發(fā)布時間：2020-12-19 09:26

　　針對動力電池荷電狀態(tài)（state of charge, SOC）的估算問題,利用長短期記憶（LSTM）循環(huán)神經(jīng)網(wǎng)絡建立SOC估算模型,以實驗室恒流放電數(shù)據(jù)訓練模型并測試,測試最大絕對誤差為2.7%。進一步以FSEC賽車電池實測數(shù)據(jù)驗證,最大測試誤差為3.9%。但在工程應用時,考慮到實際運行過程中的環(huán)境復雜性以及不同駕駛習慣對動力電池造成的不一致性,需要根據(jù)車輛實際行駛工況數(shù)據(jù)對其進行訓練與測試,但是由于該數(shù)據(jù)中的SOC直接由BMS報文解析而來,無法確定BMS內(nèi)的SOC算法是否準確,故不能直接用作訓練模型時的標簽,此時需計算出正確的訓練標簽或借助已有標簽的模型,在其基礎上根據(jù)實際運行數(shù)據(jù)對其模型參數(shù)進行動態(tài)調(diào)整。為解決無標簽數(shù)據(jù)的訓練問題,本文采取第二種方法,首次提出將遷移學習中的領域自適應網(wǎng)絡（DaNN）與LSTM組合形成LSTM-DaNN的SOC估算算法,利用有標簽數(shù)據(jù)預先訓練好LSTM模型,再將其模型參數(shù)遷移至LSTM-DaNN,最后綜合有標簽與無標簽數(shù)據(jù)一起對LSTM-DaNN模型進行訓練。測試結果表明LSTM-DaNN可以在沒有實際行駛工況標簽（SOC）的情況下完成訓練,最大測... 

【文章來源】：儲能科學與技術. 2020年06期

【文章頁數(shù)】：7 頁

【部分圖文】：

RNN網(wǎng)絡結構Fig.1RNNnetworkstructure

??莘植疾畋鴆淮蟆５憊こ逃τ檬保?韙?據(jù)車輛實際行駛工況對模型參數(shù)進行調(diào)整。本節(jié)依舊使用1.3節(jié)中的萬向電池模組，根據(jù)國標《GBT31484—2015電動汽車用動力蓄電池安全要求及試驗方法》中的純電動商用車充放電工況，且每隔15s采集一次，來模擬車輛實際行駛工況，以下簡稱實際工況。將實際工況數(shù)據(jù)按1.3節(jié)所述方式預處理，共包含27067個訓練樣本與11600個測試樣本。當把實際工況測試樣本數(shù)據(jù)直接代入1.4節(jié)中由恒流放電數(shù)據(jù)建立的LSTM模型測試時，最大絕對誤差達到18.9%，如圖8所示。因此現(xiàn)需根據(jù)實際工況數(shù)據(jù)，對LSTM模型參數(shù)進行調(diào)整。由于車輛實際使用中的SOC直接由BMS報文解析而來，故此SOC并不是真實值，不圖5LSTM計算SOC框架Fig.5LSTMcalculationframeworkofSOC圖6LSTM計算SOC誤差Fig.6LSTMerrorofSOC圖7LSTM實測數(shù)據(jù)誤差Fig.7LSTMerrorofrealdata圖8實際工況測試LSTM模型Fig.8TestLSTMunderactualworkingconditions1972

第6期王一全等：基于LSTM-DaNN的動力電池SOC估算方法式中，ht為當前時刻輸出，ht-1為上一時刻輸出，xt為當前時刻輸入，fw為包含網(wǎng)絡參數(shù)的映射函數(shù)。由式(2)可知，RNN實則是一個遞歸運算，當網(wǎng)絡循環(huán)到最后一次輸出ht時，其包含了h0~ht-1的所有信息。但是，當timestep很大時，在誤差梯度從ht反向傳播到h0的過程中，會受到timestep次冪的影響，產(chǎn)生梯度爆炸或梯度消失的問題，這說明RNN不具備長期記憶，而只具備短期記憶。為解決這一問題，在圖1的RNN單元A中增加3個門控單元(gate)，分別是輸入門(inputgate)、遺忘門(forgetgate)和輸出門(outputgate)，如圖2所示，便成為了長短期記憶(longshort-termmemory)循環(huán)神經(jīng)網(wǎng)絡結構，其網(wǎng)絡結構如圖3所示。圖3中的3個σ函數(shù)分別控制著LSTM單元結構里的3個門，由σ函數(shù)式(3)可知σ(x)=11+e-x(3)其函數(shù)值在(0,1)范圍內(nèi)，可起到門控作用，表示讓對應信息通過的權重，例如0表示“不讓任何信息通過”，1表示“讓所有信息通過”。故可將LSTM的門定義為gatef,i,o[ht-1,xt]=σ(Wf,i,o[ht-1,xt]+bf,i,o)(4)式中，f,i,o分別表示遺忘門、輸入門和輸出門，W,b是在不同門中網(wǎng)絡需要學習的參數(shù)。將每個LSTM單元根據(jù)圖3的結構整理為LSTM計算公式ft=σ(Wf·[ht-1,xt]+bf)it=σ(Wi·[ht-1,xt]+bi)Ct=tanh(WC·[ht-1,xt]+bC)Ct=ft*Ct-1+it*Ctot=σ(Wo[ht-1,xt]+bo

【參考文獻】：
期刊論文
[1]基于LSTM循環(huán)神經(jīng)網(wǎng)絡的電池SOC預測方法[J]. 耿攀,許夢華,薛士龍.  上海海事大學學報. 2019(03)
[2]動力鋰電池SOC估算方法綜述[J]. 陳元麗,趙振東,陳素娟,張廣輝.  汽車科技. 2019(05)
[3]估算鋰電池SOC的基于LM的BP神經(jīng)網(wǎng)絡算法[J]. 姚芳,張楠,黃凱.  電源技術. 2019(09)
[4]基于遺傳算法優(yōu)化擴展卡爾曼濾波的鋰電池SOC估計[J]. 周韋潤,姜文剛.  重慶理工大學學報(自然科學). 2019(09)
[5]動力電池荷電狀態(tài)(SOC)估算方法綜述[J]. 胡耘.  汽車實用技術. 2019(08)
[6]基于模型的鋰離子電池SOC及SOH估計方法研究進展[J]. 沈佳妮,賀益君,馬紫峰.  化工學報. 2018(01)

碩士論文
[1]鋰離子電池SOC估計方法研究[D]. 孫立珍.內(nèi)蒙古工業(yè)大學 2019
[2]基于改進型神經(jīng)網(wǎng)絡動力電池SOC估計研究[D]. 楊云龍.電子科技大學 2019



本文編號：2925663