期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
采用全局健康因子和残差模型的锂离子电池健康状态估计
1
作者 胡循泉 耿莉敏 +5 位作者 舒俊豪 张文博 巫春玲 尉小龙 黄东 陈昊 《西安交通大学学报》 北大核心 2025年第4期105-117,共13页
为准确估计锂离子电池的健康状态(SOH),提出了一种卷积神经网络-残差网络-双向门控循环单元-注意力机制(CNN-Residual-BiGRU-Attention)模型和微调估计方法。首先,采用分段近似聚合算法对电池容量增量和恒流充电曲线进行降维,构建全局... 为准确估计锂离子电池的健康状态(SOH),提出了一种卷积神经网络-残差网络-双向门控循环单元-注意力机制(CNN-Residual-BiGRU-Attention)模型和微调估计方法。首先,采用分段近似聚合算法对电池容量增量和恒流充电曲线进行降维,构建全局健康因子;接着,利用卷积神经网络提取全局健康因子时序特征,通过注意力机制突出强相关特征,并引入残差网络保持信息完整性;最后,通过改进人工蜂群算法对模型超参数寻优,提升模型SOH估计精度。采用美国国家航空航天局和牛津大学锂离子电池数据集进行精度验证,结果表明:利用提出的微调估计方法,即使精度较差的卷积神经-长短期记忆模型,SOH估计结果的平均绝对误差e_( MAE)、平均绝对百分比误差e_( MAPE)和均方根误差e RMSE也均在2%以内;相较于卷积神经网络-双向门控循环单元-注意力机制模型,采用CNN-Residual-BiGRU-Attention模型对训练集比例为30%的同一电池SOH进行估计,得到的e_( MAE)、e_( MAPE)和e RMSE分别降低了41.86%、44.35%、42.11%;对训练集比例为40%的同类电池SOH进行估计,得到的e_( MAE)、e_( MAPE)和e RMSE分别降低了45.51%、45.93%、40.10%。该研究结果可为低比例训练集条件下准确估计锂离子电池的SOH提供理论参考。 展开更多
关键词 锂离子电池 健康状态估计 全局健康因子 改进人工蜂群算法 残差 双向门控循环单元
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部