針對(duì)動(dòng)力電池荷電狀態(tài)（state of charge, SOC）的估算問題,利用長(zhǎng)短期記憶（LSTM）循環(huán)神經(jīng)網(wǎng)絡(luò)建立SOC估算模型,以實(shí)驗(yàn)室恒流放電數(shù)據(jù)訓(xùn)練模型并測(cè)試,測(cè)試最大絕對(duì)誤差為2.7%。進(jìn)一步以FSEC賽車電池實(shí)測(cè)數(shù)據(jù)驗(yàn)證,最大測(cè)試誤差為3.9%。但在工程應(yīng)用時(shí),考慮到實(shí)際運(yùn)行過(guò)程中的環(huán)境復(fù)雜性以及不同駕駛習(xí)慣對(duì)動(dòng)力電池造成的不一致性,需要根據(jù)車輛實(shí)際行駛工況數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練與測(cè)試,但是由于該數(shù)據(jù)中的SOC直接由BMS報(bào)文解析而來(lái),無(wú)法確定BMS內(nèi)的SOC算法是否準(zhǔn)確,故不能直接用作訓(xùn)練模型時(shí)的標(biāo)簽,此時(shí)需計(jì)算出正確的訓(xùn)練標(biāo)簽或借助已有標(biāo)簽的模型,在其基礎(chǔ)上根據(jù)實(shí)際運(yùn)行數(shù)據(jù)對(duì)其模型參數(shù)進(jìn)行動(dòng)態(tài)調(diào)整。為解決無(wú)標(biāo)簽數(shù)據(jù)的訓(xùn)練問題,本文采取第二種方法,首次提出將遷移學(xué)習(xí)中的領(lǐng)域自適應(yīng)網(wǎng)絡(luò)（DaNN）與LSTM組合形成LSTM-DaNN的SOC估算算法,利用有標(biāo)簽數(shù)據(jù)預(yù)先訓(xùn)練好LSTM模型,再將其模型參數(shù)遷移至LSTM-DaNN,最后綜合有標(biāo)簽與無(wú)標(biāo)簽數(shù)據(jù)一起對(duì)LSTM-DaNN模型進(jìn)行訓(xùn)練。測(cè)試結(jié)果表明LSTM-DaNN可以在沒有實(shí)際行駛工況標(biāo)簽（SOC）的情況下完成訓(xùn)練,最大測(cè)... 

【文章來(lái)源】：儲(chǔ)能科學(xué)與技術(shù). 2020年06期

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

RNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.1RNNnetworkstructure

??莘植疾畋鴆淮蟆５憊こ逃τ檬保?韙?據(jù)車輛實(shí)際行駛工況對(duì)模型參數(shù)進(jìn)行調(diào)整。本節(jié)依舊使用1.3節(jié)中的萬(wàn)向電池模組，根據(jù)國(guó)標(biāo)《GBT31484—2015電動(dòng)汽車用動(dòng)力蓄電池安全要求及試驗(yàn)方法》中的純電動(dòng)商用車充放電工況，且每隔15s采集一次，來(lái)模擬車輛實(shí)際行駛工況，以下簡(jiǎn)稱實(shí)際工況。將實(shí)際工況數(shù)據(jù)按1.3節(jié)所述方式預(yù)處理，共包含27067個(gè)訓(xùn)練樣本與11600個(gè)測(cè)試樣本。當(dāng)把實(shí)際工況測(cè)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(cè)試時(shí)，最大絕對(duì)誤差達(dá)到18.9%，如圖8所示。因此現(xiàn)需根據(jù)實(shí)際工況數(shù)據(jù)，對(duì)LSTM模型參數(shù)進(jìn)行調(diào)整。由于車輛實(shí)際使用中的SOC直接由BMS報(bào)文解析而來(lái)，故此SOC并不是真實(shí)值，不圖5LSTM計(jì)算SOC框架Fig.5LSTMcalculationframeworkofSOC圖6LSTM計(jì)算SOC誤差Fig.6LSTMerrorofSOC圖7LSTM實(shí)測(cè)數(shù)據(jù)誤差Fig.7LSTMerrorofrealdata圖8實(shí)際工況測(cè)試LSTM模型Fig.8TestLSTMunderactualworkingconditions1972

第6期王一全等：基于LSTM-DaNN的動(dòng)力電池SOC估算方法式中，ht為當(dāng)前時(shí)刻輸出，ht-1為上一時(shí)刻輸出，xt為當(dāng)前時(shí)刻輸入，fw為包含網(wǎng)絡(luò)參數(shù)的映射函數(shù)。由式(2)可知，RNN實(shí)則是一個(gè)遞歸運(yùn)算，當(dāng)網(wǎng)絡(luò)循環(huán)到最后一次輸出ht時(shí)，其包含了h0~ht-1的所有信息。但是，當(dāng)timestep很大時(shí)，在誤差梯度從ht反向傳播到h0的過(guò)程中，會(huì)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(shuō)明RNN不具備長(zhǎng)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(gè)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(zhǎng)短期記憶(longshort-termmemory)循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。圖3中的3個(gè)σ函數(shù)分別控制著LSTM單元結(jié)構(gòu)里的3個(gè)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(duì)應(yīng)信息通過(guò)的權(quán)重，例如0表示“不讓任何信息通過(guò)”，1表示“讓所有信息通過(guò)”。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(luò)需要學(xué)習(xí)的參數(shù)。將每個(gè)LSTM單元根據(jù)圖3的結(jié)構(gòu)整理為L(zhǎng)STM計(jì)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(xiàn)】：
期刊論文
[1]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的電池SOC預(yù)測(cè)方法[J]. 耿攀,許夢(mèng)華,薛士龍.  上海海事大學(xué)學(xué)報(bào). 2019(03)
[2]動(dòng)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(luò)算法[J]. 姚芳,張楠,黃凱.  電源技術(shù). 2019(09)
[4]基于遺傳算法優(yōu)化擴(kuò)展卡爾曼濾波的鋰電池SOC估計(jì)[J]. 周韋潤(rùn),姜文剛.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2019(09)
[5]動(dòng)力電池荷電狀態(tài)(SOC)估算方法綜述[J]. 胡耘.  汽車實(shí)用技術(shù). 2019(08)
[6]基于模型的鋰離子電池SOC及SOH估計(jì)方法研究進(jìn)展[J]. 沈佳妮,賀益君,馬紫峰.  化工學(xué)報(bào). 2018(01)

碩士論文
[1]鋰離子電池SOC估計(jì)方法研究[D]. 孫立珍.內(nèi)蒙古工業(yè)大學(xué) 2019
[2]基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)動(dòng)力電池SOC估計(jì)研究[D]. 楊云龍.電子科技大學(xué) 2019



本文編號(hào)：2925663