锂离子电池的健康状态(State of health,SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异,因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进...锂离子电池的健康状态(State of health,SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异,因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取,使用贝叶斯正则化神经网络对锂电池SOH进行预测,同时引入KNN-马尔科夫修正策略对预测结果进行修正.实验结果证明,贝叶斯正则化算法对锂电池SOH的预测准确度较高,KNN-马尔科夫修正策略提高了预测的精确度和鲁棒性,组合预测模型对锂电池SOH的平均预测误差小于1%,与采用数据分组处理方法(Group method of data handling,GMDH)、概率神经网络(Probabilistic neural network,PNN)、循环神经网络(Recurrent neural network,RNN)的预测精度进行对比,该模型的预测精度分别提高了33.3%、48.7%和53.1%.展开更多
文摘锂离子电池的健康状态(State of health,SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异,因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取,使用贝叶斯正则化神经网络对锂电池SOH进行预测,同时引入KNN-马尔科夫修正策略对预测结果进行修正.实验结果证明,贝叶斯正则化算法对锂电池SOH的预测准确度较高,KNN-马尔科夫修正策略提高了预测的精确度和鲁棒性,组合预测模型对锂电池SOH的平均预测误差小于1%,与采用数据分组处理方法(Group method of data handling,GMDH)、概率神经网络(Probabilistic neural network,PNN)、循环神经网络(Recurrent neural network,RNN)的预测精度进行对比,该模型的预测精度分别提高了33.3%、48.7%和53.1%.
