采用全局健康因子和残差模型的锂离子电池健康状态估计

摘要

为准确估计锂离子电池的健康状态（SOH）,提出了一种卷积神经网络-残差网络-双向门控循环单元-注意力机制（CNN-Residual-BiGRU-Attention）模型和微调估计方法。首先，采用分段近似聚合算法对电池容量增量和恒流充电曲线进行降维，构建全局健康因子；接着，利用卷积神经网络提取全局健康因子时序特征，通过注意力机制突出强相关特征，并引入残差网络保持信息完整性；最后，通过改进人工蜂群算法对模型超参数寻优，提升模型SOH估计精度。采用美国国家航空航天局和牛津大学锂离子电池数据集进行精度验证，结果表明：利用提出的微调估计方法，即使精度较差的卷积神经-长短期记忆模型，SOH估计结果的平均绝对误差e_MAE、平均绝对百分比误差e_MAPE和均方根误差e_RMSE也均在2%以内；相较于卷积神经网络-双向门控循环单元-注意力机制模型，采用CNN-Residual-BiGRU-Attention模型对训练集比例为30%的同一电池SOH进行估计，得到的e_MAE、e_MAPE和e_RMSE分别降低了41.86%、44.35%、42.11%;对训练集比例为40%的同类电池SOH进行估计，得到的e_MAE、e_MAPE和e_RMSE分别降低了45.51%、45.93%、40.10%。该研究结果可为低比例训练集条件下准确估计锂离子电池的SOH提供理论参考。

关键词

锂离子电池 / 健康状态估计 / 全局健康因子 / 改进人工蜂群算法 / 残差 / 双向门控循环单元

基金资助

陕西省自然科学基础研究计划资助项目(2023-JC-QN-0417); 西安市科技计划资助项目(24ZDCYJSGG0048); 咸阳市重点研发计划资助项目(L2023-ZDYF-SF-077)