锂离子电池健康状态估计与剩余寿命预测

针对锂离子电池健康状态(state-of-health,SOH)估计与剩余有效工作时间(remaining useful life,RUL)预测进行探讨.提出了一种利用SOH参数反应电池状况,并且建模预测电池RUL的方法.改进了现有研究成果在RUL预测中不能更新其概率密度的缺陷.同时应用支持向量回归机(SVR-PF)改进标准粒子滤波算法具有粒子贫化效应的缺点.仿真结果表明提出的参数准确地反应了电池的状况,同时也准确地预测了电池的RUL;SVR-PF具有比粒子滤波更强的平滑与预测能力.

基于CNN-GRU神经网络的锂电池SOH估计与RUL预测

随着近几年新能源汽车市场的蓬勃发展,消费者对锂电池的电池性能和储能系统的整体要求逐步提升。锂电池作为新能源汽车的重要组成部分,对新能源汽车品牌的经济性能具有重要影响。针对锂电池健康状态(State Of Health,SOH)估计与剩余有效工作时间(Remaining Useful Life,RUL)预测无法直接测量,为了攻克在线准确测量的难题,提出基于卷积神经网络-门控循环单元(Convolutional Neural Network-Gated Recurrent Unit,CNN-GRU)的锂电池SOH估计与RUL预测方法。运用Python编程语言在TensorFlow框架下搭建CNN-GRU神经网络,利用GRU长时间记忆能力与CNN避免了对数据的复杂前期预处理,采用NASA开放实验数据测试,经过实验结果对比,基于CNN-GRU神经网络的估算模型相对于BP、CNN、GRU单独神经网络模型拥有更高的计算精度,以及更稳定的预测结果。