典型文献
基于GWO-LSTM与LSSVM的锂离子电池荷电状态与容量联合估计
文献摘要：
为了提高锂离子电池老化后的荷电状态(SOC)估计精度,通过分析锂离子电池的充电与放电特性,提出一种基于长短时记忆(LSTM)网络和最小二乘支持向量机(LSSVM)的荷电状态与容量联合估计模型.根据锂离子电池的充放电特性,提出片段电压的充电时间作为健康因子;基于最小二乘支持向量机建立了锂离子电池的容量估计模块,容量估计结果通过记忆门控被记录下来;基于灰狼算法优化的长短时记忆网络(GWO-LSTM)框架建立了锂离子电池的荷电状态与容量的联合估计模型.结果表明:与粒子群算法优化的反向传播神经网络(BPNN-PSO)和传统长短时记忆网络模型对比,所提方法的容量估计精度提高了43％以上,SOC估计表现出更好的鲁棒性.
文献关键词：
锂离子电池;荷电状态(SOC)估计;容量估计;长短时记忆网络(LSTM);灰狼优化(GWO);最小二乘支持向量机(LSSVM)
中图分类号：
作者姓名：
王桥;魏孟;叶敏;廉高棨;麻玉川
作者机构：
长安大学公路养护装备国家工程实验室,西安 710064,中国;新加坡国立大学机械工程系,117576, 新加坡
文献出处：
引用格式：
[1]王桥;魏孟;叶敏;廉高棨;麻玉川-.基于GWO-LSTM与LSSVM的锂离子电池荷电状态与容量联合估计)[J].汽车安全与节能学报,2022(03):571-579
A类：
B类：
GWO,LSSVM,锂离子电池,电池荷电状态,联合估计,电池老化,SOC,估计精度,析锂,充电与放电,最小二乘支持向量机,充放电特性,充电时间,健康因子,容量估计,门控,记录下来,灰狼算法,算法优化,粒子群算法,反向传播神经网络,BPNN,PSO,长短时记忆网络模型,模型对比,灰狼优化
AB值：
0.225146
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
