典型文献
基于信息熵与PSO-LSTM的锂电池组健康状态估计方法
文献摘要：
针对目前锂电池组健康状态估计方法的不足,提出一种基于信息熵与粒子群算法(Particle swarm optimization,PSO)优化长短时记忆神经网络(Long short-term memory neural network,LSTM)的锂电池组健康状态估计方法.基于锂电池组恒流-恒压充电阶段锂电池组内各单体端电压的信息熵和平均温度信息,应用PSO-LSTM方法提取锂电池组电压熵、平均温度和锂电池组健康状态之间的映射关系,从而建立锂电池组健康状态估计模型.应用试验室测量的锂电池组老化数据对提出的方法进行测试.测试结果表明,该方法能够准确估计锂电池组的健康状态,平均估计误差在1％以内.同时,为验证提出的方法可推广至锂电池单体,利用美国航天航空局测得的锂电池加速老化数据再次测试,平均估计误差在0.7％以内.并针对锂电池组与锂电池单体设计对比试验,进一步验证提出的方法具有良好的估计性能.
文献关键词：
锂电池组;健康状态;信息熵;粒子群算法;长短时记忆神经网络
中图分类号：
作者姓名：
张朝龙;赵筛筛;何怡刚
作者机构：
安庆师范大学电子工程与智能制造学院 安庆 246011;武汉大学电气与自动化学院 武汉 430072
文献出处：
引用格式：
[1]张朝龙;赵筛筛;何怡刚-.基于信息熵与PSO-LSTM的锂电池组健康状态估计方法)[J].机械工程学报,2022(10):180-190
A类：
B类：
信息熵,PSO,锂电池组,健康状态估计,估计方法,粒子群算法,Particle,swarm,optimization,长短时记忆神经网络,Long,short,term,memory,neural,network,恒流,恒压,端电压,平均温度,映射关系,应用试验,试验室,估计误差,国航,航天航空,航空局,加速老化,次测试,单体设计,设计对比
AB值：
0.224124
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
