数据驱动的锂电池健康状态估算方法比较

• 作者: 何瑛 白云飞 陈翌
• 来源期刊: 储能科学与技术
• 学科: 工学
• 关键词: 动力电池 健康状态 数据驱动方法 新能源汽车大数据
• 年，卷（期）: 2019,（6）
• 所属期刊栏目: 研究开发
• 页码范围: 1204-1210
• 页数: 7页
• 分类号: TK9
• 字数: 4694字
• 语种: 中文
• DOI: 10.12028/j.issn.2095-4239.2019.0103

摘要

回顾了人工神经网络、支持向量回归、高斯过程回归三种主流数据驱动方法在动力电池健康状态(stateof health,SOH)估算方面的研究进展.人工神经网络适合模拟动力电池,能达到很高的精度;支持向量回归计算量小,理论基础完善,在动力电池SOH估算研究中应用广泛;高斯过程回归精度高并能给出预测结果的置信区间,近年相关文献数量呈现增长趋势.针对现行SOH定义未能反映锂电池额定电压衰退的弊端,提出了利用电池满充能量定义SOH.进而分别建立了BP神经网络、支持向量回归、高斯过程回归模型,利用新能源汽车大数据,对电池充电能量进行了预测,定量对比结果验证了三种方法在计算量和精确度方面的特点.最后展望了数据驱动方法与新能源汽车大数据在动力电池SOH估算研究方面的应用前景.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈翌	同济大学汽车学院	11	108	4.0	10.0
2	何瑛	同济大学汽车学院	6	56	3.0	6.0
3	白云飞	同济大学汽车学院	1	1	1.0	1.0