一种锂电池SOH估计的KNN-马尔科夫修正策略

• Published in: 自动化学报 Vol. 47; no. 2; pp. 453 - 463
• Main Authors: 赵光财, 林名强, 戴厚德, 武骥, 汪玉洁
• Format: Journal Article
• Language: Chinese
• Published: 中国科学院海西研究院泉州装备制造研究所 晋江362200 01.02.2021; 中国科学院大学 北京100049%中国科学院海西研究院泉州装备制造研究所 晋江362200%合肥工业大学汽车与交通工程学院 合肥230009%中国科学技术大学信息科学技术学院 合肥230026
• Subjects: 贝叶斯正则化; 多层前馈神经网络; 马尔科夫链; 特征提取; 锂电池SOH
• ISSN: 0254-4156
• DOI: 10.16383/j.aas.c180124

锂离子电池的健康状态(State of health,SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异,因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取,使用贝叶斯正则化神经网络对锂电池SOH进行预测,同时引入KNN-马尔科夫修正策略对预测结果进行修正.实验结果证明,贝叶斯正则化算法对锂电池SOH的预测准确度较高,KNN-马尔科夫修正策略提高了预测的精确度和鲁棒性,组合预测模型对锂电池SOH的平均预测误差小于1％,与采用数据分组处理方法(Group method of data handling,GMDH)、概率神经网络(Probabilistic neural network,PNN)、循环神经网络(Recurrent neural network,RNN)的预测精度进行对比,该模型的预测精度分别提高了33.3％、48.7％和53.1％.