基于充电阶段数据与GWO-BiLSTM模型的锂电池SOH估计方法.pdfVIP

究与设计

基于充电阶段数据与GWO-BiLSTM模型的锂

电池SOH估计方法

铁洲，朱俊超，成雄帆，康健

(湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室，北武汉430068)

摘要：针对锂电池健康状态(stateofhealth,SOH)估计过程中健康特征(healthfeatures,HFs)提取单

一、估计精度较低等问题，提出一种基于充电阶段数据与灰狼优化(greywolfoptimizer，GWO)算法-

双向长短期记忆(bidirectionallongshort-termmemory，BiLSTM)神经网络的锂电池SOH估计方法。

首先，从电池充电阶段数据中提取五类HFs。接着，利用核主成分分析法(kernelprincipalcompo

nentanalysis，KPCA)获HFs的关键健康因子。最后，应用GWO-BiLSTM模型对关键健康因子和

SOH之间的映射关系进行动态建模，实现锂电池SOH的估计。利用NASA电池老化数据集进行验

证，结果表明，所提出方法能够准确估计锂电池的SOH，均方根误差保持在1%以内，具有较高的估计

精度和鲁棒性。

关键词：锂离子电池；健康状态；KPCA；关键健康因子；BiLSTM

中图分类号：TM912文献标识码：A文章编号：1002-087X(2024)11-2184-11

DOI:10.3969/j.issn.1002-087X.2024.11.012

SOHestimationmethodoflithium-ionbatteriesbasedoncharging

stagedataandGWO-BiLSTMmodel

WUTiezhou,ZHUJunchao,CHENGXiongfan,KANGJian

(HubeiKeyLaboratoryforHigh-efficiencyUtilizationofSolarEnergyandOperationControlofEnergyStorageSystem,

HubeiUniversityofTechnology,WuhanHubei430068,China)

Abstract:Aimingattheproblemsofsingleextractionofhealthfeatures(HFs)andlowestimationaccu

racyintheprocessofstateofhealth(SOH)estimationoflithium-ionbatteries,aSOHestimation

methodoflithiumbatterybasedonchargingstagedataandgreywolfoptimization(GWO)algorithm-

bidirectionallongshort-termmemory(BiLSTM)neuralnetworkisproposed.Firstly,fivetypesofHFs

areextractedfromthedataofbatterychargingstage.Then,kernelprincipalcomponentanalysis

(KPCA)wasusedtoobtainthekeyhealthfactorsofHFs.Finally,theGWO-BiLSTMmodelisusedto

dynamicallymodelthemappingrelationshipbetweenkeyhealthfa