76 / 2024-08-16 15:13:41

A Weighted Feature Fusion-Based SOH Assessment for Lithium-ion Batteries

State of health,Convolutional neural network,Statistical features,Attention mechanism

Special Sessions > SS03 Advanced Sensing, Monitoring and Diagnosis of Renewable Energy batteries

锂离子电池的SOH预测对于确保其安全性和延长其使用寿命至关重要。传统的SOH预测方法通常使用手动特征提取结合回归模型，而数据驱动的深度学习方法近年来也取得了显著的成果。然而，在有效整合这些方法方面仍然存在挑战。在本文中，我们提出了一种新的锂离子电池健康状态（SOH）评估方法，该方法将数据驱动的特征和统计特征与注意力机制相结合。通过分析128个统计特征和数据驱动的特征，揭示了特征对SOH评估的重要性贡献。最终组检验的平均均方根误差（RMSE）为0.98%，平均绝对误差（MAE）为0.66%，表明该方法能有效预测锂离子电池的SOH。研究结果有助于更好地理解和预测锂离子电池的SOH，对电池管理系统的设计与优化具有重要意义。