健康状态估计对电池的实用性和经济性具有指导意义. 针对电池健康状态估计难度大且估计结果极易受噪声的影响，但融合算法估计效果好且受噪声影响小，提出了基于粒子群优化深度置信网络和自适应扩展卡尔曼/自适应<inline-formula><tex-math id="M1">\begin{document}${\rm{H}_\infty }$\end{document}</tex-math><alternatives><graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="c220148_M1.jpg"/><graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="c220148_M1.png"/></alternatives></inline-formula>滤波((PSO-DBN)-AEKF/AHIFF)融合算法在卷积神经网络(CNN)模型下的锂离子电池SOC-SOH联合估计. 首先对于健康状态(SOH)数据的预处理环节采用小波变换的方法使得噪声显著去除. 其次将去噪后的数据代入训练好的CNN模型进行SOH估计，并融合((PSO-DBN)-AEKF/AHIFF)算法进行健康状态估计，最后在DST工况和UDDS工况下，搭建Matlab/Simulink/Python环境下的Typhoon HIL602+硬件在环平台进行联合估计的验证，结果显示健康状态的估计误差在1%以内，荷电状态(SOC)的估计误差在2%以内，由此证明了多方法融合的SOC-SOH联合估计的有效性，且具有较好的估计精度和鲁棒性.
PDF全文下载地址：http://journal.bit.edu.cn/zr/article/exportPdf?id=819999ee-ca72-4409-814c-1956ce738b48