10.19799/j.cnki.2095-4239.2023.0233
面向变工况条件的锂离子电池寿命退化预测方法
准确地预测锂离子电池寿命退化对保障电动汽车及电化学储能系统的安全可靠运行具有重要意义.然而,面向变工况条件的锂离子电池寿命预测仍具有较大的挑战.本文提出了一种新型特征矩阵的建立方法以及基于深度卷积神经网络的电池寿命预测方法.首先,以容量衰减来定义电池寿命退化,根据变工况公开数据集的特点,结合历史容量信息、循环次数信息和工况信息建立了多维度特征参量矩阵.然后,以特征参量矩阵为输入,待预测电池容量为输出,构建了一步预测的映射关系.为获取该映射关系,采用了具有强非线性能力的深度学习方法,通过空洞卷积模块、残差模块和回归模块的叠加建立了空洞残差回归网络(dilated residual regression network,DRRN).进一步地,在训练所构建的网络时使用贝叶斯优化(Bayesian optimization,BO)寻找最佳的超参数组合,使模型达到最优效果.实验结果表明,相比于目前常用于电池剩余寿命预测的粒子滤波算法和长短时记忆神经网络算法,所提方法至少可减少相对均方根误差42.8%,具有明显优势.在不同的预测起点下,证明了所提方法具有较鲁棒的预测能力.
锂离子电池、变工况条件、寿命预测、卷积神经网络、贝叶斯优化
12
TM912.9
2023-08-02(万方平台首次上网日期,不代表论文的发表时间)
共8页
2238-2245