池的安全运行和稳定的电力系统是至关重要的。

2. 锂电池SOC估算方法的研究现状目前，对于锂电池SOC估算方法的研究主要有电流积分法、开路电压法和基于神经网络的方法。

电流积分法通过积分电池的充放电电流来计算SOC，然而由于电流测量误差和漂移等原因，该方法存在估算误差较大的问题。

开路电压法通过测量电池的开路电压与SOC之间的关系，进行SOC估算。

然而，由于电池自放电和温度变化等因素的影响，该方法的准确度不高。

基于神经网络的方法则通过训练神经网络来获取电流和电压等参数的非线性映射关系，从而实现对SOC的准确估算。

3. 基于神经网络的锂电池SOC估算方法的研究在神经网络的研究中，我们使用多层感知器（Multilayer Perceptron, MLP）作为SOC估算网络模型。

通过从实验数据中提取锂电池的充放电特性，我们构建了一个包含输入层、隐藏层和输出层的神经网络模型。

其中，输入层包含电流和电压等特征量，隐藏层通过激活函数处理得到中间参数，输出层则输出估算的SOC值。

基于优化BP神经网络的新能源汽车锂电池SOH预测模型研究

基于优化BP神经网络的新能源汽车锂电池SOH预测模型研究随着环保意识的增强和对能源需求的不断增长，新能源汽车逐渐成为未来出行的主流选择。

其中，锂电池是新能源汽车的重要能量存储装置，其健康与寿命的预测对于车辆性能和安全至关重要。

本文旨在研究一种基于优化BP神经网络的新能源汽车锂电池SOH预测模型，以提高锂电池SOH（State of Health）预测的准确性和可靠性。

一、引言新能源汽车的快速发展提出了对锂电池SOH预测模型的需求。

SOH是衡量锂电池健康状态的重要指标，直接影响电池的性能和寿命。

传统的SOH预测模型存在着准确性不高、稳定性差等问题，因此，优化BP神经网络被引入到SOH预测模型中，以改进其性能。

二、优化BP神经网络模型BP神经网络是一种常用的人工神经网络模型，具有较强的非线性拟合能力和适应性。

然而，传统的BP神经网络存在着收敛速度慢、易陷入局部最优等问题，因此需要进行优化。

1. 数据预处理在构建SOH预测模型之前，需要对数据进行预处理。

首先，收集并清洗锂电池的历史运行数据，包括电流、电压、温度等参数。

然后，对数据进行归一化处理，以消除不同参数之间的量纲影响。

2. 网络结构设计在优化BP神经网络模型中，需要进行网络结构的设计。

一般来说，网络的层数和神经元的数量会对模型的预测性能产生影响。

可以通过交叉验证等方法选取合适的网络结构。

3. 权值初始化和学习算法为了提高BP神经网络的收敛速度和稳定性，需要进行权值初始化和学习算法的优化。

常用的方法包括改进的权值初始化方法（如Xavier初始化）和改进的学习算法（如改进的BP算法）。

4. 参数调优BP神经网络的性能很大程度上依赖于参数的选择。

参数调优可以通过遗传算法、粒子群算法等优化算法进行。

三、实验与结果分析为了验证基于优化BP神经网络的新能源汽车锂电池SOH预测模型的有效性，我们进行了一系列的实验。

1. 数据集选择和划分我们选取了一组锂电池的历史运行数据，并将其划分为训练集和测试集。

利用人工神经网络预测电池SOC的研究

2.1 电量积累法
通过累积电池在充电或放电时的电量来估算电池的
vehicle , HEV ) 正是在这种概念下产生的 HEV 具备有多个动力源 ( 主要是汽油机或柴油机及电动
收稿日期 :2004-08-15 基金项目 : 国家重点基础研究发展计划资助( 2002CB211800 > 作者简介 : 齐智 (1978 ) , 女 , 北京市人 , 博士生 , 主要研究方向为化学电源 ~ 电极材料等 ; 导师 : 吴锋 (1951 ) , 男 , 北京市人 , 教授 :OI Zhi ( 1978 ) ,female ,candidate for Ph D ; tutor : WU Feng (1951 ) ,male ,professor. 联系人 : 吴锋 Vol.29 No.5
Xn作为网络的输入
4 利用 ANN 预测电池 SOC
4.1 方法
本文的主要工作在于保证温度等因素不变的情况下考虑工作电压与充电倍率对 SOC 的影响此种方法的可行性O 电池 1 采用商业 MH-Ni 电池作为实验样品 , 型号为 GP 用 ANN 对不同充电倍率 \ 不同工作电压下的电池的 SOC 进行预测以初步检验
ANN 引入到电池 SOC 的预测中来
y = f ( x1 , x2 ... x n )
电压充放电倍率温度 ~~ 网络的输出即为 SOC 值 O
X2 y2
行训练 O 训练过程如图 2 所示用 X1, X2 得到网络的一组输出O 1,O 2

利用人工神经网络预测电池SOC的研究

X).E-F) ! QR_ # 正是在这种概念下产生的 % QR_ 具备有多个动力源 V 主要是汽油机或柴油机及电动
收稿日期 $8%%>9%&9$<
!"# ! 并根据电池的温度 + 放电率对电池进行补偿 % 它未对电
T 组成 ’ < 输入 ’ p = [ p 1 , p 1 ,..., p R 1 ] (= 权值和阈值 ’>:?
>$ ) 为神经元的输入权值 ! 表示输入层与隐层神经元之间的
连接强度 ! 每个 >+ 都代表着相应的输入对神经元作用的大小%阈值 @ 决定了将此神经元激活的最小输入%权值和阈值都是可以调整的 !而神经网络的学习过程 !正是对所有神经元进
电源技术
研
究
ห้องสมุดไป่ตู้
与
设
计
!"#$%&% ’()*$+, (- .(/%* 0()*1%&
利用人工神经网络预测电池 !"# 的研究
齐智! 吴锋! 陈实! 于卿! 王国庆 " 北京理工大学化工与环境学院 ! 北京 $%%%&$ # 摘要 $能源和环境与人类社会的生存和发展密切相关 ! 能源短缺和环保的要求推动了混合动力车的发展 % 电池是混合动力车的动力源之一 ! 准确和可靠地获得电池荷电状态 " !’(’)*+,*-.(/0)1*!"# & 是电池管理系统的主要任务之一 % 在总结现有 !"# 预测方法的基础上 ! 尝试使用人工神经网络的方法预测动力电池 !"# % 结果表明人工神经网络对多变量的非线性系统非常有效 % 另外 !不同的数据样本对训练效果存在影响 !试验表明用处理后的数据进行预测的结果明显较好% 关键词 $ 混合动力车 ’ 电池 ’ 荷电状态 ( !"# &’ 人工神经网络 )233 &’ 多元函数预测中图分类号 $ 45*6$$7****** 文献标识码 $ 2******* 文章编号 $$%%89%&:*; " 8%%< & %<9%=8<9%>

