典型文献
基于实车数据和BP-AdaBoost算法的电动汽车动力电池健康状态估计
文献摘要：
动力电池健康状态(state of health,SOH)估计是电动汽车领域关注的一个热点,目前的大部分方法都是基于实验室测试数据进行估计,忽略了实际车辆运行情况.使用国家大数据联盟平台采集的实际车辆运行数据进行电池SOH的估计.数据预处理方面,在清洗异常数据时,保留了实车数据中合理的强噪声数据,保证了数据的真实性.特征选择方面,选择容量增量曲线峰值和对应的电压以及基于安时积分得到的小片段充电容量数据.算法方面,针对真实数据的弱时序性问题,利用反向传播-自适应推进(back propagation-adapt boost,BP-AdaBoost)算法进行电池SOH估计的研究.最后,利用同一类型三辆车的数据进行了模型训练、测试和验证,预测结果与长短期记忆-循环神经网络(long short term memory-recurrent neural network,LSTM-RNN)算法对比,BP-Ada-Boost算法估计误差更小,平均绝对误差达到0.96％,因此,所提出的方法可以应用于实车电池SOH的高精度估计.
文献关键词：
电动汽车;动力电池;健康状态(SOH)估计;实车数据;BP-AdaBoost算法
中图分类号：
作者姓名：
周仁;张向文
作者机构：
桂林电子科技大学电子工程与自动化学院,桂林541004;广西自动检测技术与仪器重点实验室, 桂林541004
文献出处：
引用格式：
[1]周仁;张向文-.基于实车数据和BP-AdaBoost算法的电动汽车动力电池健康状态估计)[J].科学技术与工程,2022(21):9398-9406
A类：
B类：
实车数据,AdaBoost,电动汽车,汽车动力电池,电池健康状态,健康状态估计,state,health,SOH,汽车领域,实验室测试,测试数据,运行情况,运行数据,数据预处理,异常数据,强噪声,噪声数据,特征选择,容量增量曲线,曲线峰值,安时积分,分得,小片,充电容量,法方,真实数据,时序性,反向传播,back,propagation,adapt,boost,三辆,辆车,模型训练,长短期记忆,循环神经网络,long,short,term,memory,recurrent,neural,network,RNN,算法对比,估计误差,平均绝对误差,精度估计
AB值：
0.475955
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。
