中國儲能網(wǎng)訊：
亮點：（1）在進行電池SOH估計時，考慮到傳感器測量和工況變化等干擾因素對SOH估計的影響，并通過實驗驗證各干擾因素對SOH估計精度影響情況。 （2）采用VMD分解技術(shù)進行去噪處理，基于去噪前后的皮爾遜相關(guān)系數(shù)對比，發(fā)現(xiàn)一次VMD分解達不到較好的電池健康狀態(tài)估計精度。為進一步提升電池的健康狀態(tài)估計精度，提出了二重VMD分解去噪方法，即對第一次VMD分量得到的IMF1分量進行二次VMD分解，得到更好容量增量曲線，從而提升SOH估計的精度。 （3）基于二次VMD分解去噪后的容量增量曲線提取的曲線峰值，為進一步提升SOH估計的精度，對峰值特征量集再次使用VMD分解（三次VMD分解），得到主退化和波動趨勢兩個分量，最終將這兩個分量作為特征量表征電池的健康狀態(tài)，能達到更好的SOH估計精度。
摘 要 針對傳感器測量噪聲或工況導(dǎo)致的電流突變對鋰電池容量增量曲線造成的強干擾而引發(fā)的電池健康狀態(tài)評估不準確的問題，本工作創(chuàng)新地提出了一種基于三次變分模態(tài)分解的解決方法，以提高電池健康狀態(tài)評估的準確性。首先，通過雙重變分模態(tài)分解技術(shù)，對受干擾影響的容量增量曲線進行去噪處理，干擾源包括全域電壓噪聲、局部電壓噪聲以及局部電流突變噪聲等，并對去噪之后得到的曲線提取峰值特征量；其次，為進一步提升峰值特征量表征電池健康狀態(tài)的能力，對所提取的峰值特征量再次使用變分模態(tài)分解，并依據(jù)皮爾遜相關(guān)性分析，將模態(tài)分量重構(gòu)為主退化趨勢和波動趨勢兩個分量，主退化趨勢分量反映了特征量隨著時間推移的整體衰減情況，而波動趨勢則捕捉了特征量較短時間內(nèi)的變化特性，兩者共同作為健康特征用于鋰電池的健康狀態(tài)估計；最后，基于NASA數(shù)據(jù)集，采用長短期記憶網(wǎng)絡(luò)等算法進行電池健康估計驗證實驗。實驗結(jié)果表明，本工作所提出的方法在強干擾環(huán)境下對鋰電池健康狀態(tài)估計有效，且能達到良好的估計精度與優(yōu)勢。
關(guān)鍵詞 容量增量；變分模態(tài)雙重分解；噪聲；主退化趨勢；波動趨勢；長短期記憶網(wǎng)絡(luò)
動力鋰電池作為一種高效、環(huán)保的能源存儲載體，在電動汽車、移動設(shè)備、航空航天等領(lǐng)域得到了廣泛應(yīng)用。鋰電池在使用過程中，其容量利用率會逐漸下降，電池性能逐漸退化，體現(xiàn)在健康狀態(tài)(state of health，SOH)性能指標逐漸下降。為保障電池安全、穩(wěn)定、可靠運行和及時維護，準確估計鋰電池的健康狀態(tài)具有重要意義。
目前，對鋰離子電池健康狀態(tài)估計方法主要分為基于模型的方法和基于數(shù)據(jù)驅(qū)動的方法?；谀Ｐ偷姆椒ㄊ峭ㄟ^建立電池老化模型進行電池健康狀態(tài)估計?；跀?shù)據(jù)驅(qū)動的方法則是基于電池退化數(shù)據(jù)樣本，并通過機器學(xué)習(xí)等算法訓(xùn)練樣本數(shù)據(jù)的特征量與電池健康狀態(tài)對應(yīng)關(guān)系。在基于數(shù)據(jù)驅(qū)動的方法中，有研究發(fā)現(xiàn)，電池容量的衰退率與電池在充放電過程的端電壓變化率相關(guān)，利用容量對端電壓的微分提出了鋰離子電池容量增量分析法，并應(yīng)用于電池健康狀態(tài)估算。眾多學(xué)者基于容量增量分析法估計電池健康狀態(tài)取得了一些成果。在表征電池健康狀態(tài)的健康因子方面，Zhou等人提出以容量增量曲線與不同高度的水平線圍成的面積作為健康因子。