论文摘要
回顾了人工神经网络、支持向量回归、高斯过程回归三种主流数据驱动方法在动力电池健康状态(state of health,SOH)估算方面的研究进展。人工神经网络适合模拟动力电池,能达到很高的精度;支持向量回归计算量小,理论基础完善,在动力电池SOH估算研究中应用广泛;高斯过程回归精度高并能给出预测结果的置信区间,近年相关文献数量呈现增长趋势。针对现行SOH定义未能反映锂电池额定电压衰退的弊端,提出了利用电池满充能量定义SOH。进而分别建立了BP神经网络、支持向量回归、高斯过程回归模型,利用新能源汽车大数据,对电池充电能量进行了预测,定量对比结果验证了三种方法在计算量和精确度方面的特点。最后展望了数据驱动方法与新能源汽车大数据在动力电池SOH估算研究方面的应用前景。
论文目录
文章来源
类型: 期刊论文
作者: 陈翌,白云飞,何瑛
关键词: 动力电池,健康状态,数据驱动方法,新能源汽车大数据
来源: 储能科学与技术 2019年06期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 电力工业
单位: 同济大学汽车学院
分类号: TM912
页码: 1204-1210
总页数: 7
文件大小: 2155K
下载量: 540
相关论文文献
标签：动力电池论文; 健康状态论文; 数据驱动方法论文; 新能源汽车大数据论文;