基于CNN-BILSTM深度学习模型的跨工况锂电池SOC估计.pdf
《基于CNN-BILSTM深度学习模型的跨工况锂电池SOC估计.pdf》由会员分享,可在线阅读,更多相关《基于CNN-BILSTM深度学习模型的跨工况锂电池SOC估计.pdf(4页珍藏版)》请在咨信网上搜索。
1、中国新技术新产品2024 NO.1(上)-4-高 新 技 术锂离子电池是电动汽车、可再生能源等领域中重要的能量存储设备,具有广泛的应用前景和巨大的潜力。在电池管理系统中,准确估计和控制电池的电荷状态(SOC)是一项关键任务。为了研究电池 SOC,笔者需要考虑不同工况下的变化情况,其中包括典型的 FUDS 工况和 DST 工况。在 FUDS工况下,电池 SOC 的准确估计对实现电池能量管理和优化控制至关重要。由于FUDS工况具有周期性和动态特点,因此准确估计电池 SOC 成为一项难题。为了解决这一问题,可以通过合理建模和引入适当的状态估计算法来提高SOC的估计精度和准确性。在 DST 工况下的电
2、池 SOC 研究主要关注电池在高动态负载下的性能变化。高功率放电过程会对电池的寿命和安全性造成一定的影响。因此,深入研究电池 SOC 在这种工况下的变化规律,对优化电池管理策略、延长电池使用寿命以及保证电池在高功率需求下的可靠性具有重要意义。建立并迁移 SOC 预测模型对锂电池的研究具有重要意义。模型可以提供准确的状态估计和寿命预测、优化电池管理策略、提高安全性和稳定性并缩短产品的开发周期。该研究不仅有助于锂电池的应用和发展,还可以为相关领域的研究提供支持和指导1-3。1 研究方法1.1 归一化处理归一化是一种常见的数据预处理技术,它对数据进行线性变换,将其映射到特定的范围内。该技术的目的是消
3、除不同特征之间的量纲差异,使数据在同一量纲下进行比较和分析,从而增强模型训练的效果。常用的数据归一化方法包括最小-最大缩放和标准化,具体的计算过程如公式(1)所示。xxxxxiiiiiiminmaxmin,?15(1)式中:xi为 4 项指标标准化处理后的数据;x1,x2,x3,x4分别为锂电池的温度、电流、电压和 SOC 原始数据。1.2 CNN 神经网络构建CNN(Convolutional Neural Network,CNN)的核心思想是通过卷积层和池化层提取输入数据的局部特征,并通过全连接层进行整体信息的分类或回归。CNN的基本结构如图 1 所示。CNN 通过卷积层、激活函数、池化层
4、和全连接层的组合,能够有效地提取输入数据的局部特征及整体信息,在图像处理等任务中表现优异,对具有网格状结构的数据具有良好的适应性和表达能力。1.3 BILSTM 的构建BILSTM(Bidirectional Long Short-Term Memory)指双向长短期记忆网络,是一种常用于处理序列数据的循环神经网络变体。与传统的单向 RNN(Recurrent Neural Networks)相比,BILSTM 具有双向性,可同时考虑过去和未来的信息,从而更好地捕捉序列数据中的上下文关系。BILSTM 在每个时间步上,前向 LSTM 接收当前时间步的输入和前一个时间步的隐藏状态,并生成当前时间
5、步的隐藏状态。后向 LSTM 接收当前时间步的输入和后一个时间步的隐藏状态,并生成当前时间步的隐藏状态。BILSTM通过前向和后向的信息流动,能够充分利用序列数据的全基于CNN-BILSTM深度学习模型的跨工况锂电池SOC估计雷文博1,2耿灿欣1,2邹晔1,2姚忠冉1,2周礼缘1(1.无锡职业技术学院汽车与交通学院,江苏 无锡 214121;2.江苏省新能源汽车节能与电池安全工程研究中心,江苏 无锡 214121)摘 要:为提高新能源汽车锂电池跨工况下 SOC(State of Charge,SOC)的预测精度以提升其运行可靠性,针对不同工况下的锂电池特征,笔者提出了一种深度学习预测模型。该模
