基于LSTM-DaNN的动力电池SOC估算方法
发布时间：2020-12-19 09:26
针对动力电池荷电状态（state of charge, SOC）的估算问题,利用长短期记忆（LSTM）循环神经网络建立SOC估算模型,以实验室恒流放电数据训练模型并测试,测试最大绝对误差为2.7%。进一步以FSEC赛车电池实测数据验证,最大测试误差为3.9%。但在工程应用时,考虑到实际运行过程中的环境复杂性以及不同驾驶习惯对动力电池造成的不一致性,需要根据车辆实际行驶工况数据对其进行训练与测试,但是由于该数据中的SOC直接由BMS报文解析而来,无法确定BMS内的SOC算法是否准确,故不能直接用作训练模型时的标签,此时需计算出正确的训练标签或借助已有标签的模型,在其基础上根据实际运行数据对其模型参数进行动态调整。为解决无标签数据的训练问题,本文采取第二种方法,首次提出将迁移学习中的领域自适应网络（DaNN）与LSTM组合形成LSTM-DaNN的SOC估算算法,利用有标签数据预先训练好LSTM模型,再将其模型参数迁移至LSTM-DaNN,最后综合有标签与无标签数据一起对LSTM-DaNN模型进行训练。测试结果表明LSTM-DaNN可以在没有实际行驶工况标签（SOC）的情况下完成训练,最大测...
【文章来源】：储能科学与技术. 2020年06期
【文章页数】：7 页
【部分图文】：
RNN网络结构Fig.1RNNnetworkstructure
??莘植疾畋鸩淮蟆５惫こ逃τ檬保?韪?据车辆实际行驶工况对模型参数进行调整。本节依旧使用1.3节中的万向电池模组，根据国标《GBT31484—2015电动汽车用动力蓄电池安全要求及试验方法》中的纯电动商用车充放电工况，且每隔15s采集一次，来模拟车辆实际行驶工况，以下简称实际工况。将实际工况数据按1.3节所述方式预处理，共包含27067个训练样本与11600个测试样本。当把实际工况测试样本数据直接代入1.4节中由恒流放电数据建立的LSTM模型测试时，最大绝对误差达到18.9%，如图8所示。因此现需根据实际工况数据，对LSTM模型参数进行调整。由于车辆实际使用中的SOC直接由BMS报文解析而来，故此SOC并不是真实值，不图5LSTM计算SOC框架Fig.5LSTMcalculationframeworkofSOC图6LSTM计算SOC误差Fig.6LSTMerrorofSOC图7LSTM实测数据误差Fig.7LSTMerrorofrealdata图8实际工况测试LSTM模型Fig.8TestLSTMunderactualworkingconditions1972
第6期王一全等：基于LSTM-DaNN的动力电池SOC估算方法式中，ht为当前时刻输出，ht-1为上一时刻输出，xt为当前时刻输入，fw为包含网络参数的映射函数。由式(2)可知，RNN实则是一个递归运算，当网络循环到最后一次输出ht时，其包含了h0~ht-1的所有信息。但是，当timestep很大时，在误差梯度从ht反向传播到h0的过程中，会受到timestep次幂的影响，产生梯度爆炸或梯度消失的问题，这说明RNN不具备长期记忆，而只具备短期记忆。为解决这一问题，在图1的RNN单元A中增加3个门控单元(gate)，分别是输入门(inputgate)、遗忘门(forgetgate)和输出门(outputgate)，如图2所示，便成为了长短期记忆(longshort-termmemory)循环神经网络结构，其网络结构如图3所示。图3中的3个σ函数分别控制着LSTM单元结构里的3个门，由σ函数式(3)可知σ(x)=11+e-x(3)其函数值在(0,1)范围内，可起到门控作用，表示让对应信息通过的权重，例如0表示“不让任何信息通过”，1表示“让所有信息通过”。故可将LSTM的门定义为gatef,i,o[ht-1,xt]=σ(Wf,i,o[ht-1,xt]+bf,i,o)(4)式中，f,i,o分别表示遗忘门、输入门和输出门，W,b是在不同门中网络需要学习的参数。将每个LSTM单元根据图3的结构整理为LSTM计算公式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
【参考文献】：
期刊论文
[1]基于LSTM循环神经网络的电池SOC预测方法[J]. 耿攀,许梦华,薛士龙. 上海海事大学学报. 2019(03)
[2]动力锂电池SOC估算方法综述[J]. 陈元丽,赵振东,陈素娟,张广辉. 汽车科技. 2019(05)
[3]估算锂电池SOC的基于LM的BP神经网络算法[J]. 姚芳,张楠,黄凯. 电源技术. 2019(09)
[4]基于遗传算法优化扩展卡尔曼滤波的锂电池SOC估计[J]. 周韦润,姜文刚. 重庆理工大学学报(自然科学). 2019(09)
