准确的电池健康状态估计可以保证锂离子电池的可靠安全运行,减少系统不必要的维护成本。采用机器学习算法虽然能够获得精确的电池健康状态(State of health, SOH),但是其估计精度严重依赖于算法中的参数,普适性差,且会受到传感...
详细信息
准确的电池健康状态估计可以保证锂离子电池的可靠安全运行,减少系统不必要的维护成本。采用机器学习算法虽然能够获得精确的电池健康状态(State of health, SOH),但是其估计精度严重依赖于算法中的参数,普适性差,且会受到传感器噪声的影响。该文提出一种结合降噪自编码器(DAE)和门控递归单元的递归神经网络(GRU-RNN)的混合模型进行电池的SOH估计,以提高算法估计精度及抗干扰能力。首先利用电压-容量模型来重构电池恒流充电和放电阶段的电压曲线,以减小传感器噪声对SOH估计的影响。然后从电压曲线和增量容量(IC)曲线中提取相关特征作为SOH估计模型的输入。接着利用DAE对带有噪声的输入特征进行无监督的训练,可以增强模型的鲁棒性。最后在输入特征含有噪声的情况下,利用提出的DAE-GRU-RNN算法与其他SOH估计算法进行对比验证。结果表明,该文提出的算法精度更高,相对误差比GRU-RNN和深度神经网络(DNN) 模型小6.39%-23.23%。利用部分电压曲线获得的特征数据进行电池SOH预测时,该算法依然具有较高的电池SOH估计精度。
暂无评论