基于TCN编码的锂离子电池SOH估计方法

第50 卷第 4 期2023年4 月Vol.50，No.4Apr. 2023湖南大学学报（自然科学版）Journal of Hunan University（Natural Sciences）基于TCN编码的锂离子电池SOH估计方法周航1，程泽2†，弓清瑞2，刘旭2（1.天津大学建筑设计规划研究总院有限公司，天津 300073；2.天津大学电气自动化与信息工程学院，天津 300072）摘要：为了能够准确可靠地估计锂离子电池的健康状态（State of Health， SOH），提出一种基于时序卷积网络（Temporal Convolutional Network， TCN）的数据驱动模型来建立电池充电曲线与SOH之间的映射关系.TCN是一种由多层因果卷积组成的神经网络，它能够对电池充电曲线上的采样点序列进行编码，通过编码得到的编码向量会更易于与SOH建立映射关系.实验结果表明所提基于TCN的SOH估计模型具有较高的估计精度，对不同种类的电池也有良好的适应能力.关键词：锂离子电池；充电曲线；健康状态；时序卷积网络；神经网络中图分类号：TM912.1 文献标志码：ASOH Estimation Method of Lithium-ion Battery Based on TCN EncodingZHOU Hang1，CHENG Ze2†，GONG Qingrui2，LIU Xu2（1.Tianjin University Research Institute of Architectural Design and Urban Planning Co.，Ltd， Tianjin 300073， China；2.School of Electrical and Information Engineering， Tianjin University， Tianjin 300072， China）Abstract：The state of health （SOH）of a lithium-ion battery reflects the aging degree of Lithium-ion the battery. When the battery is charged in constant current-constant voltage mode， the charging curves with different aging degrees are also different. Based on this fact， this paper proposes a data-driven model based on a temporal convolutional network （TCN） to establish the mapping relationship between the charging curve and SOH. TCN is a novel neural network composed of multi-layer causal convolution， which can encode the sequence of sampling points on the charging curve. The experiment proves that the encoding vector is easier to establish the mapping relationship with SOH. The experimental results show that the proposed SOH estimation model has high estimation accuracy andgood adaptability to different types of batteries.Key words：lithium-ion batteries；charge curves；state of health（SOH）；temporal convolutional network（TCN）；neural networks锂离子电池是一种较为清洁的储能装置，有体积小、成本低、能量密度高、循环寿命长等优点，在民用电子、电动汽车、建筑电气等领域都有着广泛应用［1］.电池的健康状态（State of Health，SOH）直接反∗收稿日期：2022-08-13基金项目：国家自然科学基金资助项目（61873180）， National Natural Science Foundation of China（61873180）作者简介：周航（1984—），男，天津人，天津大学建筑设计规划研究总院有限公司高级工程师† 通信联系人，E-mail：***************.cn文章编号：1674-2974（2023）04-0185-08DOI：10.16339/ki.hdxbzkb.2023228湖南大学学报（自然科学版）2023 年映了电池的老化程度［2］，是电池使用过程中风险预警和维护所需要的重要参数，对保证电池长期稳定运行有着重要指导意义.电池的老化是一个复杂的电化学过程，电池的SOH会随着循环次数的增加发生非线性变化.并且SOH不能通过传感器直接测得，只能利用电池的外部可测变量进行估算［3］.目前，SOH的估计方法主要有直接测量法、基于模型的方法与数据驱动方法.直接测量法是通过测量与电池老化状态直接相关的参数如电池的容量、内阻等，以此来实现对电池SOH的评估.这类方法是一种离线的方法，对传感器精度要求较高，同时有耗时长或准确度差的缺点，在实际应用中十分受限.基于模型的方法中的模型根据建模原理可以分为电化学模型、等效电路模型和经验衰退模型.电化学模型是使用一系列偏微分方程来描述电池的老化机理，如基于多孔电极理论搭建的准二维多孔电极模型［4］.这类模型结构复杂，计算量较大，难以应用到SOH的在线估计当中.等效电路模型是使用电压源、电阻、电容等电路元件对电池的工作状态进行模拟，如RC等效电路模型.这类模型物理含义较为明确，有结构简单和计算量小的优点，通过与滤波算法相结合可以实现对电池SOH的在线估计.但是在复杂的运行工况下，获得模型参数的准确辨识值较为困难，从而导致该方法的可靠性和准确度受限.经验衰退模型是使用简单的函数来描述电池SOH的衰退过程，如双指数经验模型［5］.这类模型有着更为简单的结构和更小的计算量，但是对复杂的运行工况适应性较差，难以刻画电池的容量增生现象，准确度也较低.数据驱动方法不需要分析电池内部复杂的电化学机理，而是提取与电池老化密切相关的外部健康特征（Health Factor，HF）［6-7］，并通过机器学习算法建立HF与SOH之间的映射关系.数据驱动方法的关键步骤是HF的提取和机器学习算法的选择.根据所用机器学习算法的不同可以将数据驱动方法分为传统机器学习方法和深度学习方法两类.传统机器学习方法包括支持向量机［8］、高斯过程回归［9］等方法，这类方法对非线性关系的映射能力有限，因此在建立电池的SOH估计模型时，需要尽可能提取与电池老化程度相关性较高的HF.这类方法有着较为简单的算法结构，有训练速度快、计算量小的优势，但是这类方法适用性较差，一些HF的准确获取并不是那么容易，电池的运行工况往往并不满足HF的提取要求.深度学习方法［10］有很强的学习适应能力，在建立SOH估计模型时，可以适当放宽对电池HF的要求，如可以直接使用充放电曲线上的采样点作为HF.这类方法在一定程度上能够突破人脑的思维局限，与人工提取HF相比，能够避免有效信息的忽略.此外，电池的HF往往需要专业人员进行设计，而这类方法可以省去这一步骤.同时，简单直接的输入形式也使得深度学习方法在不同电池之间的通用能力更强.但是这类方法的模型结构较为复杂，会带来较大的计算量.近年来，在硬件设备高速发展的推动下，这一问题也将得到有效解决.由上述介绍可知，深度学习方法在锂离子电池SOH估计领域中表现出了很好的应用潜力.