欧阳名三;赵俊婷;针对锂离子动力电池在充放电过程中存在局部特征造成健康状态(State of health, SOH)难以精确评估的问题,提出了一种基于优化双向长短期记忆(Bidirectional longs hort-term memory, BiLSTM)神经网络的锂电池健康状态估计方法。从充放电数据提取具有局部特征的健康因子(Health features, HFs),采用核主成分分析法(Kernel principal component analysis, KPCA)对HFs进行融合和降维处理,形成融合的健康指标(Form principal health, FHI)。通过变分模态分解(Variational mode decomposition, VMD)方法对融合FHI进行多尺度分解,以捕捉不同时间尺度上电池状态的变化分量。利用Dropout-BiLSTM-Attention模型对代表全局变化趋势的分量模态函数IMF1 (Intrinsic mode function 1, IMF1)的SOH进行估计。通过电池老化数据集进行验证,结果表明,提取的健康因子能够有效追踪锂电池的退化过程,此模型的预测精度远低于对比模型,均方根误差(Root mean square error, RMSE)最低为0.522%和平均绝对误差(Mean absolute error, MAE)最低为0.317%。提出的模型对电池局部特征的预测具有良好的泛化能力和鲁棒性。
2025年03期 v.42 349-361页 [查看摘要][在线阅读][下载 8700K]