机械工程学报

作者：张朝龙, 赵筛筛, 何怡刚

单位：1. 安庆师范大学电子工程与智能制造学院 安庆 246011;2. 武汉大学电气与自动化学院 武汉 430072

关键词：锂电池组,健康状态,信息熵,粒子群算法,长短时记忆神经网络；

基金：国家自然科学基金(51637004,51607004)、国家重点研发计划(2016YFF0102200)、安徽高校协同创新(GXXT-2019-002)、安徽高校自然科学研究重点(KJ2020A0509)和安庆师范大学研究生学术创新(2021yjsXSCX009)资助项目。

针对目前锂电池组健康状态估计方法的不足,提出一种基于信息熵与粒子群算法(Particle swarm optimization, PSO)优化长短时记忆神经网络(Long short-term memory neural network, LSTM)的锂电池组健康状态估计方法。基于锂电池组恒流-恒压充电阶段锂电池组内各单体端电压的信息熵和平均温度信息,应用PSO-LSTM方法提取锂电池组电压熵、平均温度和锂电池组健康状态之间的映射关系,从而建立锂电池组健康状态估计模型。应用试验室测量的锂电池组老化数据对提出的方法进行测试。测试结果表明,该方法能够准确估计锂电池组的健康状态,平均估计误差在1%以内。同时,为验证提出的方法可推广至锂电池单体,利用美国航天航空局测得的锂电池加速老化数据再次测试,平均估计误差在0.7%以内。并针对锂电池组与锂电池单体设计对比试验,进一步验证提出的方法具有良好的估计性能。

来源：2022年第10期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2022年第10期