典型文献
基于BI-LSTM神经网络的宽采样频率电池SOH估算
文献摘要：
锂离子电池健康状态(SOH)直接决定了电池储存能量和输出功率的能力.搭载锂离子电池的交通工具在运行时,需要实时上传电池数据,数据记录频率越高,数据通信成本越高.为了保证电池SO H估算准确,同时降低数据通信成本,基于试验室环境,设计了不同充放电倍率下的宽采样频率充放电试验.为了解决宽采样频率下健康特征波动问题,采用局部加权线性回归(LWLR)算法对健康特征下降趋势定性刻画.采用最大信息系数(MIC)算法衡量健康特征与容量的相关性.最后,基于双向长短期记忆(BI-LSTM)神经网络进一步学习容量与健康特征的非线性退化关系.根据单节电池历史数据离线估算电池SOH,最大相对误差为1.601％.
文献关键词：
锂离子电池;健康状态;估算
中图分类号：
作者姓名：
倪祥淦;何志刚;胡帅;李伟权;郭晓丹
作者机构：
江苏大学汽车与交通工程学院,江苏 镇江 212013;永康市质量技术监督所国家五金产品质量检测中心,浙江 金华 321300;浙江方圆检测集团有限公司,浙江 杭州 310018
文献出处：
引用格式：
[1]倪祥淦;何志刚;胡帅;李伟权;郭晓丹-.基于BI-LSTM神经网络的宽采样频率电池SOH估算)[J].车用发动机,2022(05):44-50
A类：
LWLR
B类：
BI,采样频率,SOH,锂离子电池,电池健康状态,储存能,输出功率,搭载,交通工具,传电,数据记录,数据通信,通信成本,试验室,充放电倍率,充放电试验,特征波,动问,局部加权线性回归,最大信息系数,MIC,双向长短期记忆,单节,节电池,历史数据,离线
AB值：
0.351635
相似文献
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。
