第50卷第4期2023年4月Vol.50，No.4Apr.2023湖南大学学报（自然科学版）JournalofHunanUniversity（NaturalSciences）基于TCN编码的锂离子电池SOH估计方法周航1，程泽2†，弓清瑞2，刘旭2（1.天津大学建筑设计规划研究总院有限公司，天津300073；2.天津大学电气自动化与信息工程学院，天津300072）摘要：为了能够准确可靠地估计锂离子电池的健康状态（StateofHealth，SOH），提出一种基于时序卷积网络（TemporalConvolutionalNetwork，TCN）的数据驱动模型来建立电池充电曲线与SOH之间的映射关系.TCN是一种由多层因果卷积组成的神经网络，它能够对电池充电曲线上的采样点序列进行编码，通过编码得到的编码向量会更易于与SOH建立映射关系.实验结果表明所提基于TCN的SOH估计模型具有较高的估计精度，对不同种类的电池也有良好的适应能力.关键词：锂离子电池；充电曲线；健康状态；时序卷积网络；神经网络中图分类号：TM912.1文献标志码：ASOHEstimationMethodofLithium-ionBatteryBasedonTCNEncodingZHOUHang1，CHENGZe2†，GONGQingrui2，LIUXu2（1.TianjinUniversityResearchInstituteofArchitecturalDesignandUrbanPlanningCo.，Ltd，Tianjin300073，China；2.SchoolofElectricalandInformationEngineering，TianjinUniversity，Tianjin300072，China）Abstract：Thestateofhealth（SOH）ofalithium-ionbatteryreflectstheagingdegreeofLithium-ionthebattery.Whenthebatteryischargedinconstantcurrent-constantvoltagemode，thechargingcurveswithdifferentagingdegreesarealsodifferent.Basedonthisfact，thispaperproposesadata-drivenmodelbasedonatemporalconvolutionalnetwork（TCN）toestablishthemappingrelationshipbetweenthechargingcurveandSOH.TCNisanovelneuralnetworkcomposedofmulti-layercausalconvolution，whichcanencodethesequenceofsamplingpointsonthechargingcurve.TheexperimentprovesthattheencodingvectoriseasiertoestablishthemappingrelationshipwithSOH.TheexperimentalresultsshowthattheproposedSOHestimationmodelhashighestimationaccuracyandgoodadaptabilitytodifferenttypesofbatteries.Keywords：lithium-ionbatteries；chargecurves；stateofhealth（SOH）；temporalconvolutionalnetwork（TCN）；neuralnetworks锂离子电池是一种较为清洁的储能装置，有体积小、成本低、能量密度高、循环寿命长等优点，...
