基于放电特征与卷积特征分析的锂离子电池SOC和SOH双分支预测框架
《IEEE Access》:A Dual-Branch Prediction Framework for Lithium-Ion Battery SOC and SOH Based on Discharge-Derived Features and Convolutional Feature Analysis
【字体:
大
中
小
】
时间:2026年06月25日
来源:IEEE Access 4.2
编辑推荐:
摘要:准确且可解释地估算锂离子电池的充电状态(SOC)和健康状态(SOH)对于确保其安全可靠运行至关重要。为解决传统电池状态预测方法存在的精度低、可解释性差的问题,本文提出了一种基于分阶段放电特性与退化敏感特征分析的双分支SOC/SOH预测框架。首先,通过整合电压、温度、电压导数
摘要:
准确且可解释地估算锂离子电池的充电状态(SOC)和健康状态(SOH)对于确保其安全可靠运行至关重要。为解决传统电池状态预测方法存在的精度低、可解释性差的问题,本文提出了一种基于分阶段放电特性与退化敏感特征分析的双分支SOC/SOH预测框架。首先,通过整合电压、温度、电压导数(dV/dt)和微分电压(dV/dQ)等参数,构建了一个统一的四维输入特征集,用以描述电池的短期放电动态和长期退化行为。随后,设计了双分支深度学习框架:SOC分支采用因果残差CNN-LSTM结构实现实时序列跟踪,而SOH分支则运用CNN-BiLSTM-Attention结构来提取全局退化特征以进行健康度回归分析。在牛津电池老化数据集上的测试表明,该方法的SOC预测精度良好,SOH估算性能也相当出色,SOC的均方根误差为0.53%,平均绝对误差为0.37%;SOH的均方根误差为0.82%,平均绝对误差为0.65%,其性能水平与支持向量回归(SVR)相当,后者的均方根误差为0.81%,平均绝对误差为0.67%。此外,通过卷积特征响应分析发现,SOC预测依赖于分阶段放电特性及放电末期的电压变化,而SOH估算则与电压窗口偏移、相变以及极化增强相关的dV/dt和dV/dQ导数有关。这些结果证明了在标准化的特性检测-放电条件下,所提出的双分支框架具有有效性且具备良好的可解释性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号