基于CNN-BiLSTM网络的锂离子电池健康状态检测方法

作者：朱振宇; 高德欣^*

来源：电子测量技术, 2023, 46(03): 128-133.

DOI：10.19651/j.cnki.emt.2210510

• 锂电池
• 健康状态
• 卷积神经网络
• 双向长短期记忆神经网络

锂离子电池健康状态(SOH)是锂离子电池可靠运行的重要参考指标，为提高电池健康状态检测的精确性，提出一种基于CNN-BiLSTM网络的锂电池健康状态检测方法。该方法使用CALCE锂离子电池容量衰减数据集，提取电池健康因子(HI)作为模型输入数据，同时利用灰色关联分析法(GRA)验证HI选取的合理性，采用卷积神经网络(CNN)、双向长短期记忆神经网络(BiLSTM)构建网络模型，对电池容量进行预测，实现锂离子电池健康状态检测。实验结果表明，该方法SOH检测的平均绝对误差为1.3%,均方根误差为1.78%,精确度和可靠性较高。

• 出版日期2023
• 单位青岛科技大学; 电子工程学院