一种锂电池SOH估计的KNN-马尔科夫修正策略

摘要：

锂离子电池的健康状态(State of health,SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异,因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取,使用贝叶斯正则化神经网络对锂电池SOH进行预测,同时引入KNN-马尔科夫修正策略对预测结果进行修正.实验结果证明,贝叶斯正则化算法对锂电池SOH的预测准确度较高,KNN-马尔科夫修正策略提高了预测的精确度和鲁棒性,组合预测模型对锂电池SOH的平均预测误差小于1％,与采用数据分组处理方法(Group method of data handling,GMDH)、概率神经网络(Probabilistic neural network,PNN)、循环神经网络(Recurrent neural network,RNN)的预测精度进行对比,该模型的预测精度分别提高了33.3％、48.7％和53.1％.

关键词：锂电池SOH、特征提取、多层前馈神经网络、贝叶斯正则化、马尔科夫链

所属期刊栏目：47

资助基金：国家自然科学基金;福建省科技攻关项目引导性项目;中国科学院科研装备研制项目

在线出版日期：2021-03-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：453-463