基于健康特征提取和PSO-RBF神经网络的锂离子电池健康状态预测

被引：36

作者：

陈峥

顾青峰

沈世全

申江卫

舒星

机构：

[1] 昆明理工大学交通工程学院

来源：

昆明理工大学学报(自然科学版) | 2020年 / 45卷 / 06期

关键词：

健康状态; PSO-RBF; 灰色关联度; 主成分分析;

D O I：

10.16112/j.cnki.53-1223/n.2020.06.012

中图分类号：

TP183 [人工神经网络与计算]; TM912 [蓄电池];

学科分类号：

080802 [电力系统及其自动化]; 140502 [人工智能];

摘要：

针对电动汽车锂离子电池健康状态(State of Health,SOH)难以精确预测,以及现有预测模型复杂、计算量大的问题,本文提出了一种基于粒子群(Particle Swarm Optimization,PSO)算法优化径向基(Radial Basis Function,RBF)神经网络的电池健康状态预测方法.首先,通过循环寿命试验获取电池充放电过程中的时间向量和容量增量变化,提取与电池衰退相关的健康特征因子;其次,运用灰色关联度和主成分分析法对电池的老化特征参数进行了分析,以解决健康因子冗余或者不足问题;最后建立了PSO-RBF神经网络模型,实现电池健康状态估算.用实验得到的电池数据对提出的模型进行验证,并与单一Elman神经网络(Elman Neural Network, Elman NN)和径向基神经网络模型预测方法进行对比.结果表明:本文提出的方法能有效地预测电池SOH,最大误差小于2%,具有较好的稳定性和鲁棒性.

引用

页码：92 / 103

页数：12

共 11 条

[1]

A data-driven remaining capacity estimation approach for lithium-ion batteries based on charging health feature extraction.[J].Peiyao Guo;Ze Cheng;Lei Yang.Journal of Power Sources.2019,

[2]

A single particle model with chemical/mechanical degradation physics for lithium ion battery State of Health (SOH) estimation.[J].J. Li;K. Adewuyi;N. Lotfi;R.G. Landers;J. Park.Applied Energy.2018,

[3]

A novel approach of battery pack state of health estimation using artificial intelligence optimization algorithm.[J].Xu Zhang;Yujie Wang;Chang Liu;Zonghai Chen.Journal of Power Sources.2018,

[4]

A quick on-line state of health estimation method for Li-ion battery with incremental capacity curves processed by Gaussian filter.[J].Yi Li;Mohamed Abdel-Monem;Rahul Gopalakrishnan;Maitane Berecibar;Elise Nanini-Maury;Noshin Omar;Peter van den Bossche;Joeri Van Mierlo.Journal of Power Sources.2018,

[5]

Combined State of Charge and State of Health estimation over lithium-ion battery cell cycle lifespan for electric vehicles.[J].Yuan Zou;Xiaosong Hu;Hongmin Ma;Shengbo Eben Li.Journal of Power Sources.2015,

[6]

A review on prognostics and health monitoring of Li-ion battery [J].