基于健康特征参数的CNN-LSTM&GRU组合锂电池SOH估计

• 作者: 戴彦文 于艾清
• 来源期刊: 储能科学与技术
• 学科: 工学
• 关键词: 锂离子电池 健康状态 健康特征 CNN-LSTM GRU
• 年，卷（期）: 2022,（5）
• 所属期刊栏目: 储能测试与评价|Energy Storage Test: Methods and Evaluation
• 页码范围: 1641-1649
• 页数: 9页
• 分类号: TM911
• 语种: 中文
• DOI: 10.19799/j.cnki.2095-4239.2021.0623

摘要

锂电池健康状态(state of health,SOH)是表征电池实际寿命的关键性参数.SOH不可直接测量,为进一步提升锂电池SOH估计的精度,提出一种基于健康特征参数的CNN-LSTM与GRU组合SOH估计方法.首先,从锂电池充电曲线中初步选取健康特征参数,并通过Spearman相关系数提取健康特征,具体包括恒定电流充电时长、恒定电压充电时长、恒定电流充电时长与恒定电压充电时长的比值以及恒定电流充电阶段温度曲线在时间上的积分与恒定电压充电阶段温度曲线在时间上的积分.其次,采用卷积神经网络(convolutional neural network,CNN)提取健康特征的局部特征,长短期神经网络(long short-term memory,LSTM)挖掘数据时间序列特征,构造CNN-LSTM融合神经网络.然后,将CNN-LSTM网络与门口循环单元(gated recurrent unit,GRU)通过自适应权重因子构成组合SOH估计模型.最后,以NASA锂电池数据集5号、6号、7号、18号电池参数为依据进行验证.实验结果表明,所提组合模型相比于CNN-LSTM、LSTM和GRU此类单一模型,平均绝对误差分别降低了71.8.％、62.4％、22.6％,均方根分别降低了84.1％、79.8％、44.3％.