本文通过将一些新颖高效的深度学习方法本土化，提出一种基于时序卷积网络（Temporal Convolutional Net⁃work，TCN）［11］的数据驱动模型来建立电池充电电压曲线与SOH的映射关系.TCN是一种由多层因果卷积组成的神经网络，它能够对电压曲线上的采样点序列进行编码，实验证明通过编码得到的编码向量会更易于与SOH建立映射关系.本文在牛津电池数据集和NASA电池数据集上进行了实验，实验结果表明：所提基于TCN的SOH估计模型具有较高的估计精度，对不同种类的电池也有良好的适应能力.1 SOH估计模型随着电池循环次数的增加，其老化程度会逐渐加剧，可用容量也会逐渐降低.因此，电池的SOH常从容量的角度进行定义，计算公式为：SOH=C now Cnorm×100%（1）式中：C now和C norm分别表示电池当前循环下的最大容量和出厂时的额定容量.此外，当使用恒流-恒压模式对电池进行充电时，电池的充电曲线也会随着老化而发生变化.基于这一事实，本文提出一种基于TCN的SOH估计模型，该模型能够利用TCN的时序特性实现对充电曲线上采样点序列的编码，进而建立充电曲线与电池SOH之间的可靠映射.本节主要对TCN的基本结构以及SOH估计模型的搭建进行介绍.1.1 时序卷积神经网络1.1.1 因果卷积因果卷积与普通卷积的计算过程类似，它们的186第 4 期周航等：基于TCN 编码的锂离子电池SOH 估计方法输出均是由卷积窗内数据与卷积核权重进行点乘后再相加得到的.卷积的计算过程如图1所示.图中输入序列的长度为4，卷积核大小设置为2，移动步长设置为1，零填充设置为1.在使用普通卷积对该输入序列进行处理后，可以得到一个长度为5的输出序列.可以看到输出序列的时序与输入序列并不是一一对应的.在使用因果卷积对该输入序列进行处理时，计算过程并不包括图1中虚线框内的部分，而是会输出一个长度为4的序列.可以看到因果卷积每一个时刻的输出值仅与该时刻及其之前时刻的输入值有关，并不会利用该时刻之后的输入信息.为了更加直观地展示因果卷积的特性，图2展示了经过3次因果卷积计算的过程，可以看到随着卷积层的增加，卷积神经网络对应的感受野会逐渐增加，会与更加前面时刻的输入信息产生联系，但是始终保持着因果的特性.1.1.2 膨胀因果卷积通过增加因果卷积的层数，可以使神经网络模型具有更广的感受野.但是，随着卷积层数的增加，神经网络模型的复杂度也会显著增加，给模型的训练和计算带来很大的负担.为了能够在有限的卷积层数下尽可能地增加神经网络模型的感受野，本文使用膨胀因果卷积来处理序列数据，其计算过程如图3所示.从图3中可以看到相较于图2中的因果卷积，膨胀因果卷积可以有效地提高神经网络模型的感受野的增长效率.在图3中，卷积核大小均设置为2，卷积的移动步长均设置为1，设置卷积膨胀系数D与卷积层数n 之间满足式（2）所示的函数关系.按照上述膨胀因果卷积的设置参数，神经网络模型的感受野（Receptive Filed ，RF ）与卷积层数n 之间则会满足如式（3）所示的函数关系.在经过6层膨胀因果卷积计算后，神经网络模型的感受野达到了64，此时神经网络在第64个时刻输出信息包含了输入序列的全部信息，相当于对输入序列数据的信息进行了编码，称该时刻的输出为编码向量.D (n )=2n -1（2）RF(n )=2n（3）1.2 基于TCN 的SOH 估计模型本文建立了一种基于TCN 的SOH 估计模型.TCN 是一种由多层因果卷积组成的神经网络，由1.1节可知，它可以对序列数据进行编码来得到编码向量，这一功能可以用来处理电池充电曲线上的采样点序列数据.在后续的实验中会证明相较于原始的电压采样点序列，编码向量会更易于与SOH 建立映射关系.SOH 估计模型的详细结构如图4所示，它的输入为充电曲线上的64个电压采样点，输出为当前循环下SOH 的估计值.该模型主要由TCN 网络和全连接层两部分组成，其中TCN 网络由6个卷积模块组成，每个卷积模块都有膨胀因果卷积和普通卷积两个分支，图4中左分支表示膨胀因果卷积，右分支表示普通卷积，参数设置如表1所示.图1 卷积的计算过程Fig.1 The calculation process of convolution图2 多层因果卷积的计算过程Fig.2 The calculation process of multiple layers of causalconvolution图3 多层膨胀因果卷积的计算过程Fig.3 The calculation process of multilayer dilatation causalconvolution图4 基于TCN 的SOH 估计模型Fig.4 SOH estimation model based on TCN187湖南大学学报（自然科学版）2023 年从表1中可以看到，普通卷积的卷积核大小均设置为1，零填充均设置为0.通过上述参数设置可以保证经过卷积计算后序列数据只发生线性变化.通过添加普通卷积这一分支，可以将序列数据的信息直接传输到下一层，能够有效避免神经网络堆叠层数太深带来梯度消失或梯度爆炸的问题.全连接层由输入层、隐藏层和输出层组成.其中，输入层尺寸的大小与TCN模块输出通道个数保持一致，即为64，隐藏层节点个数设置为32，输出层尺寸大小设置为1.为了提高神经网络模型对非线性关系的表达能力，在TCN网络中的膨胀因果卷积后面和全连接层中的隐藏层后面添加ReLU激活函数.SOH估计模型的其他设计内容如下：1）数据预处理.在进行实验时，使用归一化的方法对实验数据进行预处理.2）损失函数.选择均方差（Mean Square Error ，MSE）函数作为模型的损失函数，计算式如式（4）所示MSE=1N∑k=1N(y k-y k)2（4）式中：y k和y k分别表示SOH的真实值和估计值；N表示训练集样本的个数.3）参数优化器.选择RAdam作为模型的参数优化算法，设置初始学习率为0.001，衰减系数β1和β2分别为0.9和0.999.RAdam［12］是一种较为新颖的神经网络参数优化算法，相较于广为使用的Adam算法，它不仅有着更快的收敛速度，而且不容易陷入局部最优.同时，RAdam对初始学习率的选取并不敏感. 4）迭代次数.设置模型训练的迭代次数为1 000.2 实验数据本节对实验所用的牛津电池数据集和NASA电池数据集进行了介绍，并对电池充电电压曲线上的采样片段和采样方案进行了确定.2.1 牛津电池数据集牛津电池数据集是由牛津大学公开发表的电池老化数据集［13］，该数据集常被用来研究锂电池的老化特性.该数据集中共包含8块额定容量为740 mAh，标称电压为4.2 V的袋装锂离子电池在环境温度40 ℃下测得的老化数据.这些电池的编号分别为Cell1，Cell2，…，Cell8，详细测试步骤如下：1）使用2 C的恒流对电池进行充电.2）使用动态工况对电池进行放电.3）重复1）和2），并每隔100次循环使用1 C的恒流对电池进行充放电，放电截止电压为2.7 V，以此对电池的当前可用容量进行标定.图5展示了该数据集中的8块电池的SOH衰退曲线，可以看到不同电池个体之间的曲线存在着较为明显的差异.为了直观展示电池老化对充电曲线的影响，以电池Cell1为例，在图6中绘制了其在全部循环下的充电电压曲线，电池老化程度为由红色向黑色渐变.从图6中可以看到，不同循环次数下的充电曲线有着明显的差异，这种差异性在充电电压达到3.8 V时会更为明显.为找出受电池老化影响最为明显的充电片段，以便确定对充电曲线的采样方案，本文使用容量增量分析（Incremental Capacity Analysis，ICA）［14］的方法对这些曲线进行处理，即通过对曲线进行数值差表1 SOH估计模型中卷积参数Tab.1 The convolution parameters in SOH estimationmodel模块序号1 2 3 4 5 6卷积分支左右左右左右左右左右左右输入通道数1116163232646464646464输出通道数161632326464646464646464卷积核大小212121212121零填充12481632膨胀系数11214181161321图5 牛津电池数据集中的SOH曲线Fig.5 The SOH curves in Oxford battery datasets188第 4 期周航等：基于TCN 编码的锂离子电池SOH 估计方法分来近似获取相应的d Q /d V 曲线，计算公式如式（5）所示.d Q d V (k )≈Q (k )-Q (k -L )V (k )-V (k -L )（5）式中：Q 表示电池的电量；V 表示电池的电压；k 为采样时刻；L 为差分的步长.