• 《工程索引》(EI)刊源期刊
  • 综合性科学技术类中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于NARX动态神经网络的锂离子电池剩余寿命间接预测

魏孟 王桥 叶敏 李嘉波 徐信芯

魏孟, 王桥, 叶敏, 李嘉波, 徐信芯. 基于NARX动态神经网络的锂离子电池剩余寿命间接预测[J]. 工程科学学报. doi: 10.13374/j.issn2095-9389.2020.10.22.005
引用本文: 魏孟, 王桥, 叶敏, 李嘉波, 徐信芯. 基于NARX动态神经网络的锂离子电池剩余寿命间接预测[J]. 工程科学学报. doi: 10.13374/j.issn2095-9389.2020.10.22.005
Remaining Useful Life Prediction of Lithium-ion Batteries Based on NARX Dynamic neural network[J]. Chinese Journal of Engineering. doi: 10.13374/j.issn2095-9389.2020.10.22.005
Citation: Remaining Useful Life Prediction of Lithium-ion Batteries Based on NARX Dynamic neural network[J]. Chinese Journal of Engineering. doi: 10.13374/j.issn2095-9389.2020.10.22.005

基于NARX动态神经网络的锂离子电池剩余寿命间接预测

doi: 10.13374/j.issn2095-9389.2020.10.22.005
详细信息
  • 中图分类号: TM911.3

Remaining Useful Life Prediction of Lithium-ion Batteries Based on NARX Dynamic neural network

  • 摘要: 锂离子电池剩余寿命(remaining useful life, RUL)预测在电池管理系统中起到十分重要作用,RUL的准确预测是保证电池系统安全可靠的前提。然而,锂离子电池的直接健康因子难以实现在线测量,针对此问题,本文提出一种基于动态神经网络时间序列的RUL间接预测方法。首先根据锂离子电池的放电数据,提出放电截止时间,恒流放电时间以及放电峰值温度时间三种间接健康因子并进行灰色关联分析(grey relation analysis, GRA)。然后,基于非线性自回归(nonlinear autoregressive models with exogenous inputs, NARX)动态神经网络建立锂离子电池RUL预测模型。最后通过与经典的粒子群优化前馈神经网络(back propagation neural network based on particle swarm optimization, BPNN-PSO),最小二乘支持向量机(least square support vector machine, LS-SVM),Closed-loop NARX以及Open-loop NARX进行对比分析,验证了所提方法的优越性。
  • 加载中
计量
  • 文章访问数:  166
  • HTML全文浏览量:  58
  • 被引次数: 0
出版历程
  • 网络出版日期:  2021-02-02

目录

    /

    返回文章
    返回