数据驱动的锂电池健康状态估算方法比较

摘要：

回顾了人工神经网络、支持向量回归、高斯过程回归三种主流数据驱动方法在动力电池健康状态(stateof health,SOH)估算方面的研究进展.人工神经网络适合模拟动力电池,能达到很高的精度;支持向量回归计算量小,理论基础完善,在动力电池SOH估算研究中应用广泛;高斯过程回归精度高并能给出预测结果的置信区间,近年相关文献数量呈现增长趋势.针对现行SOH定义未能反映锂电池额定电压衰退的弊端,提出了利用电池满充能量定义SOH.进而分别建立了BP神经网络、支持向量回归、高斯过程回归模型,利用新能源汽车大数据,对电池充电能量进行了预测,定量对比结果验证了三种方法在计算量和精确度方面的特点.最后展望了数据驱动方法与新能源汽车大数据在动力电池SOH估算研究方面的应用前景.

关键词：动力电池、健康状态、数据驱动方法、新能源汽车大数据

所属期刊栏目：8

分类号：TK9

在线出版日期：2019-11-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1204-1210