6、型基于卷积神经网络(CNN)和双向长短期记忆网络(BILSTM),对跨工况锂电池 SOC 进行估计。笔者采集了锂电池在不同工况下的温度、电流、电压和 SOC 等数据。然后,构建了 CNN-BILSTM 深度学习模型,并在联邦城市运行工况(Federal Urban Driving Schedule,FUDS)工况下进行训练测试。将该方法应用于动态应力测试工况(Dynamic Stress Test,DST)下,进行跨工况 SOC 估计。试验结果表明,本文提出的 CNN-BILSTM 模型能够有效预测锂电池的 SOC 值,在跨工况下也显示出良好的预测性能和较强的泛化能力。关键词:深度学习;CNN
7、;BILSTM;跨工况;锂电池 SOC 中图分类号 U46文献标志码:A基金项目:江苏省高等学校基础科学(自然科学)研究面上项目“多层异质界面 PEO 基固态电解质设计及离子传输机制研究”(项目编号:23KJB430038);无锡职业技术学院科研创新团队建设项目“新能源动力电池开发与应用研究”(项目编号:XJ2023000301);无锡职业技术学院自然科学类科研课题项目“全固态锂电池复合电解质的制备及性能研究”(项目编号:BT2023-06)。中国新技术新产品2024 NO.1(上)-5-高 新 技 术局信息。其结构如图 2 所示,其中 Xt为当前时刻输入的序列信息,yt为当前时刻对应的输出。
8、1.4 构建工况迁移预测模型本文选取的4个参数分别为锂电池每30 s阶段的历史温度、历史电流、历史电压和历史 SOC。经过分析发现,锂电池的 SOC 与温度、电流和电压有很强的关联,即温度、电流和电压是锂电池 SOC 的主要影响因素。因此,将锂电池的温度、电流和电压与 SOC 进行关联,构建 CNN-BILSTM 模型。将该模型在 FUDS 工况下进行训练,CNN 对输入数据进行高效的特征提取和降维,有助于提高 SOC 预测的准确性。然后,BILSTM 在 CNN 提取的特征基础上进行序列建模,BILSTM 能够更好地捕捉序列数据中的时间相关性和长期依赖关系。通过双向 LSTM 的结构,BIL
9、STM 能够同时考虑过去和未来的信息,从而更全面地理解和预测锂电池SOC 的变化趋势。首先,输入 FUDS 工况下的历史温度、电流、电压和SOC 数据进行训练。训练完成后,将模型迁移至 DST 工况。其次,将 DST 工况下的历史温度、电流、电压和 SOC数据作为输入,验证锂电池 SOC 的训练效果。最后,观察模型迁移后的效果4-6。在搭建模型的过程中,使用时间滑动窗口对 2 个工况下的锂电池历史温度、电流、电压和 SOC 进行处理,将数据集转换为时间序列数据,提高数据的研究意义。工况迁移预测模型的搭建流程如图 3 所示。此外,为了评估模型的训练效果,本文进行了误差分析。采用以下误差参数评价指
10、标:平均绝对百分比误差MAPE、平均绝对误差 MAE 和均方根误差 RMSE。这些指标用于验证模型的性能。以下是误差指标的计算公式。平均绝对百分比误差如公式(2)所示。MAPEmyyyiiiim?11(2)平均绝对误差如公式(3)所示。MAEmyyiiim?11(3)均方根误差如公式(4)所示。RMSEmyyiiim?121(4)式中:m 为样本的数量;yi为真实值;yi为预测值;i 为真实值和预测值的样本编号。2 结果分析2.1 CNN-BILSTM 模型在 FUDS 工况下对 SOC 训练结果的分析在 MATLAB 软件中,对 FUDS 工况下的锂电池温度、电注:Xt为该时刻输入的序列信息
- 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 CNN BILSTM 深度 学习 模型 工况 锂电池 SOC 估计
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。