在新能源蓬勃发展的大趋势下,不断加深的能源危机以及日渐增强的环保意识使新能源行业异军突起。锂电池由于高能量密度,低功耗,长循环寿命和高性价比等优势,在电动汽车领域逐渐被广泛应用。准确的荷电状态(State of Charge,SOC)估计是...
详细信息
在新能源蓬勃发展的大趋势下,不断加深的能源危机以及日渐增强的环保意识使新能源行业异军突起。锂电池由于高能量密度,低功耗,长循环寿命和高性价比等优势,在电动汽车领域逐渐被广泛应用。准确的荷电状态(State of Charge,SOC)估计是保障锂电池安全隐患和延长其寿命的关键。本文以三元锂离子电池为实验对象,针对其高精度SOC估计要求,基于深度学习和模型的融合方法展开研究,具体工作内容如下:(1)锂离子电池工作机理及关键参数特性深度剖析。为提取有效的神经网络模型输入特征以及构建精确的等效电路建模型,分析了锂电池的内部构造及其工作机理,并探究了锂电池关键参数包括不同温度特性、容量特性、不同倍率充放电特性以及开路电压特性及其表征规律,探索其与锂离子电池SOC的耦合程度,为后续开展相关研究指明方向。(2)基于神经网络的电池动态模型构建与超参数寻优方法探索。为避免传统神经网络长期依赖问题,构建了对时间序列信息敏锐的双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)神经网络动态模型估计动力锂电池SOC值。针对BiLSTM模型训练超参数众多且复杂以及时间效率的问题,采用贝叶斯优化算法(Bayesian Optimization,BO)对BiLSTM模型超参数进行寻优处理,提升了模型训练效果以及使用性能。(3)融合卡尔曼滤波器的神经网络模型噪声修正策略研究。针对BO-BiLSTM模型估计稳定性差的问题,构建二阶戴维南等效模型,通过矩形窗递推最小二乘法对等效模型进行精确在线辨识。在此基础上,选用无迹卡尔曼滤波算法(Unscented Kalman filtering,UKF)进行研讨,并将UKF滤波融入网络模型进行优化,构建BO-BiLSTM-UKF融合算法模型。针对系统时变噪声等因素对数据采样过程的影响,考虑不同温度与SOC之间的耦合关系,采取滤波自适应策略对模型进行数据平滑降噪处理,增强了网络的稳定性和精确性。(4)复杂工况下动力锂离子电池SOC预测模型实验结果剖析。为了验证所提动态预测模型和滤波算法融合的性能,在不同温度环境下进行工况测试,通过三种复杂测试工况对SOC估计效果进行实验验证,并在分阶段模拟工况变化情况下验证模型精度。结果表明,在不同温度的复杂工况下,BO-BiLSTM-UKF模型均能获得高精度的SOC估计,且室温环境(25℃)下性能最佳。优化后的模型极大提高了电池SOC预测性能,验证了所提方法的高泛化性和强鲁棒性。本文通过深度剖析锂离子电池的工作特性与SOC间的函数关系,构建基于等效模型的网络动态预测融合方法,并采用自适应算法对模型进行平滑降噪处理。通过不同温度复杂工况以及分阶段模拟工况进行实验验证,结果表明优化算法能有效提升锂离子电池的SOC估计精度和稳健性,进一步加强了电动汽车动力锂离子电池在不同环境温度下数据的管理。
暂无评论