Resumen

La estimación precisa del estado de salud (SOH) de las baterías de iones de litio permite a los usuarios tomar decisiones de reemplazo sabias y reducir las pérdidas económicas. La precisión de la estimación del SOH está relacionada con muchos factores, como el tiempo de uso, la temperatura ambiente, la tasa de carga y descarga, etc. Por lo tanto, la extracción adecuada de características de los factores mencionados anteriormente se convierte en un gran desafío. Con el fin de extraer eficazmente las características de la batería y mejorar la precisión de la estimación del SOH, este artículo propone una red neuronal de memoria de convolución temporal (TCMNN), que combina redes neuronales convolucionales (CNN) y memoria a corto plazo (LSTM) mediante una capa totalmente conectada basada en regularización por abandono. En el experimento, se recopilan la tensión terminal y la corriente de carga de la batería durante el proceso de carga, y se organizan conjuntos de datos de entrada y salida a partir de los datos experimentales de la batería. Debido al equipo limitado en el laboratorio, solo se puede cargar y descargar una batería a la vez; la cantidad de datos de la batería recopilados es relativamente pequeña, lo que afectará la extracción de características durante el proceso de entrenamiento. Se aplican algoritmos de aumento de datos para resolver el problema. Además, para mejorar la precisión de la estimación, se utiliza el algoritmo de suavizado exponencial para optimizar los datos de salida. Los resultados muestran que el método propuesto puede extraer y aprender bien la relación de características del proceso de carga y descarga del ciclo de la batería en un largo período de tiempo. Además, tiene una mayor precisión que la de CNN, LSTM, algoritmo de retropropagación (BP) y red neuronal basada en el modelo Grey. El error máximo se limita al 3.79%, y el error promedio se limita al 0.143%, mientras que la dimensión de los datos de entrada es de 514.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Salud; Baterías de ión-litio; Estimación SOH; Extracción de características; TCMNN; Ciclo de batería.
• Keywords:Health; Lithium-ion batteries; SOH estimation; Features extraction; TCMNN; Battery cycle.