典型文献
基于BiLSTM神经网络的锂电池SOH快速估计研究
文献摘要：
锂离子电池健康状态(State of Health,SOH)是锂电池退役的重要指标之一,为快速估计锂电池SOH,文章利用长短期记忆神经网络对非线性数据的高效预测能力,构建了一种双向神经网络预测模型.根据美国国家航空航天局(National Aeronautics and Space Administration,NASA)所提供的现有电池数据,将电容、电压、电流作为输入数据,建立电容、电压和电流之间的联系,再输入未经训练的测试集数据进行预测.实验结果显示,预测值平均绝对误差(Mean Absolute Error,MAE)为1.6％,整体误差较低,实现了SOH的快速估计.
文献关键词：
锂电池;健康状态估计;双向长短期记忆神经网络
中图分类号：
作者姓名：
李家晨;朱成杰
作者机构：
安徽理工大学,安徽 淮南 232000
文献出处：
引用格式：
[1]李家晨;朱成杰-.基于BiLSTM神经网络的锂电池SOH快速估计研究)[J].无线互联科技,2022(20):146-148
A类：
B类：
BiLSTM,锂电池,SOH,锂离子电池,电池健康状态,State,Health,退役,预测能力,神经网络预测模型,美国国家航空航天局,National,Aeronautics,Space,Administration,NASA,输入数据,经训,测试集,平均绝对误差,Mean,Absolute,Error,MAE,整体误差,健康状态估计,双向长短期记忆神经网络
AB值：
0.358305
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。