使用卡尔曼滤波器对差分得到的曲线进行滤波，以便更好地显示它们的特性，全部循环下的ICA 曲线如图7所示.从图7中可以看到，不同循环次数下的ICA 曲线在3.8 V 到4.0 V 的区间内有着较大的差异.因此设置在充电电压达到3.8 V 时，开始对充电电压曲线进行采样，采样间隔为20 s ，采样点数量设置为64.通过上述采样方式的设置，可以保证采样点区间基本覆盖充电曲线上［3.8 V ，4.0 V ］这一变化较大的片段.2.2 NASA 电池数据集NASA 电池数据集是由美国国家航空航天局公开发表的电池老化数据集［15］，该数据集中的测试对象是额定容量为2 Ah ，标称电压为4.2 V 的18650锂离子电池.本文选择该数据集中在室温（24 ℃）下测试的三块电池的老化数据进行实验，编号分别为B0005、B0006和B0007.电池的测试过程如下：1）使用1.5 A 的恒流对电池进行充电，在电压达到4.2 V 时使用恒压的方式进行充电，直到充电电流下降到20 mA 时终止充电.2）使用2 A 的恒流对电池进行放电，三块电池的放电截止电压分别为2.7 V 、2.5 V 和2.2 V.3）重复1）和2），直到电池寿命终结.由于三块电池的放电截止电压不同，为了统一测量标准，规定电池电压从4.2 V 下降至2.7 V 时放出的电量作为电池当前的实际容量.图8展示了三块电池SOH 的衰退曲线.对于该数据集中的电池，同样使用ICA 方法对充电曲线进行分析.经分析后得到不同老化程度下的充电曲线在［3.9 V ，4.1 V ］的片段上存在较大的差异.因此设置电池电压达到3.9 V 的时刻为采样起点，同时将采样间隔设置为60 s ，采样点数量设置为64，以保证采样点区间基本覆盖这一变化较大的片段.3 实验结果与分析本节使用上述两个公开电池数据集来进行实验，对所提SOH 估计模型的性能进行测试，并且在实验过程中添加以下两个模型作为对照，对照模型的输入和输出信息与所提模型保持一致.对照模型1. 为了验证所提模型中TCN 模块的有效性，添加了基于全连接神经网络（Fully Connected Network ，FCN ）结构的SOH 估计模型作为对照.FCN 是由若干全连接层构成的神经网络，是建立非线性映射关系的常用方法.该对照模型的参数设置与所提模型中的全连接层保持一致.对照模型2. 为测试所提SOH 估计模型中，全连接层的层数对模型估计精度的影响，在该对照模型图7 Cell1在全部循环下的ICA 曲线Fig.7 ICA curves of Cell1 in all cycles图8 NASA 电池数据集中的SOH 曲线Fig.8 The SOH curves in NASA battery datasets图6 Cell1在全部循环下的充电电压曲线Fig.6 Charging voltage curves of Cell1 in all cycles189湖南大学学报（自然科学版）2023 年中将全连接层的层数设置为2，即在原隐藏层后多添加一层节点数为16的隐藏层.在CPU型号为i5-8300h，GPU型号为GTX1050ti的个人计算机上进行实验，并利用Pytorch深度学习库对上述模型进行搭建.在实验中使用均方根误差（Root Mean Squared Error，RMSE）、平均绝对误差（Mean Absolute Error， MAE）、绝对误差（Absolute Er⁃ror， AE）和最大绝对误差（MAX）来定量评估这两种模型的估计性能，其计算公式如下：RMSE =（6）MAE=1N i=1N|x i-x i|（7）AE=|x i-x i|（8）MAX=max(|x i-x i|)（9）式中：x i和x i分别表示SOH的真实值和估计值.3.1 牛津电池数据集上的SOH估计结果在牛津数据集上选择电池Cell7和Cell8的数据作为测试集，其余6块电池的数据作为训练集，以保证测试集与训练集的相互独立.所提模型与两个对照模型的SOH估计结果与绝对误差如图9所示.通过对比所提模型与对照模型1的估计结果，可以看到在测试集中的两块电池上，所提模型估计性更优，它的SOH估计值能够更好地收敛于真实值，在全周期的估计绝对误差可以基本限制在0.5%以内.这表明相较于原始的电压采样数据，经过TCN处理后得到的编码向量会更易于建立与SOH之间的映射，充分说明了所提模型中TCN模块的有效性.通过对比所提模型与对照模型2的估计结果，可以看到这两个模型的绝对误差均能够保持在较低的水平，二者的估计性能并没有表现出明显的差异.这表明本文所提基于TCN的SOH估计模型中全连接层的层数增加并不会对模型的估计精度有明显的改善，网络层数的增加反而会加剧模型的复杂程度.这也进一步说明，经TCN模块处理得到的编码向量已经与电池SOH估计值有了较强的联系，仅使用单层的全连接层即可有效地建立起它们之间的映射.表2给出了三种SOH估计模型的定量估计结果.可以看到所提模型与对照模型2有着较高的估计精度，其RMSE和MAE均能保持在0.5%以内，MAX也在1%以内，明显小于对照模型1.3.2 NASA电池数据集上的SOH估计结果为了验证所提SOH估计模型对不同种类电池的适应性，在NASA电池数据集上进行了与3.1节相似的实验.选择电池B0005和B0006的数据对三种SOH估计模型进行训练，选择电池B0007的数据对训练好的模型进行测试.三个模型的SOH估计结果与绝对误差如图10（a）Cell7（b）Cell8图9 牛津电池数据集上的估计结果Fig.9 The estimation results on Oxford battery datasets190第 4 期周航等：基于TCN 编码的锂离子电池SOH 估计方法所示.可以看到在该数据集中的估计结果与3.1节基本一致，所提模型与对照模型2的估计性能相近，明显优于对照模型1，充分证明了所提方法中TCN 模块的有效性.另外，值得注意的是，电池B0007的SOH 衰退曲线存在明显的波动，在全生命周期中出现了多次容量增生的现象，这会给SOH 估计模型的性能带来一定的挑战.但是所提模型与对照模型2能够很好地适应这一现象，其SOH 估计值的绝对误差基本能够维持在1%以内，仍然表现出很高的估计精度，充分说明了该方法有较高的可靠性，能够应用于不同种类的电池当中.表3给出了这三个模型的定量估计结果.可以看到所提模型的RMSE 、MAE 和MAX 分别为0.49%、0.38%和1.37%.虽然它们相较于牛津电池数据集上的估计结果略有增加，但仍保持在较低的水平.4 结论本文提出一种基于TCN 的锂离子电池SOH 估计模型，它以充电电压曲线上的采样点序列作为输入，以当前循环下的SOH 估计值作为输出.其中，采样点序列所需覆盖的范围可以由ICA 方法辅助确定.该SOH 模型主要由TCN 网络和全连接层两部分组成.TCN 网络负责对电压曲线上的采样点序列进行编码，从而得到包含输入序列全部信息的编码向量；之后全连接层被用来建立编码向量与SOH 的映射关系，从而实现对电池SOH 的估计.在牛津电池数据集和NASA 电池数据集上的实验结果表明所提SOH 估计模型具有较高的估计精度，并且能够适用于不同种类的电池.参考文献［1］谢奕展，程夕明．锂离子电池状态估计机器学习方法综述［J ］．汽车工程，2021，43（11）：1720-1729．XIE Y Z ，CHENG X M ．Review of state estimation of lithium-ionbattery with machine learning ［J ］．Automotive Engineering ，2021，43（11）：1720-1729．（in Chinese ）［2］孙冬，许爽．梯次利用锂电池健康状态预测［J ］．