基于IPSO-LSTM的新能源汽车锂电池健康状态监测

SOH monitoring of new energy vehicle lithium batteries based on IPSO-LSTM

刘丹 ¹王瑞虎 ¹吕伟 ¹秦岭 ²林水春³

扫码查看

作者信息

1. 武汉理工大学中国应急管理研究中心,湖北武汉 430070;武汉理工大学安全科学与应急管理学院,湖北武汉 430070
2. 武汉理工大学汽车工程学院,湖北武汉 430070
3. 武汉理工大学安全科学与应急管理学院,湖北武汉 430070;格力钛新能源股份有限公司,广东珠海 519040
折叠

摘要

为监测新能源汽车锂电池的健康状态(SOH),防范电池故障引发安全事故风险,提出改进粒子群算法(IPSO)和长短期记忆(LSTM)神经网络相结合的模型,监测锂电池的SOH.首先,采用Spearman相关性分析法,提取锂电池SOH监测的健康因子;其次,采用线性惯性权重和非对称学习因子改进传统粒子群算法(PSO),利用IPSO算法对LSTM模型的隐含层神经元个数、神经元失活率、批处理值进行关键参数寻优,进一步优化LSTM模型,建立IPSO-LSTM锂电池SOH监测模型;最后,以新能源汽车主流采用的18650锂电池数据集验证IPSO-LSTM模型,并对比分析BP、LSTM和PSO-LSTM这3种模型.结果表明:IPSO-LSTM模型的平均绝对误差(MAE)在0.02以内、均方根误差(RMSE)在0.03以内,监测误差在15％以内,相较于BP、LSTM、PSO-LSTM模型,IPSO-LSTM模型的误差指标值均最小,模型具有更高的精度和稳定性.

关键词

改进粒子群算法(IPSO)/长短期记忆(LSTM)/新能源汽车/锂电池/健康状态(SOH)

Key words

improved particle swarm optimization(IPSO)/long short-term memory(LSTM)/new energy vehicle/lithium battery/state of health(SOH)

引用本文复制引用

基金项目

国家社会科学基金一般项目(23GLB280)

火灾科学国家重点实验室开放课题(HZ2021-KF11)

中央高校基本科研业务费专项(2022IVA108)

出版年

2023

中国安全科学学报

中国职业安全健康协会

中国安全科学学报

CSTPCDCSCD北大核心

影响因子：1.548

ISSN：1003-3033

参考文献量6

段落导航