基于多指标的CNNLSTM锂电池SOH估计模型
文档名：基于多指标的CNNLSTM锂电池SOH估计模型
摘要：为了解决锂电池健康状态(SOH)估计精度不高、健康指标单一而难以描述电池退化特征的问题,提出一种基于多指标的卷积神经网络(CNN)-长短时记忆神经网络(LSTM)锂电池SOH估计模型.通过从锂电池充电电压、电流和温度数据中提取多个健康指标,搭配CNN和LSTM融合模型,实现锂电池SOH在线估计.经过美国国家航天局(NASA)数据集验证,结果表明相比于CNN、LSTM、前馈神经网络(FNN)等其他方法,该研究更能够有效表征电池容量的退化情况,平均绝对误差最大不超过0.0094,均方根误差最大不超过0.0134,精确度很高.
作者：张慧颖王军华丁汀朱永茂Author：ZHANGHuiyingWANGJunhuaDINGTingZHUYongmao
作者单位：武汉大学电气与自动化学院,湖北武汉430072
刊名：电源技术 ISTICPKU
Journal：ChineseJournalofPowerSources
年，卷(期)：2023, 47(10)
分类号：TM912
关键词：健康状态多健康指标CNN-LSTM
Keywords：stateofhealthmultiplehealthindicatorsCNN-LSTM
机标分类号：TP391TM912TP183
在线出版日期：2023年11月7日
基金项目：国家自然科学基金基于多指标的CNN-LSTM锂电池SOH估计模型[
期刊论文]电源技术--2023, 47(10)张慧颖王军华丁汀朱永茂为了解决锂电池健康状态(SOH)估计精度不高、健康指标单一而难以描述电池退化特征的问题,提出一种基于多指标的卷积神经网络(CNN)-长短时记忆神经网络(LSTM)锂电池SOH估计模型.通过从锂电池充电电压、电流和温度数据中提取...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于多指标的CNN-LSTM锂电池SOH估计模型Multi-indicator based CNN-LSTM Li-ion battery SOH estimation model
基于多指标的CNN-LSTM锂电池SOH估计模型.pdf
页:
[1]