电工技术学报，2018，33（9）：2121-2129．SUN D ，XU S ．State of health prediction of second-use lithium-ion battery ［J ］．Transactions of China Electrotechnical Society ，2018，33（9）：2121-2129．（in Chinese ）［3］GONG Q R ， WANG P ， CHENG Z ．An encoder-decoder modelbased on deep learning for state of health estimation of lithium-ionbattery ［J ］．Journal of Energy Storage ，2022，46：103804．［4］HAN X B ， OUYANG M G ， LU L G ， et al ．Simplification ofphysics-based electrochemical model for lithium-ion battery onelectric vehicle ．Part II ：Pseudo-two-dimensionalmodel（a ）SOH（b ）AE图10 NASA 电池数据集上的估计结果Fig.10 The estimation results on NASA battery datasets表2 牛津电池数据集上的SOH 估计结果Tab.2 The SOH estimation results on the Oxford batterydataset%模型所提模型对照模型1对照模型2电池Cell7Cell8Cell7Cell8Cell7Cell8RMSE 0.200.180.670.620.190.21MAE 0.150.150.610.570.160.19MAX 0.510.401.361.180.450.61表3 NASA 电池数据集上的SOH 估计结果Tab.3 The SOH estimation results on the NASA batterydataset%模型所提模型对照模型1对照模型2电池B0007B0007B0007RMSE 0.491.130.48MAE 0.381.010.38MAX 1.372.511.56191湖南大学学报（自然科学版）2023 年simplification and state of charge estimation［J］．Journal of PowerSources，2015，278：814-825．［5］QIN W，LV H C，LIU C L，et al．Remaining useful life prediction for lithium-ion batteries using particle filter and artificial neuralnetwork［J］．Industrial Management & Data Systems，2019，120（2）：312-328．［6］CHANG C， WANG Q Y， JIANG J C， et al．Lithium-ion battery state of health estimation using the incremental capacity andwavelet neural networks with genetic algorithm［J］．Journal ofEnergy Storage，2021，38：102570．［7］LIU D T，ZHOU J B，LIAO H T，et al．A health indicator extraction and optimization framework for lithium-ion batterydegradation modeling and prognostics［J］．IEEE Transactions onSystems，Man，and Cybernetics：Systems，2015，45（6）：915-928．［8］TIAN J P，XIONG R，SHEN W X．State-of-health estimation based on differential temperature for lithium ion batteries［J］．IEEE Transactions on Power Electronics，2020，35（10）：10363-10373．［9］LI X Y， YUAN C G， WANG Z P．Multi-time-scale framework for prognostic health condition of lithium battery using modifiedGaussian process regression and nonlinear regression［J］．Journalof Power Sources，2020，467：228358．［10］李超然，肖飞，樊亚翔，等．基于卷积神经网络的锂离子电池SOH估算［J］．电工技术学报，2020，35（19）：4106-4119．LI C R，XIAO F，FAN Y X，et al．An approach to lithium-ionbattery SOH estimation based on convolutional neural network［J］．Transactions of China Electrotechnical Society，2020，35（19）：4106-4119．（in Chinese）［11］李文武，张鹏宇，石强，等.基于聚合混合模态分解和时序卷积神经网络的综合能源系统负荷修正预测［J］.电网技术，2022， 46（9）： 3345-3357.LI W W，ZHANG P Y，SHI Q，et al. Correction prediction ofintegrated energy system load based on aggregated mixed modedecomposition and TCN［J］. Power System Technology， 2022， 46（9）： 3345-3357．（in Chinese）［12］HANNAN M， HOW D， LIPU M， et al. SOC estimation of Li-ion batteries with learning rate-optimized deep fully convolutionalnetwork［J］. IEEE Transactions on Power Electronics，2021，36（7）： 7349-7353.［13］BIRKL C．Diagnosis and prognosis of degradation in lithium-ion batteries［D］．Oxford，South East England，UK：University ofOxford，2017．［14］HE J T，WEI Z B，BIAN X L，et al．State-of-health estimation of lithium-ion batteries using incremental capacity analysis based onvoltage-capacity model［J］．IEEE Transactions on TransportationElectrification，2020，6（2）：417-426．［15］DONG G Z，CHEN Z H，WEI J W，et al． Battery health prognosis using Brownian motion modeling and particle filtering［J］． IEEETransactions on Industrial Electronics，2018，65（11）：8646-8655.192。

