一种锂电池SOH估计的KNN-马尔科夫修正策略

作     者：赵光财 林名强 戴厚德 武骥 汪玉洁 ZHAO Guang-Cai;LIN Ming-Qiang;DAI Hou-De;WU Ji;WANG Yu-Jie

作者机构：中国科学院海西研究院泉州装备制造研究所晋江362200 中国科学院大学北京100049 合肥工业大学汽车与交通工程学院合肥230009 中国科学技术大学信息科学技术学院合肥230026 

出 版 物：《自动化学报》 (Acta Automatica Sinica)

年 卷 期：2021年第47卷第2期

页      面：453-463页

核心收录：

学科分类：02[经济学] 0202[经济学-应用经济学] 020208[经济学-统计学] 0808[工学-电气工程] 07[理学] 08[工学] 0714[理学-统计学（可授理学、经济学学位）] 070103[理学-概率论与数理统计] 0701[理学-数学] 

基　　金：国家自然科学基金(61501428) 福建省科技攻关项目(引导性项目)(2018H0043) 中国科学院科研装备研制项目(YZ201510)资助 

主　　题：锂电池SOH 特征提取 多层前馈神经网络 贝叶斯正则化 马尔科夫链 

摘      要：锂离子电池的健康状态(State of health,SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异,因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取,使用贝叶斯正则化神经网络对锂电池SOH进行预测,同时引入KNN-马尔科夫修正策略对预测结果进行修正.实验结果证明,贝叶斯正则化算法对锂电池SOH的预测准确度较高,KNN-马尔科夫修正策略提高了预测的精确度和鲁棒性,组合预测模型对锂电池SOH的平均预测误差小于1%,与采用数据分组处理方法(Group method of data handling,GMDH)、概率神经网络(Probabilistic neural network,PNN)、循环神经网络(Recurrent neural network,RNN)的预测精度进行对比,该模型的预测精度分别提高了33.3%、48.7%和53.1%.