文献类型：期刊文章

作　　者：李超然[1] 肖飞[1] 樊亚翔[1] 杨国润[1] 唐欣[1]

Li Chaoran;Xiao Fei;Fan Yaxiang;Yang Guorun;Tang Xin(National Key Laboratory of Science and Technology on Vessel Integrated Power System Naval University of Engineering,Wuhan 430033 China)

机构地区：[1]舰船综合电力技术国防科技重点实验室(海军工程大学),武汉430033

出　　处：《电工技术学报》

基　　金：国家自然科学基金(51907200);国防科技创新特区资助项目。

年　　份：2020

卷　　号：35

期　　号：19

起止页码：4106-4119

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：锂离子电池健康状态(SOH)描述了电池当前老化程度,其估算难点在于缺乏明确统一的定义、无法直接测量以及难以确定数量合适、相关性高的估算输入量。为了克服上述问题,该文从容量的角度定义SOH,并将锂离子电池恒流-恒压充电过程中的电压、电流、温度曲线作为输入,提出采用一维深度卷积神经网络(CNN)实现锂离子电池容量估算以获取SOH。在NASA锂离子电池随机使用数据集和牛津电池老化数据集上进行的实验结果表明,该方法能够实现准确的SOH估算,且具备网络参数少、占用内存小的优势。另外,通过实验讨论了网络输入、模型结构、数据增强对所提出的SOH估算方法的影响。

关 键 词：锂离子电池 健康状态  卷积神经网络 深度学习  

分 类 号：TM912]