基于卷积神经网络与随机森林的锂离子电池健康状态鲁棒估计
信号处理
2020-10-21 v1
摘要
锂离子电池的健康状态（SOH）与其安全性和效率直接相关，然而对于实际应用（如电动汽车）而言，SOH的有效评估仍具挑战性。本文研究了在不同起始与终止荷电状态（SOC）水平下部分放电时的SOH（即容量衰减）估计问题。其挑战在于部分放电截断了可用于SOH估计的数据，从而导致常见SOH指标的丢失或失真。为应对这一与部分放电相关的挑战，我们探索利用卷积神经网络（CNN）提取SOH及连续两个充放电循环间SOH变化（ΔSOH）的指标。随后采用随机森林算法，利用CNN提取的指标生成最终SOH估计。使用由快速放电数据集生成的具有不同SOC范围的部分放电数据进行了性能评估。所提方法与以下方法进行比较：i）基于差分分析的方法；ii）分别仅使用SOH与ΔSOH指标的两种基于CNN的方法。对比表明，所提方法具有更高的估计精度与鲁棒性。对CNN与随机森林模型的敏感性分析进一步验证，所提方法能更好地利用可用的部分放电数据进行SOH估计。
引用
@article{arxiv.2010.10452,
title = {Robust State of Health Estimation of Lithium-ion Batteries Using Convolutional Neural Network and Random Forest},
author = {Niankai Yang and Ziyou Song and Heath Hofmann and Jing Sun},
journal= {arXiv preprint arXiv:2010.10452},
year = {2020}
}
备注
9 pages, 14 figures