锂电池健康状态(State of Health,SOH)估计对于保证电池安全可靠运行和降低电池系统维护成本具有重要意义.为了提高锂电池SOH估计精度,提出一种基于量子粒子群算法(Quantum Particle Swarm Optimization,QPSO)优化卷积神经网络(Convolutional Neural Networks,CNN)-双向长短时记忆网络(Bi-directional Long Short Term Memory,Bi-LSTM)的锂电池健康状态估计模型.首先从锂电池充放电曲线中提取与电池容量相关的健康因子并进行相关性分析,再利用CNN对输入数据进行快速的隐含特征信息提取,然后利用Bi-LSTM充分学习时间序列特征,通过QPSO对CNN-Bi-LSTM模型的关键参数进行寻优,使得模型的估计精度得到提升,最终得到锂电池的SOH估计结果.在CALCE、NASA和TRI 3种锂电数据集上进行仿真实验,结果表明该模型在不同的锂电池数据集上都具有较好的估计效果和更高的精度,估计误差保持在1%以内,验证了估计方法的有效性.
展开▼
