![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于深度学习的电池SOC分阶段估算.pdf
《基于深度学习的电池SOC分阶段估算.pdf》由会员分享,可在线阅读,更多相关《基于深度学习的电池SOC分阶段估算.pdf(5页珍藏版)》请在咨信网上搜索。
1、 2023 年第 8 期199智能技术信息技术与信息化基于深度学习的电池 SOC 分阶段估算苏 磊1 柯海山1SU Lei KE Haishan 摘要 电池荷电状态(state of charge,SOC)是评估电池电气状态和储能系统状态的核心指标。针对电池的高度非线性关系及 SOC 在不同阶段特性的差异,采用误差反向传播算法神经网络(back propagation neural network,BP)和门控循环单元循环神经网络(gate recurrent unit-recurrent neural network,GRU-RNN)分阶段搭建不同的预测模型,利用电池电压、电流、温度和电池健
2、康度(state of health,SOH),实现电池全生命周期 SOC 估算。由于 BP 和 GRU-RNN 模型参数难以确定,采用改进的遗传算法(genetic algorithm,GA)进行参数寻优,以此提高算法的全局搜索能力和收敛速度。验证结果表明,该方法将 SOC 估算平均误差减小至 1.78%,与单一的预测模型相比,提出的估算方法能够有效提高估算的精度。关键词 荷电状态;深度学习;遗传算法;循环神经网络;反向传播神经网络doi:10.3969/j.issn.1672-9528.2023.08.0441.南京国电南自电网自动化有限公司 江苏南京 2100000 引言随着“双碳战略”
3、的实施和构建以新能源为主体的新型电力系统政策的落地,电化学储能系统得到了快速发展和规模化应用,储能系统也从前期的设计和示范进入了规模化建设和运维的新阶段。合理规范地对储能电池系统进行运行评估,是储能电池系统安全、可靠、长寿命周期稳定运行的重要保障,是真正实现电池系统全生命周期管理的有效手段。储能电池系统是一种高度非线性的复杂动态系统,环境变化、性能衰减及故障突发都会影响其运行指标1。如果不能实时了解电池系统当前的参数状态,会给用户带来不小的经济损失。电池 SOC 被定义为电池剩余容量与最大可用容量之比2,是电池管理系统(battery management system,BMS)中的重要指标,
4、也是电池运行状态指标的核心,有效的 SOC估算方法可提高电池使用效率和电池管理策略的有效性,提升储能电池系统的安全性3。然而,SOC 无法通过直接测量获得,目前多采用的方法主要通过采集电池运行过程中的外部特征参数如电压、电流、温度等,并以此建立数学模型进行 SOC 估算4-6,模型的精度直接影响估算精度,若模型过于复杂将导致计算量激增,不具有实用性,如模型过于简单则可靠性降低。神经网络模型能够拟合非线性系统,其强大的非线性处理能力有助于电池 SOC 估算7。例如,文献 8-9 将电池的电流、电压、温度作为主要输入,代入长短期记忆循环神经网络建立电池 SOC 预测模型;文献 10 提出自适应变异
5、粒子群优化算法与 BP 神经网络相结合的方法,提高了 SOC 预测的准确性和稳定性;李占英等人11提出利用回溯搜索算法优化径向基神经网络(radial basis function,RBF),通过对电池模型中的目标函数进行优化求解,提高了 RBF 网络模型的预测精度。不同于上述现有研究,本文在神经网络和深度学习的框架下,提出一种电池荷电状态分阶段估算方法,通过分析不同特征量的选取对估算结果的影响从而确定模型输入,根据电池 SOC 的非线性趋势,选取不同的神经网络模型对不同阶段的 SOC 进行训练验证和估算修正,期间通过改进的遗传算法进行模型参数寻优,并通过在电池运行数据集上测试以验证所提方法的
6、有效性。1 电池相关特征量的选取分析根据文献 12 中对电池 SOC 的介绍,其反映的是电池的剩余容量,即电池剩余电量与相同条件下额定容量的比值,如式(1)所示:n,=100%s ocQCQ (1)式中:Cs,o表示电池剩余容量,Qn为电池当前剩余电量,Qc为当前状态下电池的额定电量。根据文献 13 中对电池 SOH的介绍,其被定义为电池相对于全新状态的老化程度,是电池当前最大可用容量与其所对应的标称容量的比值,如式(2)所示:,0100cs oQHQ=(2)2023 年第 8 期200智能技术信息技术与信息化式中:Hs,o表示电池 SOH,Qc为当前状态下电池的额定容量,Q0为电池出厂时的标
7、称容量。由式(1)和式(2)可得式(3):,0100%ns os oQCHQ=(3)由式(3)可得出电池 SOC 和 SOH 存在关联,SOH 的衰减将影响 SOC 的估算。下面从数据分析角度对电池 SOC 和 SOH 的关联关系进行分析。以美国航空航天局公布的电池测试数据中 7 号电池为例,通过计算,该电池在测试前标称容量 1.92Ah,在室温下反复进行充放电试验,当额定容量衰减 30%时试验停止。该电池在不同 SOH 情况下,估算 SOC 时如果不考虑 SOH 变化的影响引起的估算误差如图 1 所示,随着电池老化,不考虑 SOH 影响时的 SOC 估算误差将不断增大。因此,在开展电池 SO
