基于物理-数据融合模型的锂离子电池荷电状态估计

发布时间：2021-01-14 02:50

　　近年来,锂离子电池作为新一代环保型储能电池在各个领域都得到了广泛地发展及应用,而对其在当下以及未来的应用和发展,也始终是学界所关注的热门问题。这其中,关于如何提高锂离子电池荷电状态在线估计精度的问题一直是锂离子电池研究领域的重点,也是难点问题。本文首先对锂离子电池的工作原理以及特性进行详细介绍,与当前常见动力电池性能进行对比,说明了锂离子电池作为动力电池的优势,并针对锂离子电池荷电状态在线估计的问题,着重对当前国内外常见荷电状态估计方法进行详细的分析比较,说明了各种方法的优缺点。其次,本文使用MATLAB/Simulink模块库中的锂离子电池构建放电仿真模型,分别获取两组不完全相同的电池电压、电流及锂离子电池荷电状态数据,为后续研究提供数据上的支持。本文重点对提高锂离子电池荷电状态的估计精度做出以下几点研究。首先,为提高锂离子电池荷电状态的在线估计精度,本文对安时积分法进行研究,针对该方法的估计误差随时间不断累积的问题,以机器学习中的极限学习机算法为基础,通过对电池电流及相同电流下由安时积分法估计得到的荷电状态的估计误差的学习,得到安时积分法的误差预测模型,并将其输出值作为校正项,对安... 

【文章来源】：兰州理工大学甘肃省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

OCV-SOC曲线

BP神经网络是目前应用最广泛的多层前馈网络模型中的一种。神经网络模拟人类大脑的特性,网络中的各个节点被称为神经元,大量的神经元相互连接就构成了复杂的神经网络。作为BP神经网络的基础,传统用作单输出预测的单隐层前馈神经网络(Single-hidden layer feedforward neural networks,SLFNs)结构如图1.2所示[29],其中输入层有n个神经元,对应n个输入量,在锂离子电池SOC估计中,输入量通常选为电池的电流、电压、温度等外特性;隐含层有L个神经元;输出层输出锂离子电池的荷电状态;为输入层和隐含层之间的权值;为输出层和隐含层之间的权值;隐含层神经元阈值为为输出层神经元阈值。刘春光等学者利用BP神经网络建立了SOC的估计模型,并利用遗传算法对BP神经网络进行优化,使最终得到的预测模型的预测误差始终低于2%[30]。此外,有学者利用自适应的人工神经网络对电池SOC进行在线估计,结果表明,自适应人工神经网络的方法对SOC进行估计时同样拥有较高的精度[31]。(2)SVM

SVM算法于1992年被Vapnik等人提出后便受到研究者的广泛关注,当前,该算法已经成为机器学习领域的标准工具[32]。与神经网络相似,SVM利用划分超平面的思想,以电池的电压、电流及温度等外特性作为输入,以SOC作为输出,通过训练即可得到基于支持向量机的锂离子电池荷电状态预测模型,其工作方式如图1.3所示[33]。盛瀚民等人利用SVM算法建立了适用于锂离子电池SOC估计的预测模型,并利用粒子群优化算法对模型进行优化,最终得到了基于SVM算法的,平均误差为0.07%的SOC预测模型[34]。(3)ELM


本文编号：2976057