期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
一种基于ICA-T特征和CNN-LA-BiLSTM的锂离子电池健康状态估计方法 被引量：2
1
作者 张朝龙 陈阳 +3 位作者 刘梦玲 张俣峰 华国庆 阴盼昐 《储能科学与技术》 北大核心 2025年第3期1258-1269,共12页
为了解决锂离子电池健康状态(SOH)估计精度不足以及退化过程描述不准确的问题,本文提出了一种基于卷积神经网络-局部注意力-双向长短期记忆神经网络(CNN-LA-BiLSTM)的锂离子电池SOH估计方法。首先,测量锂离子电池在充电阶段的充电时间... 为了解决锂离子电池健康状态(SOH)估计精度不足以及退化过程描述不准确的问题,本文提出了一种基于卷积神经网络-局部注意力-双向长短期记忆神经网络(CNN-LA-BiLSTM)的锂离子电池SOH估计方法。首先,测量锂离子电池在充电阶段的充电时间、电流、电压、容量以及温度等数据。然后,对锂离子电池进行增量容量分析,提取增量容量(IC)曲线的面积作为锂离子电池的电特征;计算锂离子电池充电阶段的温度积分,作为温度特征;将曲线面积与温度相结合,用作锂离子电池SOH估计的联合特征增量容量面积-温度(ICA-T)。随后,利用CNN-LA-BiLSTM方法建立SOH估计模型,在模型中,引入局部注意力(LA)优化卷积神经网络(CNN)的权重和偏差,使用Huber损失函数优化模型参数从而获得良好的SOH估计效果。利用本实验室的2组锂离子电池数据开展测试,结果表明,提出的方法能有效地估计电池的SOH,平均绝对百分比误差(MAPE)为0.5794%,均方根误差(RMSE)为0.0099,决定系数(R2)为0.9961。与传统方法相比,本文提出的方法在电池SOH估计中表现出了更优的性能。 展开更多
关键词 锂离子电池 健康状态估计 卷积神经网络-局部注意力-双向长短期记忆神经网络 增量容量 Huber损失函数
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部