基于改进CNN-SVM的动力电池组故障诊断研究

摘要：

针对卷积神经网络(CNN)在动力电池组故障诊断中容易过拟合和准确度低的问题,提出了一种改进的基于卷积神经网络的锂离子电池故障诊断模型.首先,对CNN网络的结构和参数进行调整和优化,利用小波包变换将故障信息提取到CNN中,然后用支持向量机(SVM)代替CNN中的SoftMax分类器构建CNN-SVM模型,再利用粒子群算法(PSO)对SVM中的超参数进行优化,以得到用于电池组故障诊断的最优模型,最后,通过故障实验对比来验证所提出方法的优越性.实验结果表明,CNN-SVM模型的故障分类准确率可达97%以上,远高于传统深度学习网络,对锂离子电池组的故障诊断具有实际意义.

关键词：锂离子电池组、故障诊断、卷积神经网络、支持向量机、PSO

所属期刊栏目：48

分类号：TM912

资助基金：国家自然科学基金;湖北省教育厅科学研究计划

在线出版日期：2024-08-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1273-1280