有學(xué)者進一步細化了容量增量曲線的特征提取，將峰高度、峰位置、峰面積、谷高度和谷位置等多個參數(shù)作為健康因子。Li等人在3.8～4.1 V的電壓范圍內(nèi)的容量增量曲線中，每隔30 mV選擇一個點，構(gòu)建特征量集合，并使用這些選定的點作為健康因子。在電池估計算法上，Ahmeid等人從容量增量曲線提取峰值的信息區(qū)域，并使用庫侖計數(shù)法估計電池的全容量，實現(xiàn)了只用一小部分充放電數(shù)據(jù)就能估計電池的全容量。Li等人提出了一種基于高斯濾波算法的平滑方法，并使用GPR模型估計電池的健康狀態(tài)。Zhang等人使用了移動平均(MA)和高斯濾波器(GS)方法來平滑完整的容量增量曲線，并在此基礎(chǔ)上使用支持向量回歸算法建立起相應(yīng)的電池健康估計模型。Sun等人提出了一種基于健康特征參數(shù)結(jié)合EMD-ICA-GRU的鋰離子電池健康狀態(tài)估計模型，來更好地估計電池的健康狀態(tài)。在考慮其他因素對容量增量曲線的影響下，Wang等人提出了一種考慮電池充放電速率的容量增量曲線方法，用于電池健康狀態(tài)估計。
以上研究成果說明，基于容量增量曲線能準確估計電池健康狀態(tài)。但是，研究者往往直接基于平滑的容量增量曲線進行電池的健康狀態(tài)估計，忽略了在電池狀態(tài)數(shù)據(jù)采集過程中，電池端電壓、電流等測量噪聲和工況突變導(dǎo)致的影響。容量增量分析方法存在求導(dǎo)計算，噪聲和工況突變等因素，會導(dǎo)致容量增量曲線局部產(chǎn)生較大突變，嚴重影響了容量增量曲線表征電池健康狀態(tài)的能力，從而降低了電池健康狀態(tài)估計的精度。針對以上問題，本工作提出了一種基于三次變分模態(tài)分解(variational mode decomposition，VMD)的電池健康狀態(tài)估計方法，這一方法有效克服了因噪聲和工況突變導(dǎo)致電池健康狀態(tài)評估不準確的問題，也為相關(guān)領(lǐng)域去噪的研究提供了新的思路和方法。
1 基于容量增量曲線的電池健康狀態(tài)估計
基于容量增量曲線是電池健康狀態(tài)估計方法之一。公式(1)為容量增量數(shù)值計算公式，其中Qt、Vt、Qt-1、Vt-1分別為在時間t或t-1下測量的容量值和電壓值。在每一次電池充放電周期，計算每個采樣周期內(nèi)的容量增量值，可構(gòu)建每次充放電周期的容量增量曲線，如圖1(a)所示。通過容量增量曲線，可提取峰值等特征量，表征電池的健康狀態(tài)，如圖1(b)所示?；谔卣髁?，采用長短期記憶神經(jīng)網(wǎng)絡(luò)等算法，構(gòu)建電池健康狀態(tài)估計模型。在工程應(yīng)用中，使用該估計模型，可估計電池健康狀態(tài)。
圖1 容量增量曲線和峰值特征量曲線
圖1所示的容量增量曲線是直接來源于原始的NASA電池數(shù)據(jù)集，并未經(jīng)過任何去噪處理。然而，在實際應(yīng)用中，容量增量曲線往往會受到多種噪聲等因素的影響，這些噪聲可能包括測量的電壓噪聲、電流噪聲或工況突變引起的局部電流突變等。特別是，由于容量增量曲線存在微分運算，干擾引起的突變就顯得比較明顯。以NASA的B5電池為例，圖2(a)是在3.4～3.6 V的電壓區(qū)間隨機選取了9個點，對其對應(yīng)的電壓添加了標準差為0.005的局部白噪聲。圖2(b)是在全周期電壓的數(shù)據(jù)中添加了標準差為0.003的白噪聲。圖(c)是在3.4～3.6 V的電壓區(qū)間隨機選取了9個點，對其對應(yīng)的電流添加了標準差為10的白噪聲，來表示工況的突變所導(dǎo)致的電流突變。由圖1和圖2對比可知，噪聲的存在極大地影響了容量增量曲線的變化趨勢。為衡量噪聲對特征量的影響，提取容量增量曲線的峰值為特征量進行分析。