首页|基于IPSO-LSTM的新能源汽车锂电池健康状态监测

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

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
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.

improved particle swarm optimization(IPSO)long short-term memory(LSTM)new energy vehiclelithium batterystate of health(SOH)

刘丹、王瑞虎、吕伟、秦岭、林水春

展开 >

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

武汉理工大学汽车工程学院,湖北武汉 430070

格力钛新能源股份有限公司,广东珠海 519040

展开 >

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)

国家社会科学基金一般项目火灾科学国家重点实验室开放课题中央高校基本科研业务费专项

23GLB280HZ2021-KF112022IVA108

2023

10.16265/j.cnki.issn1003-3033.2023.09.1250

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
年,卷(期)：2023.33(9)
  • 6