基于CNN-BiLSTM网络的锂离子电池健康状态检测方法

被引：16

作者：

朱振宇

高德欣

机构：

[1] 青岛科技大学自动化与电子工程学院

来源：

电子测量技术 | 2023年 / 46卷 / 03期

关键词：

锂电池; 健康状态; 卷积神经网络; 双向长短期记忆神经网络;

D O I：

10.19651/j.cnki.emt.2210510

中图分类号：

TM912 [蓄电池]; TP183 [人工神经网络与计算];

学科分类号：

080802 [电力系统及其自动化]; 140502 [人工智能];

摘要：

锂离子电池健康状态(SOH)是锂离子电池可靠运行的重要参考指标，为提高电池健康状态检测的精确性，提出一种基于CNN-BiLSTM网络的锂电池健康状态检测方法。该方法使用CALCE锂离子电池容量衰减数据集，提取电池健康因子(HI)作为模型输入数据，同时利用灰色关联分析法(GRA)验证HI选取的合理性，采用卷积神经网络(CNN)、双向长短期记忆神经网络(BiLSTM)构建网络模型，对电池容量进行预测，实现锂离子电池健康状态检测。实验结果表明，该方法SOH检测的平均绝对误差为1.3%,均方根误差为1.78%,精确度和可靠性较高。

引用

页码：128 / 133

页数：6

共 15 条

[1]

A Neural-Network-Based Method for RUL Prediction and SOH Monitoring of Lithium-Ion Battery..[J].Jiantao Qu;Feng Liu;Yuxiang Ma;Jiaming Fan.IEEE Access.2019,

[2]

Cycle life testing and modeling of graphite/LiCoO 2 cells under different state of charge ranges.[J].Saurabh Saxena;Christopher Hendricks;Michael Pecht.Journal of Power Sources.2016,

[3]

基于卷积神经网络与双向长短时融合的锂离子电池剩余使用寿命预测 [J].