精确的健康状态(state of health,SOH)对于锂电池储能系统安全运行意义重大。针对目前SOH估计方法适用性差、计算量大且精度低的不足,提出一种基于改进领域自适应迁移学习的锂电池SOH估计方法。首先,设计一种基于等充电压差时间间隔的新...精确的健康状态(state of health,SOH)对于锂电池储能系统安全运行意义重大。针对目前SOH估计方法适用性差、计算量大且精度低的不足,提出一种基于改进领域自适应迁移学习的锂电池SOH估计方法。首先,设计一种基于等充电压差时间间隔的新型SOH特征参数,以模拟随机恒流充电片段,简化SOH估计模型的输入参数;其次,通过引入自适应迁移学习,结合门控循环单元(GRU)网络特性,提出一种基于改进领域自适应迁移学习的GRU网络结构,以减少负迁移并降低网络训练负荷;再次,基于新型健康特征及神经网络,实现基于改进领域自适应迁移学习的SOH估计;最后,基于自主实验平台测试数据,对所提估计方法进行验证。结果表明,所提估计方法相比于基于传统领域自适应迁移学习的方法,测试倍率为0.75 C时,平均绝对误差和均方根误差分别降低了3.0%和3.8%;测试倍率为0.5 C时,降低了5.8%和4.3%。和基于微调迁移学习的估计方法相比,测试倍率0.75 C时,两种误差分别降低了22.9%和17.4%;测试倍率为0.5 C时,分别降低了25.8%和14.7%。展开更多
