基于时间卷积网络的锂离子电池SOC估计模型研究
发布时间：2021-01-02 05:16
荷电状态（State of Charge,SOC）是电池管理系统（Battery Management System,BMS）进行能量管控的基础,对其估计的准确度会直接影响使用锂电池的电子设备的可靠性。现有的SOC估计方在准确率和适用性上有改进的空间。针对SOC估计精度与估计泛化性的问题,本文设计了一种基于时间卷积网络的锂离子电池SOC估计模型,该模型在不同的电池数据集中均表现出优秀的估计精度,其中在CALCE电池公开数据集的估计效果超越了大多数先进的基于神经网络的SOC估计模型。本文的主要工作围绕以下几个方面展开:首先研究了正确估计SOC对电动汽车发展的重要性。从传统估计、滤波系列、神经网络系列三类模型的角度出发,分析了现有SOC估计模型的优缺点,进而提出设计一个更高精度、更强泛化性的基于时间卷积网络的锂离子电池SOC估计模型的研究目标。其次对所提出的时间卷积网络模型内部组件与功能进行了详细的说明,包括具有记忆性的膨胀因果卷积、阻止网络退化的残差跳连、增加非线性能力的激活函数、提高感受野的模型框架。同时分析了训练模型所使用的MAE、MSE、Huber损失函数与Adam优化算法。随后通...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
扩展卡尔曼滤波迭代过程
(1)全连接神经网络(Neural Network)是一种适用性很广的数学工具,可以拟合复杂的非线性模型。NN使用数据训练好后可以直接估计SOC,无需了解有关电池内部结构或初始SOC的信息。如图1-4所示,三层神经元即可构成NN,其中包括输入层,输出层和一个或多个隐藏层。NN常常以放电电流,端电压和温度作为输入SOC为输出,即可构建估计电池SOC的NN结构。该模型的优点在于,它能够在电池充电/放电的情况下工作。然而,该模型需要存储大量数据用于训练,这不仅需要大容量的存储器,而且需要大量的计算资源。普通的神经网络常与其他电池模型共同工作。Chen等[43]提出了一种基于EKF的电池模型,并考虑了滞后开路电压的影响,然后将NN与EKF集成在一起以估算SOC。所提出的组合模型在估计精度方面的误差小于1%。刘等人[44]使用反向传播神经网络并基于充放电数据来预测锂离子电池的剩余容量。该模型将放电电流和放电电压作为输入,将容量作为输出。该模型的预测容量和实际容量之间的误差在5%以下。
循环神经网络(Recurrent Neural Network)是普通神经网络的改进型。对于普通的神经网络,数据分别输入网络,上一时刻输入与下一时刻输入完全没有联系。但在电池的充放电数据中,前一时刻的数据和后一时刻的数据是明显有联系的,属于时间序列类型的数据,即前后的数据有位置关系,每个样本不可改变其在序列中的位置。为了解决这一类数据问题,RNN应运而生。它的网络结构如图1-5所示,RNN的内部结构允许将神经元内部前一时刻的输出St-1作为输入St,输入到后一时刻隐藏神经元的中,以此达到时间维度信息的传递。RNN结构简单,计算量小。但是在基于时间的反向传播在很长的输入下容易梯度消失或梯度爆炸,因此网络无法记住长时间的信息。在实际应用中常使用能够记住长时间信息的长短期记忆网络或者计算量更小的门控循环网络。他们的特点都是输入数据间的信息可以在时间维度相互传递。Chemali[45]等人使用一个基于长短期记忆网络估计多个工作温度下的SOC,通过尝试不同网络层数,最小误差达到了0.77%的绝对误差和1.11%的均方根误差。Bin[46]等人使用先进的组合优化算法训练了门控循环网络,在多温度与多工况的尺度下进行SOC估计,达到了最小0.84%的平均绝对误差、1.13%的均方根误差与3.28%的平均绝对百分比误差。Molla[47]等人提出一个基于亮点搜索算法的循环NARX神经网络,在多个不同工作温度与工作情况下估计锂离子电池SOC,达到了最小0.34%的平均绝对误差和0.52%的均方根误差。
【参考文献】：
期刊论文
[1]电动汽车电池管理系统研究现状及发展趋势[J]. 符晓玲,商云龙,崔纳新. 电力电子技术. 2011(12)
硕士论文
[1]遗传算法与改进的BP神经网络融合的三元锂电池SOC估算研究[D]. 姚和友.南昌大学 2019
本文编号：2952727
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
扩展卡尔曼滤波迭代过程
(1)全连接神经网络(Neural Network)是一种适用性很广的数学工具,可以拟合复杂的非线性模型。NN使用数据训练好后可以直接估计SOC,无需了解有关电池内部结构或初始SOC的信息。如图1-4所示,三层神经元即可构成NN,其中包括输入层,输出层和一个或多个隐藏层。NN常常以放电电流,端电压和温度作为输入SOC为输出,即可构建估计电池SOC的NN结构。该模型的优点在于,它能够在电池充电/放电的情况下工作。然而,该模型需要存储大量数据用于训练,这不仅需要大容量的存储器,而且需要大量的计算资源。普通的神经网络常与其他电池模型共同工作。Chen等[43]提出了一种基于EKF的电池模型,并考虑了滞后开路电压的影响,然后将NN与EKF集成在一起以估算SOC。所提出的组合模型在估计精度方面的误差小于1%。刘等人[44]使用反向传播神经网络并基于充放电数据来预测锂离子电池的剩余容量。该模型将放电电流和放电电压作为输入,将容量作为输出。该模型的预测容量和实际容量之间的误差在5%以下。
循环神经网络(Recurrent Neural Network)是普通神经网络的改进型。对于普通的神经网络,数据分别输入网络,上一时刻输入与下一时刻输入完全没有联系。但在电池的充放电数据中,前一时刻的数据和后一时刻的数据是明显有联系的,属于时间序列类型的数据,即前后的数据有位置关系,每个样本不可改变其在序列中的位置。为了解决这一类数据问题,RNN应运而生。它的网络结构如图1-5所示,RNN的内部结构允许将神经元内部前一时刻的输出St-1作为输入St,输入到后一时刻隐藏神经元的中,以此达到时间维度信息的传递。RNN结构简单,计算量小。但是在基于时间的反向传播在很长的输入下容易梯度消失或梯度爆炸,因此网络无法记住长时间的信息。在实际应用中常使用能够记住长时间信息的长短期记忆网络或者计算量更小的门控循环网络。他们的特点都是输入数据间的信息可以在时间维度相互传递。Chemali[45]等人使用一个基于长短期记忆网络估计多个工作温度下的SOC,通过尝试不同网络层数,最小误差达到了0.77%的绝对误差和1.11%的均方根误差。Bin[46]等人使用先进的组合优化算法训练了门控循环网络,在多温度与多工况的尺度下进行SOC估计,达到了最小0.84%的平均绝对误差、1.13%的均方根误差与3.28%的平均绝对百分比误差。Molla[47]等人提出一个基于亮点搜索算法的循环NARX神经网络,在多个不同工作温度与工作情况下估计锂离子电池SOC,达到了最小0.34%的平均绝对误差和0.52%的均方根误差。
【参考文献】：
期刊论文
[1]电动汽车电池管理系统研究现状及发展趋势[J]. 符晓玲,商云龙,崔纳新. 电力电子技术. 2011(12)
硕士论文
[1]遗传算法与改进的BP神经网络融合的三元锂电池SOC估算研究[D]. 姚和友.南昌大学 2019
本文编号：2952727
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2952727.html
