采用门控循环神经网络估计锂离子电池健康状态

张少宇; 伍春晖; 熊文渊

doi:doi:10.3788/IRLA20200339

红外与激光工程, 2021, 50 (2): 20200339, 网络出版: 2021-03-22

采用门控循环神经网络估计锂离子电池健康状态下载： 664次

State of health estimation for lithium-ion batteries using recurrent neural networks with gated recurrent unit

张少宇 ¹伍春晖 ²熊文渊 ¹

作者单位

¹ 广东金融学院实验教学中心，广东广州 510091

² 广东金融学院互联网金融与信息工程学院，广东广州 510091

图 & 表

图 1. Voltage curves of Li-ion battery degradation dataset with SOH锂离子电池老化数据集中充电电压随SOH变化曲线

Fig. 1.

下载图片查看原文

图 2. Architecture of RNN unfolded in time循环神经网络原理图

Fig. 2.

下载图片查看原文

图 3. Architecture of GRU-RNN cellGRU-RNN隐藏层节点结构

Fig. 3.

下载图片查看原文

图 4. Flow chart of Lithium-ion battery SOH estimation based on GRU-RNN基于门控循环网络的锂离子电池SOH估计流程图

Fig. 4.

下载图片查看原文

图 5. Examples of Li-ion battery SOH estimation for NASA-Randomized Battery Usage Data SetNASA随机老化数据集SOH估计结果示例

Fig. 5.

下载图片查看原文

图 6. Examples of Li-ion battery SOH estimation for Oxford Battery Degradation Database牛津大学电池老化数据集SOH估计结果示例

Fig. 6.

下载图片查看原文

表 1
Comparison of the Li-ion battery degradation dataset
锂离子电池老化数据集对比

Table1.

Name	NASA-Randomized Battery Usage Data Set	Oxford Battery Degradation Dataset
Manufacturer	LG Chem	Kokam
Form factor	18650	Pouch
Voltage	4.2 V	4.2 V
Capacity	2.1 Ah	0.74 Ah
Q range	2.1→0.80 Ah	0.74→0.43 Ah
Samples	842	519
Battery number	28	8
Cycling	7 groups each with different regime	All cells cycled with same regime

查看原文

表 2
Performance evaluation results of SOH estimation for NASA-Randomized Battery Usage Data Set
NASA随机老化数据集电池SOH估计结果

Table2.

Battery number	SVR		GPR		GRU-RNN
Battery number	MAE	MAX	MAE	MAX	MAE	MAX
#16	3.92%	9.64%	2.34%	9.13%	2.36%	4.79%
#20	2.53%	5.99%	1.12%	4.47%	2.63%	5.62%
#24	2.16%	17.18%	1.93%	7.03%	1.44%	2.39%
#28	2.46%	3.45%	1.76%	4.93%	0.74%	2.30%
Overall	2.76%	17.64%	2.17%	9.13%	1.40%	5.62%

查看原文

表 3
Performance evaluation results of SOH estimation for Oxford Battery Degradation Dataset
牛津大学电池老化数据集电池SOH估计结果

Table3.

Battery number	SVR		GPR		GRU-RNN
Battery number	MAE	MAX	MAE	MAX	MAE	MAX
4#	4.02%	11.35%	2.23%	3.43%	1.10%	1.87%
8#	4.83%	9.73%	2.76%	5.19%	1.32%	1.25%
Overall	4.51%	11.35%	2.49%	5.19%	1.25%	2.34%

查看原文

张少宇, 伍春晖, 熊文渊. 采用门控循环神经网络估计锂离子电池健康状态[J]. 红外与激光工程, 2021, 50(2): 20200339. Shaoyu Zhang, Chunhui Wu, Wenyuan Xiong. State of health estimation for lithium-ion batteries using recurrent neural networks with gated recurrent unit[J]. Infrared and Laser Engineering, 2021, 50(2): 20200339.

采用门控循环神经网络估计锂离子电池健康状态下载： 664次

图 1. Voltage curves of Li-ion battery degradation dataset with SOH锂离子电池老化数据集中充电电压随SOH变化曲线

Fig. 1.

图 2. Architecture of RNN unfolded in time循环神经网络原理图

Fig. 2.

图 3. Architecture of GRU-RNN cellGRU-RNN隐藏层节点结构

Fig. 3.

图 4. Flow chart of Lithium-ion battery SOH estimation based on GRU-RNN基于门控循环网络的锂离子电池SOH估计流程图

Fig. 4.

图 5. Examples of Li-ion battery SOH estimation for NASA-Randomized Battery Usage Data SetNASA随机老化数据集SOH估计结果示例

Fig. 5.

图 6. Examples of Li-ion battery SOH estimation for Oxford Battery Degradation Database牛津大学电池老化数据集SOH估计结果示例

Fig. 6.

表 1
Comparison of the Li-ion battery degradation dataset
锂离子电池老化数据集对比

Table1.

表 2
Performance evaluation results of SOH estimation for NASA-Randomized Battery Usage Data Set
NASA随机老化数据集电池SOH估计结果

Table2.

表 3
Performance evaluation results of SOH estimation for Oxford Battery Degradation Dataset
牛津大学电池老化数据集电池SOH估计结果

Table3.

关于本站 Cookie 的使用提示

全站搜索

采用门控循环神经网络估计锂离子电池健康状态 下载： 664次

图 1. Voltage curves of Li-ion battery degradation dataset with SOH锂离子电池老化数据集中充电电压随SOH变化曲线

Fig. 1.

图 2. Architecture of RNN unfolded in time循环神经网络原理图

Fig. 2.

图 3. Architecture of GRU-RNN cellGRU-RNN隐藏层节点结构

Fig. 3.

图 4. Flow chart of Lithium-ion battery SOH estimation based on GRU-RNN基于门控循环网络的锂离子电池SOH估计流程图

Fig. 4.

图 5. Examples of Li-ion battery SOH estimation for NASA-Randomized Battery Usage Data SetNASA随机老化数据集SOH估计结果示例

Fig. 5.

图 6. Examples of Li-ion battery SOH estimation for Oxford Battery Degradation Database牛津大学电池老化数据集SOH估计结果示例

Fig. 6.

表 1Comparison of the Li-ion battery degradation dataset锂离子电池老化数据集对比

Table1.

表 2Performance evaluation results of SOH estimation for NASA-Randomized Battery Usage Data SetNASA随机老化数据集电池SOH估计结果

Table2.

表 3Performance evaluation results of SOH estimation for Oxford Battery Degradation Dataset牛津大学电池老化数据集电池SOH估计结果

Table3.

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

采用门控循环神经网络估计锂离子电池健康状态下载： 664次

表 1
Comparison of the Li-ion battery degradation dataset
锂离子电池老化数据集对比

表 2
Performance evaluation results of SOH estimation for NASA-Randomized Battery Usage Data Set
NASA随机老化数据集电池SOH估计结果

表 3
Performance evaluation results of SOH estimation for Oxford Battery Degradation Dataset
牛津大学电池老化数据集电池SOH估计结果