基于健康特征提取和PSO-RBF神经网络的锂离子电池健康状态预测

• 作者: 陈峥 顾青峰 沈世全 申江卫 舒星
• 来源期刊: 昆明理工大学学报（自然科学版）
• 关键词: 健康状态 PSO-RBF 灰色关联度 主成分分析
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 能源科学与电力工程|Energy Science and Power Engineering
• 页码范围: 92-103
• 页数: 12页
• 分类号: TM912
• 语种: 中文
• DOI: 10.16112/j.cnki.53-1223/n.2020.06.012

摘要

针对电动汽车锂离子电池健康状态(State of Health,SOH)难以精确预测,以及现有预测模型复杂、计算量大的问题,本文提出了一种基于粒子群(Particle Swarm Optimization,PSO)算法优化径向基(Radial Basis Function,RBF)神经网络的电池健康状态预测方法.首先,通过循环寿命试验获取电池充放电过程中的时间向量和容量增量变化,提取与电池衰退相关的健康特征因子;其次,运用灰色关联度和主成分分析法对电池的老化特征参数进行了分析,以解决健康因子冗余或者不足问题;最后建立了PSO-RBF神经网络模型,实现电池健康状态估算.用实验得到的电池数据对提出的模型进行验证,并与单一Elman神经网络(Elman Neural Network,Elman NN)和径向基神经网络模型预测方法进行对比.结果表明:本文提出的方法能有效地预测电池SOH,最大误差小于2％,具有较好的稳定性和鲁棒性.