典型文献
基于iCEEMDAN和迁移学习的锂离子电池SOH估计
文献摘要：
目前数据驱动的锂离子电池健康状态(State of health,SOH)估计方法已成为研究热点,但实车应用中产生的小样本数据问题会导致数据驱动模型精度低、泛化能力差等问题,由此提出一种基于特征模态分解及迁移学习的 SOH 估计方法.首先,从电池小样本数据片段中提取健康特征,通过改进的自适应噪声完备集合经验模态分解(Improved complete ensemble empirical mode decomposition with adaptive noise,iCEEMDAN)分离出本征模态分量(Intrinsic mode function,IMF)与残余分量(Res)两类包含不同特征信息的分量;然后将分解优化后的特征信息分别通过LSTM网络和BP网络进行针对性训练,构建特征信息与电池SOH的关联模型;最后将模型迁移至其他数据集估计电池的SOH.基于NASA公开电池数据集的试验结果表明,所提方法具有高准确度及泛化能力,估计的平均绝对误差(MAE)和方均根误差(RMSE)分别为2.34％和3.05％,迁移后的MAE和RMSE分别为1.13％和1.68％.
文献关键词：
健康状态;iCEEMDAN;数据驱动;迁移学习;小样本数据
中图分类号：
作者姓名：
杨淞元;田勇;田劲东
作者机构：
深圳大学物理与光电工程学院 深圳 518060;人工智能与数字经济广东省实验室(深圳) 深圳 518132
文献出处：
引用格式：
[1]杨淞元;田勇;田劲东-.基于iCEEMDAN和迁移学习的锂离子电池SOH估计)[J].电气工程学报,2022(04):2-10
A类：
iCEEMDAN,特征模态分解
B类：
迁移学习,锂离子电池,SOH,电池健康状态,State,health,估计方法,小样本数据,数据驱动模型,模型精度,泛化能力,数据片段,自适应噪声完备集合经验模态分解,Improved,complete,ensemble,empirical,mode,decomposition,adaptive,noise,本征模态分量,Intrinsic,function,IMF,Res,特征信息,行针,针对性训练,关联模型,模型迁移,移至,NASA,高准确度,平均绝对误差,MAE,方均根,RMSE
AB值：
0.333776
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。
