双向LSTM电池SOH估计

面向电池健康状态估计的深度学习模型，通过互信息筛选优化的健康指标，实现高精度容量预测，为电池管理系统提供可靠的SOH信息。

Tao, Tingting · Ji, Cheng · Dai, Jindong · Jingzhi, Rao · 王璟德 · 孙巍 · Jose, Romagnoli

Journal of Energy Storage 2024

参数信息

平均绝对误差

<0.3535 %

平均绝对百分比误差

<0.3747 %

技术优势

误差低于0.4%

通过互信息筛选优化健康指标，结合双向LSTM，SOH估计的MAE和MAPE分别低于0.3535%和0.3747%，满足高精度电池管理需求。

提取61个老化指标

基于电池老化机理和曲线变化规律，从循环曲线中提取了61个与性能退化相关的健康指标，为SOH估计提供丰富信息。

自动筛选最优特征

采用基于最大相关性和最小冗余归一化的互信息特征选择算法，自动选出优化的健康指标子集，减少冗余和噪声影响。

噪声鲁棒

预处理阶段应用离散小波变换对原始指标进行去噪，提升后续特征选择和模型训练的稳定性。

应用场景

• 电池健康管理：为电池健康状态监测提供高精度估计，辅助制定维护策略，延长电池寿命并预防故障。
• 电池管理系统：可嵌入BMS实时估计SOH和容量，提升系统对电池状态的感知精度，保障安全运行。