基于iCEEMDAN和迁移学习的锂离子电池SOH估计

摘要：

目前数据驱动的锂离子电池健康状态(State of health,SOH)估计方法已成为研究热点,但实车应用中产生的小样本数据问题会导致数据驱动模型精度低、泛化能力差等问题,由此提出一种基于特征模态分解及迁移学习的 SOH 估计方法.首先,从电池小样本数据片段中提取健康特征,通过改进的自适应噪声完备集合经验模态分解(Improved complete ensemble empirical mode decomposition with adaptive noise,iCEEMDAN)分离出本征模态分量(Intrinsic mode function,IMF)与残余分量(Res)两类包含不同特征信息的分量;然后将分解优化后的特征信息分别通过LSTM网络和BP网络进行针对性训练,构建特征信息与电池SOH的关联模型;最后将模型迁移至其他数据集估计电池的SOH.基于NASA公开电池数据集的试验结果表明,所提方法具有高准确度及泛化能力,估计的平均绝对误差(MAE)和方均根误差(RMSE)分别为2.34％和3.05％,迁移后的MAE和RMSE分别为1.13％和1.68％.

关键词：健康状态、iCEEMDAN、数据驱动、迁移学习、小样本数据

所属期刊栏目：17

分类号：TM912

资助基金：人工智能与数字经济广东省实验室深圳开放课题资助项目GML-KF-22-19

在线出版日期：2023-02-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：2-10