圖3(a)為無噪聲時，容量增量曲線的峰值隨充放電周期次數(shù)變化趨勢圖，圖3(b)為圖2(c)有噪聲的容量增量曲線提取的峰值特征量變化趨勢圖。由圖3可知，噪聲存在時，峰值特征量與電池性能退化相關(guān)性變差，說明噪聲對特征量表征電池性能狀態(tài)能力有非常大的影響。計算兩類容量增量曲線的皮爾遜相關(guān)系數(shù)。通過計算，原始曲線的峰值特征量的皮爾遜相關(guān)系數(shù)為0.9950，添加噪聲之后的皮爾遜相關(guān)系數(shù)為0.3846，這也證明了添加噪聲之后，特征量表征電池健康狀態(tài)能力顯著下降。
圖2 添加各種噪聲的容量增量曲線
圖3 原始峰值特征量曲線和含噪聲的峰值特征量曲線
類似地，對圖2所示的3種噪聲添加方式下的容量增量曲線依次進行了皮爾遜相關(guān)系數(shù)計算，如表1所示，特征量的相關(guān)系數(shù)都達到了0.5以下，可見這些噪聲的存在都會干擾特征量表征能力，影響特征量與電池健康狀態(tài)的相關(guān)性，最終將導(dǎo)致電池健康狀態(tài)估計精度的下降。
表1 各種噪聲皮爾遜相關(guān)系數(shù)
2 基于VMD三次分解的特征量提取
通過上述分析可知，容量增量曲線易受到各種噪聲的干擾，導(dǎo)致特征量表征電池健康狀態(tài)能力下降。為了降低這種影響，提升強干擾下的電池健康狀態(tài)估計精度，引入VMD分解方法，在實現(xiàn)有效去噪基礎(chǔ)上，提升SOH估計精度。
2.1 VMD二次分解
對圖2(c)所示的噪聲類型的容量增量曲線進行一次VMD分解。圖4(a)為VMD一次分解處理的結(jié)果，其中，IMF1~IMF5是VMD分解出來的5個模態(tài)分量，分別計算IMF1~IMF5分量和圖1(a)的原始容量增量曲線的皮爾遜相關(guān)系數(shù)，IMF1的皮爾遜相關(guān)系數(shù)計算結(jié)果為0.6522，IMF2為0.0026，IMF3為0.0009，IMF4為0.0006，IMF5為-0.0011。選取相關(guān)性最高的IMF1分量代表原容量增量曲線，并提取其峰值作為表征電池SOH的特征量。圖6(a)為對不同周期的容量增量曲線進行一次VMD分解后，提取峰值特征量的變化趨勢曲線，計算該特征量與電池的健康狀態(tài)的皮爾遜相關(guān)系數(shù)，結(jié)果為0.4821?？梢?，進行一次VMD分解得到的特征量不能較好地表征電池健康狀態(tài)。為進一步提升電池健康狀態(tài)的估計精度，對第一次VMD分解的IMF1分量進行第二次VMD分解，如圖4(b)所示，其中，IMF1~IMF5是VMD二次分解出來的5個模態(tài)分量，分別計算IMF1~IMF5和圖1(a)原始容量增量曲線的皮爾遜相關(guān)系數(shù)，IMF1的皮爾遜相關(guān)系數(shù)計算結(jié)果為0.9334，IMF2為0.1026，IMF3為0.0320，IMF4為0.02306，IMF5為0.0062，選取相關(guān)性最高的IMF1分量代表原容量增量曲線。圖6(b)為對不同周期的容量增量曲線進行二次VMD分解后，提取峰值特征量的曲線圖，計算特征量與電池的健康狀態(tài)的皮爾遜相關(guān)系數(shù)，結(jié)果為0.8553，可見，二次分解后所提取的特征量表征電池SOH的能力相比一次分解更好。圖5(a)為B5電池部分周期進行一次VMD分解后得到的容量增量曲線，圖5(b)為B5電池部分周期二次VMD分解得到的容量增量曲線。由這兩圖中的曲線可知，通過兩次VMD分解之后得到的容量增量曲線相比一次VMD分解后的容量增量曲線去噪效果、峰值特征量區(qū)分度等特性都更好。圖7所示為本工作所提出的兩次VMD分解去噪，提取特征量表征電池健康狀態(tài)的流程示意圖。
