10.15918/j.tbit1001-0645.2022.148
基于多方法融合的锂离子电池SOC-SOH联合估计
健康状态估计对电池的实用性和经济性具有指导意义.针对电池健康状态估计难度大且估计结果极易受噪声的影响,但融合算法估计效果好且受噪声影响小,提出了基于粒子群优化深度置信网络和自适应扩展卡尔曼/自适应H∞滤波((PSO-DBN)-AEKF/AHIFF) 融合算法在卷积神经网络(CNN) 模型下的锂离子电池SOC-SOH 联合估计. 首先对于健康状态(SOH) 数据的预处理环节采用小波变换的方法使得噪声显著去除. 其次将去噪后的数据代入训练好的CNN 模型进行SOH 估计,并融合((PSO-DBN)-AEKF/AHIFF) 算法进行健康状态估计,最后在DST 工况和UDDS 工况下,搭建Matlab/Simulink/Python 环境下的Typhoon HIL602+硬件在环平台进行联合估计的验证,结果显示健康状态的估计误差在1％ 以内,荷电状态(SOC) 的估计误差在2％ 以内,由此证明了多方法融合的SOC-SOH 联合估计的有效性,且具有较好的估计精度和鲁棒性.
锂离子电池、健康状态(SOH)、多算法融合、荷电状态(SOC)、联合估计
43
TM911.2
国家自然科学基金51775042
2023-06-27（万方平台首次上网日期，不代表论文的发表时间）
共10页
575-584
