基于信息熵与PSO-LSTM的锂电池组健康状态估计方法

针对目前锂电池组健康状态估计方法的不足，提出一种基于信息熵与粒子群算法(Particle swarm optimization, PSO)优化长短时记忆神经网络(Long short-term memory neural network, LSTM)的锂电池组健康状态估计方法。基于锂电池组恒流-恒压充电阶段锂电池组内各单体端电压的信息熵和平均温度信息，应用PSO-LSTM方法提取锂电池组电压熵、平均温度和锂电池组健康状态之间的映射关系，从而建立锂电池组健康状态估计模型。应用试验室测量的锂电池组老化数据对提出的方法进行测试。测试结果表明，该方法能够准确估计锂电池组的健康状态，平均估计误差在1%以内。同时，为验证提出的方法可推广至锂电池单体，利用美国航天航空局测得的锂电池加速老化数据再次测试，平均估计误差在0.7%以内。并针对锂电池组与锂电池单体设计对比试验，进一步验证提出的方法具有良好的估计性能。