圖4 單次周期容量增量曲線VMD分解結(jié)果
圖5 部分周期VMD分解去噪后的容量增量曲線
圖6 VMD分解去噪后的峰值特征量曲線
圖7 VMD分解容量增量曲線流程圖
對圖2中的三種噪聲類型的容量增量曲線分別進行一次和兩次VMD分解，提取峰值特征量，計算峰值特征量和電池健康狀態(tài)的皮爾遜相關(guān)系數(shù)，如表2所示，由兩次分解對比可知，二次分解后提取的特征量相對于一次分解有更好的表征能力。因此，本工作采用二次VMD分解方法對含噪聲的容量增量曲線進行去噪處理，并基于二次VMD分解后的IMF1低頻分量提取峰值特征量，表征電池健康狀態(tài)。
表2 單次VMD分解和二次VMD分解的特征量表征能力對比
2.2 VMD三次分解
為了進一步地提升兩重VMD分解后所提取的特征量表征電池健康狀態(tài)的能力，對圖6(b)中峰值特征量變化曲線再次使用VMD分解。此次VMD分解的目的在于進一步了解峰值特征量所蘊含的動態(tài)特性，將其分解為反映主退化趨勢與高頻波動趨勢的兩個組成部分，如圖8所示，三次VMD將峰值特征量變化趨勢曲線進一步分解為IMF1～IMF4四個模態(tài)分量，計算這四個分量與圖1(a)的原始容量增量曲線的皮爾遜相關(guān)系數(shù)，發(fā)現(xiàn)IMF1與電池健康狀態(tài)的相關(guān)系數(shù)高達0.9616，遠超其他分量(IMF2～IMF4的相關(guān)系數(shù)分別為0.0401、0.0092、0.0032)，因此，把IMF1作為主退化趨勢分量，剩余的IMF2～IMF4分量疊加作為高頻波動趨勢分量。通過將IMF1作為主退化趨勢分量，IMF2~IMF4疊加作為波動趨勢分量，可以將峰值特征量內(nèi)部的動態(tài)特性進一步清晰劃分，更好地了解電池健康狀態(tài)的退化趨勢。圖9(a)為重構(gòu)后的主退化趨勢分量，圖9(b)為重構(gòu)后的波動趨勢分量。表3展示了NASA電池VMD二次分解和VMD三次分解提取的特征量皮爾遜相關(guān)系數(shù)結(jié)果，由表可知，第三次分解的皮爾遜相關(guān)系數(shù)都達到了0.96以上，可見VMD三次分解得到的特征量估計結(jié)果更高，因此將峰值特征量再次使用VMD分解分為主退化趨勢和波動趨勢兩個分量，作為新的特征量用于電池的健康狀態(tài)估計。
圖8 三次VMD分解結(jié)果
圖9 特征分量趨勢曲線
表3 VMD二次分解和VMD三次分解特征量表征能力對比
2.3 與高斯濾波和擴展卡爾曼濾波的對比
為了進一步驗證VMD三次分解在電池健康狀態(tài)估計中去噪的優(yōu)越性，本小節(jié)將VMD三次分解與高斯濾波(Gaussian filtering)和擴展卡爾曼濾波(extended Kalman filtering，EKF)兩種應(yīng)用廣泛的濾波方法進行對比。
表4所示為NASA電池在VMD三次分解、高斯濾波和擴展卡爾曼濾波后，所提取特征量的皮爾遜相關(guān)系數(shù)。從表中可以看出，VMD三次分解得到的特征量皮爾遜相關(guān)系數(shù)最高，且遠高于高斯濾波和擴展卡爾曼濾波的結(jié)果。這表明本工作提出的VMD三次分解方法在對容量增量曲線去噪方面具有顯著的優(yōu)勢。
表4 VMD三次分解和高斯濾波、擴展卡爾曼濾波對比
3 電池健康狀態(tài)估計模型構(gòu)建與實驗
基于容量增量曲線三次變分模態(tài)分解(VMD)的電池健康狀態(tài)估計模型框架構(gòu)建方法示意圖如圖10所示。該框架分為三個主要部分：
圖10 SOH估計框架圖
第一部分是特征提取階段。在這一階段，基于電池放電過程中的數(shù)據(jù)，首先向電流和電壓信號中添加噪聲，并提取電池的容量增量曲線。接著，對受噪聲影響的容量增量曲線進行二次VMD分解，從中提取出峰值特征量。隨后，對提取的峰值特征量進行第三次VMD分解，最終將其分解為主退化趨勢和波動趨勢兩個分量，并基于這兩個分量構(gòu)建樣本集。
