电动汽车动力电池的健康状态(state of heath,SOH)是电池管理系统重点监测指标之一,对其进行精确评估对于整车安全可靠运行具有重要意义。但现有动力电池SOH评估方法存在评估精度不理想、计算复杂度高等问题,为此提出一种基于改进时间卷积网络(Temporal convolutional network,TCN)模型的动力电池SOH评估方法。该方法首先从动力电池充电数据中提取等电压上升时间、等电流下降时间、电压回升数值三个健康因子,并采用皮尔森相关系数验证了其与电池容量之间的相关关系;然后根据TCN模型的感受野对编码器-解码器结构进行调整,通过训练后的编码器对输入序列进行特征提取,获取到长时间序列的短时表达;最后利用TCN模型捕获特征时间序列与电池SOH之间的因果关系,实现对动力电池SOH的精确评估。所提方法应用于公开电池数据集,并将实验结果与当前广泛采用的时间序列分析方法及相关文献中所用方法进行对比,结果表明所提方法可使均方根误差和绝对平均误差分别降低0.0012和0.0008,相同训练次数所需计算时间减少3.4%。
锂电池健康状态(State of Health,SOH)估计对于保证电池安全可靠运行和降低电池系统维护成本具有重要意义.为了提高锂电池SOH估计精度,提出一种基于量子粒子群算法(Quantum Particle Swarm Optimization,QPSO)优化卷积神经网络(Convolutional Neural Networks,CNN)-双向长短时记忆网络(Bi-directional Long Short Term Memory,Bi-LSTM)的锂电池健康状态估计模型.首先从锂电池充放电曲线中提取与电池容量相关的健康因子并进行相关性分析,再利用CNN对输入数据进行快速的隐含特征信息提取,然后利用Bi-LSTM充分学习时间序列特征,通过QPSO对CNN-Bi-LSTM模型的关键参数进行寻优,使得模型的估计精度得到提升,最终得到锂电池的SOH估计结果.在CALCE、NASA和TRI 3种锂电数据集上进行仿真实验,结果表明该模型在不同的锂电池数据集上都具有较好的估计效果和更高的精度,估计误差保持在1%以内,验证了估计方法的有效性.
