科研之友
微信
新浪微博
Facebook
分享链接
摘要
准确估计锂离子电池健康状态（state of health，SOH）是保证电动汽车高效安全持久运行的关键。利用数据驱动方法可以提高SOH估计的精度，然而该方法的SOH估计精度高度依赖于所选择的特征与估计模型。特征之间的冗余性和估计模型泛化性不足都将影响电池SOH的准确估计。为了减小数据驱动特征之间的冗余度，增加模型的泛化性并提升SOH估计精度，提出了一种基于主成分分析与鲸鱼优化算法（whale optimization algorithm，WOA）-Elman的SOH估计方法。首先，从充电过程曲线中提取并选择与锂离子电池老化高度相关的特征，利用主成分分析方法进行特征降维，减小特征之间冗余度，然后，采用WOA方法优化Elman模型的初始权值与初始阈值，建立WOA-Elman模型，以B01号电池测试数据训练模型，利用B02与B03号电池进行验证，同时，对比常用的长短期记忆神经网络、支持向量回归和极限学习机以及未优化的Elman模型，结果显示，WOA-Elman估计模型的均方根误差为1.2113%。最后，分别采用3组电池实验测试数据交替作为训练集，对其余两组电池的SOH进行估计验证，，估计结果的均方根偏差最大仅为0.1771%。因此，本文方法可以更准确的估计电池SOH，并且具有更好的泛化性能。
-
单位自动化学院; 桂林电子科技大学