第二部分是離線模型訓(xùn)練和估計階段。在這一階段，從樣本集中選擇2/3的數(shù)據(jù)作為訓(xùn)練集，其余的樣本數(shù)據(jù)用作測試集?；谟?xùn)練集樣本數(shù)據(jù)，采用長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)算法來訓(xùn)練電池健康狀態(tài)估計模型，隨后使用測試集數(shù)據(jù)驗證所構(gòu)建模型的準確性。本工作采用平均絕對誤差(MAE)、均方根誤差(RMSE)和決定系數(shù)(R2)作為評估模型估計結(jié)果的指標。
第三部分是在線估計階段。在這一階段，通過對帶噪聲的電池IC曲線進行三次VMD分解，提取出主退化趨勢和波動趨勢兩個特征分量作為健康特征，并利用長短期記憶神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)電池狀態(tài)的在線估計。
以NASA電池數(shù)據(jù)集為實驗對象，對電池相關(guān)數(shù)據(jù)加載圖2所示噪聲，采用所提方法構(gòu)建電池健康狀態(tài)估計模型，對電池SOH值進行估計，得到相關(guān)實驗結(jié)果。圖11為電池數(shù)據(jù)添加如圖2(c)所示的電流類型噪聲，沒有進行去噪處理，提取容量增量曲線的峰值特征量，直接構(gòu)建電池健康估計模型得到的估計結(jié)果。圖11可知，RMSE和MAE兩個評價指標都到了10%以上，R2到了0.4以下。圖12則是將容量增量曲線經(jīng)過VMD三次分解提取到的特征量得到的訓(xùn)練結(jié)果。比較圖11和圖12可知，RMSE和MAE兩個評價指標從10%以上控制到了5%以內(nèi)，R2從0.4以下達到了0.94以上，可見估計精度大大提高。
圖11 NASA電池含電流噪聲的SOH估計結(jié)果
圖12 NASA電池電流噪聲去噪后的SOH估計結(jié)果
類似地，對圖2中的3種類型噪聲的容量增量曲線分別進行去噪前后SOH估計對比實驗。圖13～15所示為三類噪聲下的容量增量曲線，去噪前后SOH估計效果評價指標圖，其中(a)圖是去噪前的容量增量曲線提取的峰值特征量估計電池健康狀態(tài)的結(jié)果，(b)圖為容量增量曲線經(jīng)過VMD三次分解之后提取的特征量估計電池健康狀態(tài)的結(jié)果，由圖可知，(b)圖的MAE、RMSE的SOH估計評價值明顯小于(a)圖，從而表明本工作所提電池SOH估計方法能夠顯著降低噪聲對鋰電池健康狀態(tài)估計的影響，可在強干擾下，保障SOH估計的準確性和可靠性。
圖13 NASA電池電流噪聲下的SOH估計結(jié)果
圖14 NASA電池全局電壓噪聲下的SOH估計結(jié)果
圖15 NASA電池局部電壓噪聲的SOH估計結(jié)果
此外，還對VMD二次分解、VMD三次分解，原始IC曲線進行了SOH估計對比實驗。表5所示為三次估計的結(jié)果，由表可知，VMD三次分解的MAE、RMSE的SOH估計評價值相比于VMD二次分解，更進一步提高，且也能達到原始IC曲線SOH估計效果。從而也能表明本工作所提電池SOH估計方法能夠顯著降低噪聲對鋰電池健康狀態(tài)估計的影響，并且在強干擾下，也能達到正常情況下的估計效果。
表5 NASA電池電流噪聲VMD二次分解和三次分解以及原始曲線的SOH估計結(jié)果
為了進一步驗證所提方法的優(yōu)越性，將本工作所提的VMD三次分解方法與高斯濾波和擴展卡爾曼濾波方法進行SOH估計對比實驗。圖16展示了在電流噪聲下，針對B5電池應(yīng)用不同去噪方法后的SOH估計結(jié)果。從圖16(b)可以看出，本工作所提方法的估計誤差最小，且明顯優(yōu)于高斯濾波和擴展卡爾曼濾波的結(jié)果。從而表明，本工作提出的VMD三次分解方法在去噪方面具有顯著的優(yōu)勢。