基于改进型LSTM-RNN的锂离子电池SOH估计系统

72 | 电子制作 2021年05月cap_tcap_rated 表示，是表述动力电池老化程度的重要指标：__/100%t cap t cap rated SOH Q Q =× (1)锂离子电池的SOH 值变化，受所处的环境温度，放电深度，充放电方式等诸多因素影响，而准确估计SOH 有助于避免电池突然故障带来的不便或致命事故。

目前，国内外许多学者提出了各种锂电池的SOH 估计方法。

上海交通大学的华寅等人以锂电池的Thevenin 等效电路模型为基础，采用双非线性估计滤波法来精确地跟踪和估计锂电池内阻和SOH [2]。

Mario Cacciato 等人提出一种基于PI 控制器的实时SOC 和SOH 估计模型，大大压缩了计算量[3]。

Ho-Ta Lin 等人提出一种概率神经网络来估计锂钴电池的SOH 值，可通过扩大训练数据集来降低SOH 平均估计误差 [4]。

然而，前2种方法进行SOH 估计的基础都是电池模型，当电池的电化学特性发生变化时，估计误差随之扩大。

概率神经网络法的样本数据的种类多、测试过程繁琐，因此实用性有限。

针对以上方法的缺陷，本文提出一种基于改进型LSTM-RNN 的锂电池SOH 估计算法，通过采集某放电深度下电池的端电压、放电电流及电池温度直接对磷酸铁锂电池的SOH 值进行估计，估计结果不依赖电池模型，训练简单，LSTM-RNN 网络是循环神经网络（RNN）的一种改进模型。

