典型文献
基于深度学习的储能锂离子电池健康状态估计
文献摘要：
锂电池储能系统在促进大规模清洁能源并网和保证电网稳定运行等方面发挥着重要作用.针对储能锂离子电池运行过程中的健康管理问题,提出了 一种基于深度学习的储能锂离子电池实时健康状态估计方法,利用注意力机制的长短期神经网络,实时评估站内电池单体及电池簇的健康状态.通过对输入特征进行注意力加权,强化参数敏感性较高的特征在模型训练时的作用,以获得更高的估计精度.为验证该模型的有效性,利用公开数据集及实际储能锂离子电池运行数据,分别对储能电池单体及电池簇进行健康状态估计,实现了比传统神经网络方法更高的估计精度.
文献关键词：
锂离子电池;储能系统;健康状态估计;深度学习;注意力机制;特征工程
中图分类号：
作者姓名：
赵显赫;耿光超;龚裕仲;江全元;林达
作者机构：
浙江大学电气工程学院,浙江杭州310027;国网浙江省电力有限公司电力科学研究院,浙江杭州310014
文献出处：
引用格式：
[1]赵显赫;耿光超;龚裕仲;江全元;林达-.基于深度学习的储能锂离子电池健康状态估计)[J].能源工程,2022(04):28-35
A类：
B类：
锂离子电池,电池健康状态,健康状态估计,锂电池储能系统,清洁能源,并网,电网稳定,管理问题,估计方法,注意力机制,长短期神经网络,实时评估,站内,电池簇,输入特征,强化参数,参数敏感性,模型训练,估计精度,公开数据集,运行数据,储能电池,行健,神经网络方法,特征工程
AB值：
0.288663
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。
