基于LSTM-SVR的锂电池健康状态预测研究

被引：31

作者：

王宇胜 ^{[1
,2
]}

陈德旺 ^{[1
,2
]}

蔡俊鹏 ^{[1
,2
]}

潘伟靖 ^{[1
,2
]}

机构：

[1] 福州大学数学与计算机科学学院

[2] 福州大学星云股份智慧新能源研究中心

来源：

电源技术 | 2020年 / 44卷 / 12期

关键词：

锂电池; 健康状态; 长短期记忆网络(LSTM); 支持向量机回归(SVR);

D O I：

暂无

中图分类号：

TM912 [蓄电池]; TP18 [人工智能理论];

学科分类号：

080802 [电力系统及其自动化]; 140502 [人工智能];

摘要：

锂电池健康状态(SOH)是表征电池衰退的重要指标,也是新能源汽车运行寿命的一个重要指标。为了提高锂电池健康状态SOH的预测精度,采用深度学习LSTM与SVR结合的算法来对锂电池健康状态进行预测,并利用网格搜索(GS)搜索SVR超参数。首先,使用平均放电电压、平均放电温度、容量作为健康因子(HI);其次,利用以往锂电池数据集对算法进行验证。实验结果表明:使用LSTM-SVR算法相比于LSTM算法在RMSE指标和拟合程度上更优,其均方根误差在0.6以内,平均绝对百分误差在0.6%以内。

引用

页码：1784 / 1787

页数：4

共 9 条

[1]

Lithium batteries: Status; prospects and future.[J].Bruno Scrosati;Jürgen Garche.Journal of Power Sources.2009, 9

[2]

基于高斯过程回归的锂电池健康预测 [D].