荷電狀態(tài)（State of Charge,SOC）是電池管理系統(tǒng)（Battery Management System,BMS）進(jìn)行能量管控的基礎(chǔ),對其估計(jì)的準(zhǔn)確度會(huì)直接影響使用鋰電池的電子設(shè)備的可靠性�，F(xiàn)有的SOC估計(jì)方在準(zhǔn)確率和適用性上有改進(jìn)的空間。針對SOC估計(jì)精度與估計(jì)泛化性的問題,本文設(shè)計(jì)了一種基于時(shí)間卷積網(wǎng)絡(luò)的鋰離子電池SOC估計(jì)模型,該模型在不同的電池?cái)?shù)據(jù)集中均表現(xiàn)出優(yōu)秀的估計(jì)精度,其中在CALCE電池公開數(shù)據(jù)集的估計(jì)效果超越了大多數(shù)先進(jìn)的基于神經(jīng)網(wǎng)絡(luò)的SOC估計(jì)模型。本文的主要工作圍繞以下幾個(gè)方面展開:首先研究了正確估計(jì)SOC對電動(dòng)汽車發(fā)展的重要性。從傳統(tǒng)估計(jì)、濾波系列、神經(jīng)網(wǎng)絡(luò)系列三類模型的角度出發(fā),分析了現(xiàn)有SOC估計(jì)模型的優(yōu)缺點(diǎn),進(jìn)而提出設(shè)計(jì)一個(gè)更高精度、更強(qiáng)泛化性的基于時(shí)間卷積網(wǎng)絡(luò)的鋰離子電池SOC估計(jì)模型的研究目標(biāo)。其次對所提出的時(shí)間卷積網(wǎng)絡(luò)模型內(nèi)部組件與功能進(jìn)行了詳細(xì)的說明,包括具有記憶性的膨脹因果卷積、阻止網(wǎng)絡(luò)退化的殘差跳連、增加非線性能力的激活函數(shù)、提高感受野的模型框架。同時(shí)分析了訓(xùn)練模型所使用的MAE、MSE、Huber損失函數(shù)與Adam優(yōu)化算法。隨后通... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【部分圖文】：

擴(kuò)展卡爾曼濾波迭代過程

(1)全連接神經(jīng)網(wǎng)絡(luò)(Neural Network)是一種適用性很廣的數(shù)學(xué)工具,可以擬合復(fù)雜的非線性模型。NN使用數(shù)據(jù)訓(xùn)練好后可以直接估計(jì)SOC,無需了解有關(guān)電池內(nèi)部結(jié)構(gòu)或初始SOC的信息。如圖1-4所示,三層神經(jīng)元即可構(gòu)成NN,其中包括輸入層,輸出層和一個(gè)或多個(gè)隱藏層。NN常常以放電電流,端電壓和溫度作為輸入SOC為輸出,即可構(gòu)建估計(jì)電池SOC的NN結(jié)構(gòu)。該模型的優(yōu)點(diǎn)在于,它能夠在電池充電/放電的情況下工作。然而,該模型需要存儲(chǔ)大量數(shù)據(jù)用于訓(xùn)練,這不僅需要大容量的存儲(chǔ)器,而且需要大量的計(jì)算資源。普通的神經(jīng)網(wǎng)絡(luò)常與其他電池模型共同工作。Chen等[43]提出了一種基于EKF的電池模型,并考慮了滯后開路電壓的影響,然后將NN與EKF集成在一起以估算SOC。所提出的組合模型在估計(jì)精度方面的誤差小于1%。劉等人[44]使用反向傳播神經(jīng)網(wǎng)絡(luò)并基于充放電數(shù)據(jù)來預(yù)測鋰離子電池的剩余容量。該模型將放電電流和放電電壓作為輸入,將容量作為輸出。該模型的預(yù)測容量和實(shí)際容量之間的誤差在5%以下。

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network)是普通神經(jīng)網(wǎng)絡(luò)的改進(jìn)型。對于普通的神經(jīng)網(wǎng)絡(luò),數(shù)據(jù)分別輸入網(wǎng)絡(luò),上一時(shí)刻輸入與下一時(shí)刻輸入完全沒有聯(lián)系。但在電池的充放電數(shù)據(jù)中,前一時(shí)刻的數(shù)據(jù)和后一時(shí)刻的數(shù)據(jù)是明顯有聯(lián)系的,屬于時(shí)間序列類型的數(shù)據(jù),即前后的數(shù)據(jù)有位置關(guān)系,每個(gè)樣本不可改變其在序列中的位置。為了解決這一類數(shù)據(jù)問題,RNN應(yīng)運(yùn)而生。它的網(wǎng)絡(luò)結(jié)構(gòu)如圖1-5所示,RNN的內(nèi)部結(jié)構(gòu)允許將神經(jīng)元內(nèi)部前一時(shí)刻的輸出St-1作為輸入St,輸入到后一時(shí)刻隱藏神經(jīng)元的中,以此達(dá)到時(shí)間維度信息的傳遞。RNN結(jié)構(gòu)簡單,計(jì)算量小。但是在基于時(shí)間的反向傳播在很長的輸入下容易梯度消失或梯度爆炸,因此網(wǎng)絡(luò)無法記住長時(shí)間的信息。在實(shí)際應(yīng)用中常使用能夠記住長時(shí)間信息的長短期記憶網(wǎng)絡(luò)或者計(jì)算量更小的門控循環(huán)網(wǎng)絡(luò)。他們的特點(diǎn)都是輸入數(shù)據(jù)間的信息可以在時(shí)間維度相互傳遞。Chemali[45]等人使用一個(gè)基于長短期記憶網(wǎng)絡(luò)估計(jì)多個(gè)工作溫度下的SOC,通過嘗試不同網(wǎng)絡(luò)層數(shù),最小誤差達(dá)到了0.77%的絕對誤差和1.11%的均方根誤差。Bin[46]等人使用先進(jìn)的組合優(yōu)化算法訓(xùn)練了門控循環(huán)網(wǎng)絡(luò),在多溫度與多工況的尺度下進(jìn)行SOC估計(jì),達(dá)到了最小0.84%的平均絕對誤差、1.13%的均方根誤差與3.28%的平均絕對百分比誤差。Molla[47]等人提出一個(gè)基于亮點(diǎn)搜索算法的循環(huán)NARX神經(jīng)網(wǎng)絡(luò),在多個(gè)不同工作溫度與工作情況下估計(jì)鋰離子電池SOC,達(dá)到了最小0.34%的平均絕對誤差和0.52%的均方根誤差。

【參考文獻(xiàn)】：
期刊論文
[1]電動(dòng)汽車電池管理系統(tǒng)研究現(xiàn)狀及發(fā)展趨勢[J]. 符曉玲,商云龍,崔納新.  電力電子技術(shù). 2011(12)

碩士論文
[1]遺傳算法與改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)融合的三元鋰電池SOC估算研究[D]. 姚和友.南昌大學(xué) 2019



本文編號(hào)：2952727