科研之友
微信
新浪微博
Facebook
分享链接
摘要
[目的]准确估计锂离子电池健康状态（SoH）对于未来的智能电池管理系统具有重要意义。为解决数据特征质量差以及模型参数调整困难的问题，提出了基于奇异值定阶降噪以及麻雀算法优化门控循环（GRU）神经网络的锂电池SoH估计方法。[方法]首先，从电池充放电数据中提取了3个与SoH衰减高度相关的指标，运用奇异值分解技术对特征进行降噪，提高了其与SoH的相关性。接着，使用麻雀搜索算法优化GRU神经网络的模型结构及参数，提高其对SoH的估计精度。最后，使用先进生命周期工程中心（CALCE）的电池数据集验证所提模型的有效性。[结果]实验结果表明，所提模型适用于电池SoH估计，其最大均方根误差（RMSE）仅为0.018 4；经过数据降噪以及算法优化后的GRU模型，其RMSE比初始模型减少了55.41%。[结论]文章所提方法实现了SoH的准确估计，可为实际工程应用提供参考。
- 单位
