本发明公开了一种基于特征分析的
锂电池健康状态在线估计方法,包括:利用主成分分析策略挑选合适的充放电特征;基于自适应噪声的完备经验模态分解策略将充放电特征分解为主要趋势部分和次要波动部分;基于滑动时间窗口的逻辑回归策略对主要趋势部分运用进行预测,采用卡尔曼滤波策略对次要波动部分进行预测;将预测的主要趋势部分和次要波动部分相结合,得到预测的特征数据,将预测的特征数据代入径向基函数神经网络,实现锂电池健康状态的在线预测。本发明通过对多维变量系统进行降维处理,减少计算复杂度,提高模型的实用新性能,采用新的数据迭代更新RBF网络的内部参数,用新的数据来提高SOH的实时预测精度,从而可以很好地描述锂电池退化过程。
声明:
“基于特征分析的锂电池健康状态在线估计方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)