圖16 電流噪聲下不同去噪方法在B5電池下的估計結(jié)果
類似地，對不同型號的電池在電流噪聲下，應(yīng)用不同去噪方法進行SOH估計對比實驗。表6展示了不同電池型號下的SOH估計結(jié)果。由表中可以看出，本工作提出的方法在所有電池型號中的估計效果均顯著優(yōu)于其他濾波方法。
表6 電流噪聲下不同電池型號下的SOH估計結(jié)果
為了進一步驗證去噪后特征對LSTM模型的適應(yīng)性，還將所提的LSTM模型與BP神經(jīng)網(wǎng)絡(luò)模型、支持向量機(SVM)模型進行SOH估計對比實驗。圖17展示了在不同模型下，針對B5電池的SOH估計結(jié)果。從圖17(b)可以看出，LSTM模型的估計誤差最小，表明本工作提出的LSTM模型對去噪后的特征具有很好的適應(yīng)性。
圖17 在電流噪聲下不同模型在B5電池下的估計結(jié)果
類似地，針對圖2中三種類型噪聲的容量增量曲線，分別進行去噪前后不同模型的SOH估計對比實驗。表7～9展示了在三種類型噪聲下，不同模型的SOH估計結(jié)果。從表中可以看出，LSTM模型的估計誤差最小，優(yōu)于其他模型。從而表明，本工作提出的LSTM模型在不同噪聲條件下，對于去噪后的特征都具有更好的適應(yīng)性。
表7 電流噪聲下SOH估計結(jié)果
表8 全局電壓噪聲下SOH估計結(jié)果
表9 局部電壓噪聲下SOH估計結(jié)果
4 總結(jié)
針對傳感器測量噪聲或電池工況導(dǎo)致的電流突變等強干擾對電池容量增量曲線造成的干擾而引發(fā)的電池健康狀態(tài)評估不準確的問題，本工作提出了一種基于VMD三次分解的電池健康狀態(tài)估計方法。本工作的主要結(jié)論如下：
（1）考慮到傳感器測量和工況變化等情況，對原始容量增量曲線添加了全域電壓噪聲、局部電壓噪聲、局部電流突變噪聲等3類不同干擾，對含有噪聲的容量增量曲線提取峰值特征量，并進行特征量與SOH的皮爾遜相關(guān)性分析。
（2）采用VMD分解技術(shù)進行去噪處理，基于去噪前后的皮爾遜相關(guān)系數(shù)對比，發(fā)現(xiàn)一次VMD分解達不到較好的電池健康狀態(tài)估計精度。為進一步提升電池的健康狀態(tài)估計精度，對第一次VMD分量得到的IMF1分量進行二次VMD分解，得到更好容量增量曲線，從而提升SOH估計的精度。
（3）基于二次VMD分解去噪后的容量增量曲線提取的曲線峰值，進一步提升SOH估計的精度，對峰值特征量集再次使用VMD分解，得到主退化和波動趨勢兩個分量，最終將這兩個分量作為特征量表征電池的健康狀態(tài)。
（4）采用長短時記憶神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練電池健康估計模型，通過實驗對比表明，本工作所提方法能夠顯著去除強干擾因素對鋰電池健康狀態(tài)估計的影響，從而提高強干擾下電池SOH估計的準確性和可靠性，且也能達到正常情況下的估計效果。
（5）進一步，通過與高斯濾波和擴展卡爾曼濾波方法進行對比，證明了本工作提出的VMD三次分解方法在去噪效果上的顯著優(yōu)勢，能夠更有效地去除不同噪聲類型對電池健康狀態(tài)估計的影響。
（6）為了進一步驗證去噪后特征對LSTM模型的適應(yīng)性，還與BP神經(jīng)網(wǎng)絡(luò)和支持向量機(SVM)模型進行對比實驗，通過實驗對比表明LSTM模型在去噪后的特征上具有更好的適應(yīng)性，能夠更精確地估計電池的健康狀態(tài)，且在各類噪聲環(huán)境下都具有更好的適應(yīng)性。