自2014年以来，RNN 网络在机器学习领域取得了显著的成就[5]。

但当有效信息间隔时间较远时，RNN 网络反向传播过程将产生梯度消失或爆炸现象。

经典LSTM-RNN网络正是为解决该问题而提出的[6]。

经典LSTM-RNN 网络将RNN 网络隐层节点内部结构改造为由三个乘法门和一个记忆核组成的神经元，这3个乘法门分别为：输入门、遗忘门和输出门。

百度研究院在2015与2017年先后发布的第2代与第3代Deep Speech系统中，都用到了LSTM-RNN 网络结构[7,8]。

基于BP神经网络的锂电池SOC估计方法

基于BP神经网络的锂电池SOC估计方法1. 引言锂电池作为一种常见的电池技术，广泛应用于各个领域，例如电动汽车、可再生能源储备等。

准确估计锂电池的状态-of-charge (SOC) 是保证其性能和安全性的重要因素之一。

本文将介绍基于BP神经网络的SOC估计方法，该方法通过充放电过程中的电压和电流数据来预测SOC。

2. BP神经网络简介BP神经网络是一种常用的人工神经网络，具有良好的非线性拟合能力和适应性。

它由输入层、隐藏层和输出层组成，通过反向传播算法训练网络权重和偏差值，以使预测结果逼近实际值。

在锂电池SOC 估计中，BP神经网络可以通过学习已知SOC和电池特性的数据，实现对未知SOC的预测。

3. 数据采集与预处理为了构建SOC估计模型，首先需要采集锂电池在不同SOC下的电压和电流数据。

这些数据可以通过实验室测试或者实际运行中的数据采集设备获取。

采集到的数据需要进行预处理，包括异常值处理、缺失值填补和数据归一化等。

预处理后的数据将作为BP神经网络的输入。

4. BP神经网络构建与训练在构建BP神经网络之前，需要确定输入层节点数、隐藏层节点数和输出层节点数。

通常情况下，输入层节点数为电压和电流数据的特征维数，输出层节点数为1，代表SOC的预测值。

隐藏层节点数可以根据实际情况选择，但过多的隐藏层节点可能导致过拟合问题。

在确定网络结构后，可以利用采集的锂电池数据对BP神经网络进行训练。

训练过程中，通过定义误差函数和选择适当的优化算法，不断调整网络的权重和偏差值，使预测值与真实值之间的误差最小化。

训练完成后，BP神经网络模型即可用于SOC估计。

5. SOC估计与性能评估利用训练好的BP神经网络模型，可以输入新的电压和电流数据进行SOC的估计。

根据网络输出的预测值，可以得到锂电池的SOC估计结果。

为了评估估计模型的性能，可以采用平均相对误差（MAPE）等指标进行比较。

6. 实验结果与讨论本文利用实际锂电池数据进行训练和测试，结果表明基于BP神经网络的SOC估计方法能够有效地实现对锂电池SOC的准确预测。

锂离子动力电池健康状态（SOH）估计算法研究

锂离子动力电池健康状态（SOH）估计算法研究AbstractWith the aggravation of global energy crisis and environmental pollution,people pay more and more attention to the protection of energy and environment in daily life. Therefore,pure electric vehicles are becoming more and more popular for their travel modes.The lithium ion power battery provides the power source for the pure electric vehicle,which accounts for the high proportion of the cost of the pure electric vehicle,so the monitoring and management technology of the lithium ion power battery has aroused the attention of the people.State Of Health(SOH)is an important parameter reflecting battery degradation in battery management system.In view of the problem that SOH is difficult to estimate accurately,this paper,based on the feature parameters extracted by the capacity increment analysis method,designs the SOH estimation algorithm based on RBF neural network and SVR to improve the accuracy of SOH estimation.The specific work of this article is as follows:(1)The basic principle of the lithium ion battery and the battery model are briefly introduced.The effects of battery overcharge,depth of discharge,self discharge,fluid collector and electrode separation,temperature,current and other factors on battery aging are analyzed.The charge-discharge cycle times,battery internal resistance,battery capacity, battery voltage,battery current,self discharge rate and internal temperature of the battery are further obtained.Seven parameters can be used to characterize the decline of battery capacity.(2)Using capacity increment analysis method to extract battery health status characteristic parameters.First,by simplifying the dQ/dV method,we transform the constant current charging voltage curve of lithium ion power battery and draw the capacity increment curve.Then,the correlation between peak intensity,peak position voltage and SOH is calculated by grey correlation analysis.Finally,the peak intensity associated with SOH is selected as the characteristic parameter to estimate SOH.(3)RBF neural network model and SVR models are designed to estimate SOH with peak intensity as input,SOH as output.According to the number of input and output and empirical formula,the structure of RBF neural network model is determined.The particle swarm algorithm is used to optimize the center,width and output weight of the neural network.And the particle swarm algorithm is used to optimize the penalty coefficient, insensitivity coefficient and kernel parameters of the SVR model.(4)The PSO-RBF neural network SOH estimation algorithm and the PSO-SVR SOH estimation algorithm are tested and verified on the basis of the experimental data of theIIlithium ion battery cycle charge and discharge aging experiment published by NASA PCoE. The peak intensity of IC curve and the SOH data set of the aging process of B0005and B0006are used as the sample training model.The peak intensity and SOH of B0007 battery are used as test data to verify the accuracy of the algorithms.The test results show that the estimation accuracy of PSO-SVR estimation algorithm is higher.The features of this article are as follows:(1)Based on capacity increment analysis,two SOH estimationalgorithms based on RBF neural network and SVR estimation model is designed,and SOH estimation of lithium ion battery is realized.The characterization parameters used in this estimation method are the battery voltage and current data that can be collected directly during the use of lithium ion batteries.It is easy to realize the off-line SOH estimation model and estimate the SOH online.(2)In the process of the RBF neural network estimation model and the SVR estimation model,a simple particle swarm optimization algorithm is selected to optimize the key parameters of each model,so as to realize the global optimal search of the key parameters of the modeling process.Key words:SOH;Capacity Increment Analysis;PSO-RBF Neural Network;PSO-SVR.III。

《基于EIS的退役锂离子电池SOH估计研究》

《基于EIS的退役锂离子电池SOH估计研究》一、引言随着电动汽车和储能系统的快速发展，锂离子电池因其高能量密度、长寿命和环保性而得到广泛应用。

然而，退役锂离子电池的回收与再利用问题日益突出，其中电池的健康状态（State of Health，SOH）估计成为关键技术之一。

准确估计退役锂离子电池的SOH对于其回收利用、延长寿命及确保安全运行具有重要意义。

目前，交流阻抗谱（Electrochemical Impedance Spectroscopy，EIS）被广泛用于锂离子电池的内部特性研究，具有快速、非侵入式的优点。

本文旨在研究基于EIS的退役锂离子电池SOH估计方法，为退役电池的回收与再利用提供技术支持。

二、文献综述近年来，国内外学者在锂离子电池SOH估计方面进行了大量研究。

传统方法主要包括库仑计数法、电压测试法、内阻测量法等，但这些方法均存在一定的局限性。

EIS作为一种新兴技术，具有能够从多个频率范围获取电池内部特性的优势。

近年来，许多研究者利用EIS对锂离子电池的SOH进行估计，并取得了较好的效果。

然而，目前基于EIS的SOH估计方法仍存在一定误差，且对不同类型、不同使用状况的电池适应性有待提高。

三、基于EIS的退役锂离子电池SOH估计方法本研究采用EIS技术对退役锂离子电池进行SOH估计。

首先，通过EIS获取电池在不同频率下的阻抗谱数据；其次，结合电池的物理模型和化学模型，分析阻抗谱数据与SOH之间的关系；最后，建立SOH与阻抗谱数据的数学模型，实现SOH的准确估计。

在具体实施过程中，我们采用了先进的EIS测试设备，对退役锂离子电池进行阻抗谱测试。

通过对比不同SOH状态下电池的阻抗谱数据，我们发现阻抗谱中的某些特征频率与SOH之间存在明显的相关性。

因此，我们提取了这些特征频率作为SOH估计的关键参数，并建立了相应的数学模型。

四、实验结果与分析我们选取了多组不同SOH状态的退役锂离子电池进行实验验证。

基于CNN-Transformer的锂离子电池健康状态估计

成为基于数据驱动的 SOH 估计的研究热点之一 [9] 。孙
本研究中,锂离子电池的 SOH 采用当前最大可用容量
域峰的最大值以及面积作为表征电池老化的健康指
容量为 C r ,初始额定容量为 C o 。
时间规整图将电压曲线转换成相位差异曲线,并提取 4
离子电池的安全运行 [3] 。 SOH 目前尚无标准定义,在
Technology and Business University Natural Science Edition
2024 41 2
66—73.
第2期
陈国麟,等:基于 CNN-Transformer 的锂离子电池健康状态估计
67
layers. Results In this study experimental validation was performed using the MIT dataset a comparative analysis was
performed with convolutional neural network and long and short-term memory neural network and the root mean square
error and mean absolute error of the proposed method were the lowest which were 0. 11 and 0. 08 and the minimum
关键词:锂离子电池;健康状态;卷积神经网络;Transformer
中图分类号:TM912 文献标识码:A doi:10. 16055 / j. issn. 1672 - 058X. 2024. 0002. 009

