文件大小：0.96M
摘要：锂电池健康状态(SOH)会随着充放电次数逐渐降低，其衰退特征隐藏在电池电流、电压等物理信息中。针对锂电池SOH在线估计提出了一种基于小波包变换(WPT)和麻雀搜索算法(SSA)的数据驱动方法，并提取了放电电压平台时间(DVPT)和恒流充电时间(CCCT)的特征指标，在马里兰大学电池公开数据集进行算法验证。研究结果表明：所提出的DVPT特征指标与SOH具有强相关性，在四个电池中的平均皮尔逊相关系数为98.38%；模型预测最优结果的RMSE为0.0191、MAE为0.0125、R2为97.78%。
文章目录
引言
1 数据源与预处理
1.1数据源介绍
1.2电池老化特征
1.3数据预处理
2 数据驱动方法建模
2.1 LSTM神经网络
2.2 麻雀搜索算法
2.3 SSA优化LSTM神经网络
3结果与讨论
3.1 评价指标
3.2 模型评价
3.3 不同滑动窗口长度对比
3.4 不同方法对比
4结论
