基于深度神经网络的梯次利用电池健康状态评估

随着大量退役电池梯次利用，对退役动力电池健康状态的准确估计是保障电池梯次利用安全高效运行的前提。针对上述问题，提出基于深度神经网络学习的梯次利用电池健康状态评估方法。根据不同循环次数下梯次利用电池充放电性能的差异性，从梯次利用电池物理特性角度挖掘影响梯次利用电池老化特征的主要参数，利用皮尔逊法计算电池老化特征与梯次利用电池健康状态的相关系数，选取较高相关度特征作为深度神经网络的输入，建立基于深度神经网络学习的梯次利用电池健康状态评估模型。通过美国国家航空航天局Ames卓越预测中心的锂离子电池测试数据仿真实例验证了该文方法的有效性。仿真结果表明，与传统神经网络相比，深度神经网络学习可明显提高梯次利用电池健康状态的预测精度，为退役动力电池健康状态评估提供理论依据。