用于预测电池充电状态、健康状态和温度状态的混合优化深度学习方法,Electrical Engineering
摘要
锂离子电池由于具有高功率密度、长寿命、宽工作温度范围、快速充电能力和低自放电等卓越性能而变得越来越受欢迎。电池管理系统（BMS）的实施对于保证电动汽车电池的安全和最佳运行至关重要。BMS 通过监控充电状态 (SoC)、健康状态 (SoH) 和温度状态 (SoT) 来监控、控制和维护可充电电池的健康状况和性能。SoC 量化某一时刻电池中存储的能量，并用于估算可行驶的剩余距离。SoH 描述可充电电池的整体健康状况或状态。它揭示了电池与其原始状态相比的性能如何。SoT估计使电池温度保持在安全范围内，使其达到更高的寿命和安全性，这对于电池的可靠性至关重要。在本文中，使用改进的基于 EP 的 R110-BLSTM 方法开发了锂离子电池的 SoC、SoH、SoT 估计模型。基于Emperor Penguin的Residual Network-110集成了双向长短期存储器（基于EP的R110-BLSTM），非常适合估计SoC、SoH和SoT，具有精度高、估计速度快和泛化能力强的特点。然而，极限学习机的性能很大程度上依赖于正确的特征提取。为了通过提取最佳特征来提高估计性能，采用了基于模拟退火的金鹰优化。电动汽车驾驶循环用于测试模型对温度变化的适应能力。MATLAB 2018b 软件用于执行本研究。结果表明，与现有模型相比，所提出的模型在准确性方面表现更好，并且 SoC、SoH 和 SoT 错误率更低。还将推荐模型与现有方法进行了彻底的比较，进一步证明了所提出模型的优越性。
"点击查看英文标题和摘要"
相关知识
一种基于深度学习的锂电池健康状态评估方法
电池健康状态监测
电池健康状态监测与寿命预测
电池健康状态深入解析与优化策略
基于贝叶斯优化的锂离子电池健康状态预测方法及系统
基于红外视频识别的锂电池健康状态快速检测
锂电池寿命衰退量化预测与健康状态智能评估方法
电池健康状态监测与智能预警系统
用于电动汽车共享充电桩的智能化电池健康状态检测方法与流程
基于模型的锂离子电池健康状态预测
网址: 用于预测电池充电状态、健康状态和温度状态的混合优化深度学习方法,Electrical Engineering https://m.trfsz.com/newsview1654370.html