[5]动力电池荷电状态(SOC)估算方法综述[J]. 胡耘. 汽车实用技术. 2019(08)
[6]基于模型的锂离子电池SOC及SOH估计方法研究进展[J]. 沈佳妮,贺益君,马紫峰. 化工学报. 2018(01)
硕士论文
[1]锂离子电池SOC估计方法研究[D]. 孙立珍.内蒙古工业大学 2019
[2]基于改进型神经网络动力电池SOC估计研究[D]. 杨云龙.电子科技大学 2019
本文编号：2925663
【文章来源】：储能科学与技术. 2020年06期
【文章页数】：7 页
【部分图文】：
RNN网络结构Fig.1RNNnetworkstructure
??莘植疾畋鸩淮蟆５惫こ逃τ檬保?韪?据车辆实际行驶工况对模型参数进行调整。本节依旧使用1.3节中的万向电池模组，根据国标《GBT31484—2015电动汽车用动力蓄电池安全要求及试验方法》中的纯电动商用车充放电工况，且每隔15s采集一次，来模拟车辆实际行驶工况，以下简称实际工况。将实际工况数据按1.3节所述方式预处理，共包含27067个训练样本与11600个测试样本。当把实际工况测试样本数据直接代入1.4节中由恒流放电数据建立的LSTM模型测试时，最大绝对误差达到18.9%，如图8所示。因此现需根据实际工况数据，对LSTM模型参数进行调整。由于车辆实际使用中的SOC直接由BMS报文解析而来，故此SOC并不是真实值，不图5LSTM计算SOC框架Fig.5LSTMcalculationframeworkofSOC图6LSTM计算SOC误差Fig.6LSTMerrorofSOC图7LSTM实测数据误差Fig.7LSTMerrorofrealdata图8实际工况测试LSTM模型Fig.8TestLSTMunderactualworkingconditions1972
第6期王一全等：基于LSTM-DaNN的动力电池SOC估算方法式中，ht为当前时刻输出，ht-1为上一时刻输出，xt为当前时刻输入，fw为包含网络参数的映射函数。由式(2)可知，RNN实则是一个递归运算，当网络循环到最后一次输出ht时，其包含了h0~ht-1的所有信息。但是，当timestep很大时，在误差梯度从ht反向传播到h0的过程中，会受到timestep次幂的影响，产生梯度爆炸或梯度消失的问题，这说明RNN不具备长期记忆，而只具备短期记忆。为解决这一问题，在图1的RNN单元A中增加3个门控单元(gate)，分别是输入门(inputgate)、遗忘门(forgetgate)和输出门(outputgate)，如图2所示，便成为了长短期记忆(longshort-termmemory)循环神经网络结构，其网络结构如图3所示。图3中的3个σ函数分别控制着LSTM单元结构里的3个门，由σ函数式(3)可知σ(x)=11+e-x(3)其函数值在(0,1)范围内，可起到门控作用，表示让对应信息通过的权重，例如0表示“不让任何信息通过”，1表示“让所有信息通过”。故可将LSTM的门定义为gatef,i,o[ht-1,xt]=σ(Wf,i,o[ht-1,xt]+bf,i,o)(4)式中，f,i,o分别表示遗忘门、输入门和输出门，W,b是在不同门中网络需要学习的参数。将每个LSTM单元根据图3的结构整理为LSTM计算公式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
【参考文献】：
期刊论文
[1]基于LSTM循环神经网络的电池SOC预测方法[J]. 耿攀,许梦华,薛士龙. 上海海事大学学报. 2019(03)
[2]动力锂电池SOC估算方法综述[J]. 陈元丽,赵振东,陈素娟,张广辉. 汽车科技. 2019(05)
[3]估算锂电池SOC的基于LM的BP神经网络算法[J]. 姚芳,张楠,黄凯. 电源技术. 2019(09)
[4]基于遗传算法优化扩展卡尔曼滤波的锂电池SOC估计[J]. 周韦润,姜文刚. 重庆理工大学学报(自然科学). 2019(09)
[5]动力电池荷电状态(SOC)估算方法综述[J]. 胡耘. 汽车实用技术. 2019(08)
[6]基于模型的锂离子电池SOC及SOH估计方法研究进展[J]. 沈佳妮,贺益君,马紫峰. 化工学报. 2018(01)
硕士论文
[1]锂离子电池SOC估计方法研究[D]. 孙立珍.内蒙古工业大学 2019
[2]基于改进型神经网络动力电池SOC估计研究[D]. 杨云龙.电子科技大学 2019
本文编号：2925663
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/2925663.html
教材专著
