来源：期刊VIP网 时间：
作者：张朝龙;刘梦玲;张俣峰;陈阳;华国庆;谢敏;江乐阳;
单位：金陵科技学院智能科学与控制工程学院;武汉大学电气与自动化学院;
摘要：为提升锂离子电池健康状态（SOH）估计的准确性，克服现有估计方法无法全面刻画电池衰退细节的局限，提出一种融合距离交并比损失函数（DIoUloss）与无参注意力机制（SimAM）的多特征卷积神经网络-双向长短期记忆网络（CNNBiLSTM）的锂电池SOH估计方法。该方法将锂离子电池增量能量面积（IEA）和充电时长（T）组成IEA-T特征用于电池SOH的估计，将DIoUloss函数和SimAM机制融合于CNN-BiLSTM模型，建立CNN-BiLSTM-SimAM锂离子电池SOH估计模型。对锂离子电池的循环老化实验进行测试，相比起GRU、SVR、CNN-LSTM和CNN-BiLSTM等方法，本文提出的方法能更有效地表征电池健康的衰退细节，决定系数高于0.96，均方根误差低于0.020，表现出良好的准确性和效率。
关键词：锂离子电池;;健康状态(SOH);;卷积神经网络-双向长短期记忆网络(CNN-BiLSTM);;距离交并比损失(DIoUloss)函数;;无参注意力机制(SimAM);;增量能量
基金资助：国家重点研发计划“智能电网技术与装备”重点专项(2023YFB2406900);; 江苏省高等学校基础科学(自然科学)研究重大项目(23KJA480002);; 江苏高校“青蓝工程”中青年学术带头人(2024);; 金陵科技学院高层次人才项目(jit-rcyj-202202);; 2024年大学生创新训练项目(202413573009Z);; 2024年金陵科技学院“科教融合”项目(2024KJRH09)
