基于迁移学习与GRU神经网络结合的锂电池SOH估计

作     者：莫易敏 余自豪 叶鹏 范文健 林阳 Mo Yimin;Yu Zihao;Ye Peng;Fan Wenjian;Lin Yang

作者机构：武汉理工大学机电工程学院武汉430070 上汽通用五菱汽车股份有限公司技术中心柳州545000 

基　　金：校企合作项目(PR21EC0038) 

出 版 物：《太阳能学报》 (Acta Energiae Solaris Sinica)

年 卷 期：2024年第45卷第3期

页      码：233-239页

摘      要：为解决退役电池梯次利用过程中单体剩余使用寿命估计困难、测试流程复杂与能耗高等问题,提出迁移学习与GRU网络结合的锂离子电池健康状态估计方法;设计的基础模型结构为输入层+GRU层+全连接层+输出层;根据健康因子的得分,选择训练基础模型的数据集、划分电池相似度等级并制定对应的迁移学习策略。实验结果表明:与其他模型相比,分别使用数据集的前40%与前25%训练得到的基础模型与迁移学习模型,两者的精度分别最大提高42.48%与95.28%,而预测稳定性分别最大提高55.38%与93.55%。

主 题 词：机器学习 迁移学习 锂电池 门控循环单元神经网络 健康状态估计 

学科分类：0808[工学-自动化类] 08[工学] 

核心收录：

D　O　I：10.19912/j.0254-0096.tynxb.2022-1771

馆 藏 号：203127152...