基于信息熵与PSO-LSTM的锂电池组健康状态估计方法

作     者：张朝龙 赵筛筛 何怡刚 ZHANG Chaolong;ZHAO Shaishai;HE Yigang

作者机构：安庆师范大学电子工程与智能制造学院安庆246011 武汉大学电气与自动化学院武汉430072 

出 版 物：《机械工程学报》 (Journal of Mechanical Engineering)

年 卷 期：2022年第58卷第10期

页      面：180-190页

核心收录：

学科分类：0808[工学-电气工程] 08[工学] 

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) 安庆师范大学研究生学术创新(2021yjs XSCX009)资助项目 

主　　题：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 

摘      要：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。