8、C 估算研究时加入 SOH 因素具有重大意义。同时,电池充放电时采集的电压、电流和温度,通常可反映电池的 SOC14。因此,本文选取电池充放电时的电压、电流、温度和 SOH 作为神经网络模型的输入特征量。图 1 不同 SOH 情况下不考虑 SOH 影响时的电池 SOC 估算平均误差2 基于不同神经网络模型的电池 SOC 分阶段估算方法2.1 神经网络模型分析在恒流转恒压充电条件和恒流放电条件下,当电池SOC 处于中段时,电压、电流变化相对平稳规律,在充放电起止阶段会有小范围的突变。针对该特性,本文选取 BP神经网络模型和门控循环单元循环神经网络 GRU-RNN 模型对不同阶段的 SOC 进行训
9、练验证和估算,如图 2 所示。其中 BP 神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,由信号的正向传播和误差的反向传播两个过程组成,网络结构包括输入层、隐藏层和输出层。根据Kolmogrov 定理,一个三层及以上的 BP 神经网络,在隐藏层节点数量足够情况下,能够以任意精度逼近一个非线性函数。图 2 基于不同神经网络模型的电池 SOC 分阶段估算模型GRU-RNN 则是为了解决简单循环神经网络 RNN 的长期依赖性而提出的一种循环神经网络,是长短期记忆人工神经网络(long short term memory,LSTM)的一种优化变体。由于电池是一个具有长时依赖性的动态系统,而
10、GRU-RNN 模型具有记忆功能,不断学习新数据,同时根据需要保留或遗忘旧状态,适合处理较长时序序列问题。由于电池 SOC 的值处于较低范围 0,10 和较高范围90,100 内时,电压、电流特征量会有小范围的突变,该阶段需要利用 GRU-RNN 的记忆功能和处理时序序列的特点,基于电池 t0 时间段内的电压、电流、温度 Vt-t0,It-t0,Tt-t0,,Vt-1,It-1,Tt-1,Vt,It,Tt 及 SOH 输出当前电池 SOC估算值;而当电池 SOC 处于中段范围(10,90)时,电压、电流特征量变化相对平稳规律,该阶段利用 BP 神经网络收敛和训练速度相对较快的优势,基于当前状态
11、的电压 Vt、电流It、温度 Tt和 SOH 输出电池 SOC 估算值。在深度学习中,模型过小会导致无法学习全部特征,模型过大易导致过拟合,需要在两者间找到平衡点。通过网格搜索法测试后,将 BP 神经网络的隐藏层设为两层,节点数分别为 30、30,GRU-RNN 除输入、输出层外,还包含两个各有 30 个节点的隐藏层、1 个全连接层。2.2 改进遗传算法优化寻优寻参遗传算法 GA 是受达尔文生物进化论启发,借鉴生物进化过程而提出的一种启发式搜索最优解的方法。针对 BP 神经网络存在结构不易确定、不保证收敛到全局最优解的问题,以及GRU-RNN 模型输入参数随机赋值导致的模型预测性能降低的问题,
12、引入遗传算法,利用其全局搜索和快速收敛的特点,改进优化BP神经网络和GRU-RNN神经网络结构中的相关参数。优化过程分为以下步骤:(1)初始化种群。遗传算法优化的参数为 BP 神经网络的初始权值、阈值和学习率以及 GRU-RNN 神经网络结构中的时间窗口大小、批处理数量和学习率,将相关参数进行二进制转换,连接全部参数,形成初始种群中的个体编码。(2)适应度函数。根据个体得到的神经网络相关参数,2023 年第 8 期201智能技术信息技术与信息化训练神经网络得到输出,将神经网络的误差绝对值的平均值作为适应度函数变量值 X,如式(4)所示:1()mpkkkabs yyXm=(4)式中:m 为训练样
13、本数,yk和 ypk分别为第 k 个节点的预测输出和期望输出,则适应度函数 F=1/X。(3)选择操作。该过程首先基于轮盘赌的方式计算个体的初步选择概率,计算公式如式(5)所示:1iiNkkFPF=(5)式中:Fi为第 i 个个体的适应度,N 为种群个体数。当个体之间适应度差别较大时,轮盘赌基于概率选择的方式将会出现问题,对此利用线性排序选择的方式进行优化,首先按适应度对个体进行排序,最差个体排在第一位,最优个体排在第 N 位,根据排位先后,线性地分派给染色体i的选择概率计算方式如式(6):minmaxmin1()()1iP iPPPN=+(6)式中:Pmin为根据式(5)计算的最差染色体的选
14、择概率,Pmax为根据式(5)计算的最优染色体的选择概率,N为种群个体数。(4)交叉操作。交叉操作采用实数交叉法,如式(7)所示:(1)(1)xmxmymymymxmcccccc=+=+(7)式中:cxm和 cym分别为 m 位上的第 x 个染色体和 m 位上的第y 个染色体,为 0,1 的随机数。(5)变异操作。选择第m个个体的第n个基因进行变异,如式(8)所示:maxmin0max()()0.5()()0.5()(1)/mnmnmnmnmnccck grcccck grk grgG+=+=(8)式中:cmax和 cmin分别为基因 cmn的上界和下界,r 和 r0为 0,1间的随机数,g
15、为当前迭代次数,Gmax为最大迭代次数。(6)重复步骤(1)-(5),直至遗传算法达到误差要求或最大迭代次数,筛选出神经网络最优参数,具体流程如图 3 所示。2.3 网络模型的搭建与训练经过遗传算法优化后的神经网络算法主要实现过程如下:(1)数据预处理。剔除明显偏差过大的样本,然后进行归一化处理。(2)设置初始参数。初始参数包括 BP 神经网络和 GRU-RNN神经网络初始参数和遗传算法 GA初始参数。(3)使用训练样本对 BP 神经网络和 GRU-RNN 神经网络进行训练,训练是根据实际值和估计值的误差,进行神经网络权值和阈值自我修正的过程,直至满足要求。(4)得到电池 SOC 估算值,将电
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 电池 SOC 分阶段 估算
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。