锂离子电池健康状态(state of health,SOH)是电池管理系统的重要参数。精确的SOH估算可以提供故障和老化更换预警,保证储能电站的安全稳定运行。选取充电平均电流、放电平均电压与放电平均温度作为输入特征,结合卷积神经网络(convolutional neural networks,CNN)和双向长短期记忆网络(bi-directional long short-term memory,Bi-LSTM),提出基于CNN-Bi-LSTM的锂离子电池SOH在线估算方法。该方法通过CNN自动提取输入网格数据的空间特征,输入数据获取方便,无须储存大量数据。继而利用Bi-LSTM充分挖掘电池老化过程中的时序特征,最终实现精确SOH估算。美国国家航空航天局(national aeronautics and space administration,NASA)电池老化数据集上的测试结果表明,所提方法估算SOH的平均绝对误差与均方根误差分别低于1.07和1.32,精度优于Bi-LSTM和CNN-LSTM两种方法。
展开▼
