《基于CNN神经网络电池SOH估算分析案例》2900字.docxVIP

参考文献

PAGE

PAGEXXV

基于CNN神经网络电池SOH估算分析案例

目录

TOC\o1-3\h\u18541基于CNN神经网络电池SOH估算分析案例 1

231701.1特征选取及相关性分析 1

217851.2CNN卷积神经网络原理 2

310391.3网络超参数优化 4

76121.4基于CNN卷积神经网络SOH估算过程 6

1.1特征选取及相关性分析

锂离子电池SOH一般通过容量和内阻来间接计算。电池容量测试需要将电池充满，在指定条件下（如环境温度和放电倍率）测量放电容量，测试时间较长。电池内阻计算一般离线进行，并需要专门的内阻测试仪，传统电池管理系统无法对电池内阻进行在线测试。通过以上分析可知，在电池管理系统中直接测量内阻和容量来衡量SOH较为复杂，需要在电池管理系统中寻找SOH的特征参数，以实现SOH的估算。电压、电流和温度是电池管理系统最基本的测量参数，与电池容量和内阻参数相比易于获取。通过对NASA随机使用数据集中数据分析发现，电池在充电过程中由于采用固定充电方式，在不同SOH情况下电池电压、电流和温度呈规律性变化。

图4-1NASA第25号电池SOH特征变化曲线（a）电压特征（b）电流特征（c）温度特征

从图4-1可