典型文献
基于NARX神经网络的车用锂离子电池SOH时间序列预测
文献摘要：
锂离子电池模型参数具有慢时变特性,因而准确预测锂离子电池健康状态(state of health,SOH)存在较大的难题.利用非线性自回归(Nonlinear AutoRegressive with eXogenous input,NARX)神经网络建立了SOH时间序列预测模型,通过重构技术将预测模型的一维输入时间序列重构成多维状态空间,并且采用重构后的时间序列数据对NARX神经网络对进行训练,然后利用训练后的NARX神经网络进行预测得到最终的SO H时间序列预测值;试验结果显示,预测模型比RBF神经网络的均方误差提高了近6个百分点,收敛速度提高了近30 s,表明了基于NARX的SO H时间序列预测模型的预测精度及响应速度都较好.
文献关键词：
锂离子电池;健康状态;神经网络;预测
中图分类号：
作者姓名：
徐东辉;石本改;徐丽琴;叶雪强;王丽娜
作者机构：
南昌师范学院数学与计算机科学系,江西 南昌 330032;长沙理工大学汽车与机械工程学院,湖南 长沙 410076;广东机电职业技术学院汽车学院,广东 广州 510550
文献出处：
引用格式：
[1]徐东辉;石本改;徐丽琴;叶雪强;王丽娜-.基于NARX神经网络的车用锂离子电池SOH时间序列预测)[J].车用发动机,2022(06):71-75
A类：
eXogenous
B类：
NARX,车用,锂离子电池,SOH,电池模型,数具,慢时变,时变特性,准确预测,电池健康状态,state,health,非线性自回归,Nonlinear,AutoRegressive,input,时间序列预测模型,重构技术,状态空间,时间序列数据,RBF,均方误差,百分点,收敛速度,响应速度
AB值：
0.299575
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。
