基于Elman神经网络的锂离子电池RUL间接预测研究

被引：37

作者：

李练兵

祝亚尊

田永嘉

安子腾

王玲珑

机构：

[1] 河北工业大学控制科学与工程学院

来源：

电源技术 | 2019年 / 43卷 / 06期

关键词：

锂离子电池; 剩余使用寿命; 等压降放电时间; 灰色关联分析; Elman神经网络;

D O I：

暂无

中图分类号：

TM912 [蓄电池];

学科分类号：

080802 [电力系统及其自动化];

摘要：

锂离子电池实际容量常采用安时积分法得到,存在测量精度差及累积误差的问题。提出了一种利用锂离子电池循环充放电监测参数(电压、时间、内阻、温度等)构建间接健康因子的方法,实现了电池健康状态的间接预测。选择等压降放电时间作为间接健康因子,通过灰色关联分析法验证了其与锂离子电池实际容量的强鲁棒性。构建基于Elman神经网络的剩余使用寿命(remaining useful life,RUL)预测模型。采用NASA公开的锂离子电池数据集进行测试,结果表明提出的方法框架可以有效地进行电池RUL的间接预测,得到精确的预测结果。

引用

页码：1027 / 1031

页数：5

共 6 条

[1]

基于自适应卡尔曼滤波的锂电池SOC估计 [J].