《电动汽车锂离子电池SOH估算方法研究》

《电动汽车锂离子电池SOH估算方法研究》一、引言随着环境保护和能源危机意识的增强，电动汽车的普及和快速发展成为了必然趋势。

作为电动汽车的核心组成部分，锂离子电池的性能直接决定了电动汽车的续航里程和使用寿命。

其中，电池的健康状态（State of Health，SOH）是评估电池性能的重要指标。

因此，对电动汽车锂离子电池SOH估算方法的研究具有重要的理论意义和实际应用价值。

二、锂离子电池SOH概述SOH是指电池在当前条件下相对于全新状态的性能指标，通常以百分比表示。

锂离子电池的SOH受多种因素影响，包括电池的使用时间、充放电次数、温度、充放电速率等。

准确的SOH估算有助于提前发现电池性能的衰退，为电池的维护和更换提供依据。

三、传统的SOH估算方法1. 容量法：通过测量电池的放电容量与新电池的放电容量进行比较，从而估算出SOH。

这种方法简单直观，但易受温度、内阻等因素的影响。

2. 内阻法：通过测量电池的内阻变化来估算SOH。

内阻的增加通常意味着电池性能的衰退。

然而，内阻的测量需要专业的设备，且内阻与SOH之间的关系并非线性。

3. 混合法：结合容量法和内阻法，综合考虑多种因素来估算SOH。

这种方法提高了估算的准确性，但计算复杂度较高。

四、新型的SOH估算方法1. 数据驱动法：利用机器学习、神经网络等算法，通过分析历史数据来估算SOH。

这种方法无需建立精确的物理模型，适用于处理复杂非线性问题。

2. 模型驱动法：基于电池的电化学原理和物理特性，建立精确的电池模型，通过模型参数的变化来估算SOH。

这种方法计算复杂度较低，但需要深入理解电池的工作原理。

五、本文提出的SOH估算方法本文提出一种结合数据驱动法和模型驱动法的新型SOH估算方法。

首先，利用机器学习算法分析历史数据，提取出影响SOH 的关键因素。

然后，基于电化学原理和物理特性建立电池模型，通过模型参数的变化来估算SOH。

最后，将两种方法的估算结果进行融合，得到更为准确的SOH估算值。

基于人工神经网络估算锂离子电池的SOH

基于人工神经网络估算锂离子电池的SOH何发尧;胡欲立;郭广华;郑唯【摘要】More and more power machines choose lithium-ion batteries as their power source.The accurate estimation of SOH for the lithium-ion batteries can ensure the power machine safely and reliably operate.Under different experimental conditions,the charge-discharge cycle test was conducted for 18650-type lithium-ion batteries,and the batteries' charge-discharge cycle characteristics were obtained by the experimental results.According to the cycle characteristics,the artificial neural network was chosen to find the nonlinear relationship between the battery terminal voltage and SOH,and then the SOH of the lithium-ion batteries was estimated.The estimation results show that the BP neural network can accurately estimate the SOH of lithium-ion batteries,and the estimation error is basically less than 3％.%越来越多的动力机械采用锂离子电池作为其动力源.准确估算锂离子电池的SOH能够给动力机械安全可靠地运行提供保障.在不同的实验条件下对18650型锂离子电池做充放电循环实验,由实验结果得到锂离子电池的充放电循环特性,根据其循环特性采用人工神经网络寻找电池端电压与SOH 之间的非线性关系,进而估算锂离子电池的SOH.估算结果表明,采用BP神经网络能够准确地估算锂离子电池的SOH,估算误差基本控制在3％以内.【期刊名称】《电源技术》【年(卷),期】2017(041)005【总页数】3页(P708-710)【关键词】锂离子电池;SOH;动力电池;神经网络【作者】何发尧;胡欲立;郭广华;郑唯【作者单位】西北工业大学航海学院,陕西西安710072;西北工业大学航海学院,陕西西安710072;西北工业大学航海学院,陕西西安710072;西北工业大学航海学院,陕西西安710072【正文语种】中文【中图分类】TM912近年来，随着能源危机、环境污染等问题的日渐突出，以电动力为主的动力机械更加受到人们的亲睐。

基于IMOCS-BP神经网络的锂离子电池SOH估计

基于IMOCS-BP神经网络的锂离子电池SOH估计
王雪;游国栋;房成信;张尚
【期刊名称】《电源学报》
【年(卷),期】2024(22)1
【摘要】锂离子电池随着循环充放电次数的增长,其健康状态SOH(state-of-health)会随之发生一定程度的衰减。

针对以上问题,设计了一种基于改进的多目标布谷鸟搜索IMOCS(improved multi-objective Cuckoo search)-BP神经网络的锂离子电池健康状态估计方法,在避免算法陷入局部最优的同时自适应改变布谷鸟搜索CS(Cuckoo search)算法更新概率和搜索步长,解决CS算法收敛速度慢和求解精度低的问题。

以IMOCS算法和BP神经网络结合,对节点空间范围进行全局搜索,降低权值和阈值的初值对BP神经网络的影响,实现参数优化。

通过Matlab仿真,验证了基于IMOCS-BP神经网络的SOH估计算法误差低、性能强,实现了锂电池SOH的精准预测。

【总页数】7页(P94-100)
【作者】王雪;游国栋;房成信;张尚
【作者单位】天津科技大学电子信息与自动化学院
【正文语种】中文
【中图分类】TM912
【相关文献】
1.基于TCN编码的锂离子电池SOH估计方法
2.基于多方法融合的锂离子电池SOC-SOH联合估计
3.基于集成ELM的锂离子电池充电截止电压下的SOC和SOH联合估计
4.基于简单循环单元的储能锂离子电池SOC和SOH联合估计方法
5.基于容量增量曲线与GWO-GPR的锂离子电池SOH估计
因版权原因，仅展示原文概要，查看原文内容请购买。

基于CNN-GRU神经网络的锂电池SOH估计与RUL预测

基于CNN-GRU神经网络的锂电池SOH估计与RUL预测辛付宇;邢丽坤;刘笑【期刊名称】《上海节能》【年(卷),期】2024()5【摘要】随着近几年新能源汽车市场的蓬勃发展,消费者对锂电池的电池性能和储能系统的整体要求逐步提升。

锂电池作为新能源汽车的重要组成部分,对新能源汽车品牌的经济性能具有重要影响。

针对锂电池健康状态(State Of Health,SOH)估计与剩余有效工作时间(Remaining Useful Life,RUL)预测无法直接测量,为了攻克在线准确测量的难题,提出基于卷积神经网络-门控循环单元(Convolutional Neural Network-Gated Recurrent Unit,CNN-GRU)的锂电池SOH估计与RUL预测方法。

运用Python编程语言在TensorFlow框架下搭建CNN-GRU神经网络,利用GRU长时间记忆能力与CNN避免了对数据的复杂前期预处理,采用NASA 开放实验数据测试,经过实验结果对比,基于CNN-GRU神经网络的估算模型相对于BP、CNN、GRU单独神经网络模型拥有更高的计算精度,以及更稳定的预测结果。

【总页数】8页(P819-826)【作者】辛付宇;邢丽坤;刘笑【作者单位】安徽理工大学电气与信息工程学院【正文语种】中文【中图分类】TM9【相关文献】1.基于充电过程的锂电池SOH估计和RUL预测2.不同温度下基于PSO-LSSVM 的锂电池SOH估计与RUL预测3.基于BiLSTM神经网络的锂电池SOH估计与RUL预测4.基于多模型组合和EIS的锂电池SOH和RUL预测5.基于V2G与XGBoost技术的锂电池SOH估计与RUL预测分析因版权原因，仅展示原文概要，查看原文内容请购买。