This thesis presents a feature fusion state of health (SOH) prediction framework for lithium-ion batteries. The framework combines the health features of electrochemical impedance spectroscopy (EIS) and incremental capacity analysis (ICA), uses convolutional neural network (CNN) and improved long short-term memory network (TLSTM) to establish the mapping relationship between features and state of health. The parameters of the improved particle swarm optimization (IPSO) algorithm are optimized to build the IPSO-CNN-TLSTM model by modifying updating rules of the inertia weight and learning factor of the particle swarm optimization (PSO) algorithm to improve its optimization ability. Finally, numerical outcomes of the NASA PCoE datasets confirm this method’s applicability and efficacy.confirm this method’s applicability and efficacy.
본고는 리튬 이온 전지에 사용되는 특징 융합 건강 상태 (SOH) 예측 프레임워크를 제시했다. 전기화학 임피던스 스펙트럼 (EIS) 과 증량용량 분석 (ICA) 의 건강한 특성을 결합한 이 프레임워크는 권적신경망 (CNN) 과 개선된 장단기 기억망 (TLSTM) 을 사용해 특징과 건강한 상태 간 매핑 관계를 구축한다. 입자군 최적화 (PSO) 알고리즘의 관성 가중치 및 학습 인자의 업데이트 규칙을 수정하여 입자군 최적화 (IPSO) 알고리즘을 개선하는 매개변수를 최적화하고 IPSO-CNN-TLSTM 모델을 구축하여 최적화 능력을 향상시킵니다. 마지막으로 NASA PCoE 데이터 세트의 수치 결과는 이 방법의 적용성과 유효성을 확인했다.
