基于特征选择和数据增强的电池荷电状态预测

现有基于神经网络的电池荷电状态(state of charge,SOC)预测研究大多把重点放在模型结构和相关参数的优化上,却忽略了训练数据的重要作用.针对该问题,文中提出了一种基于特征选择和数据增强的电池SOC预测方法.首先,方法根据原始电池充放电数据进行特征工程,并使用排列重要性(permutation importance,PI)方法选出对模型预测最有帮助的7个特征;其次,通过加入高斯噪声来扩大训练数据样本总量,达到数据增强的目的.实验使用双向长短时记忆网络(bidirectional long short-term memory,Bi-LSTM)作为预测模型,使用Panasonic 18650PF数据集作为训练数据.使用标准Bi-LSTM进行预测时,平均绝对误差(mean absolute error,MAE)和最大误差(max error,MaxE)分别为0.65%和3.92%,而在进行特征选择和数据增强后,模型预测的MAE和MaxE分别为0.47%和2.62%,表明PI特征工程与高斯数据增强方法可以进一步提升电池荷电状态预测模型的精度.

基于NARX神经网络的电池健康状态预测

动力电池作为电动汽车的核心,其健康状态(SOH)为表征电池能否正常工作的重要指标,表示电池当前的使用寿命及其可靠性,并直接影响电池的性能。准确估计电池的SOH能够预知锂离子电池的整体寿命,完善充放电策略,以避免电池滥用等故障的发生。为确保对动力电池的健康状态进行准确预测,文章选择与电池健康状态具备极强相关性的特征参数作为健康状态预测的健康因子,设计并训练NARX非线性自回归神经网络,通过建立不同的训练集和输入特征参数的对照组去分析对比训练集和输入参数带给预测结果的影响,获取精确的电池健康状态值,能够提高电动汽车的动力性。

电动汽车电池管理系统设计与优化

电池管理系统是电动汽车中至关重要的组成部分,能够保证电动汽车动力系统的稳定输出与安全行驶。该文分析了电池管理系统的主要功能和构成要素,以一个高压电池组为控制对象,对电池管理系统的硬件部分及软件控制系统进行设计,设计结束后通过电池管系统测试系统进行性能验证,对优化方法进行检验,以实现更高效、更安全的电动汽车电池管理系统。

基于LSTM-Attention的锂电池SoC预测

电池荷电状态(Stateof Charge,SoC)对新能源汽车安全行驶非常重要。文章提出一种基于长短期记忆网络(Long Short-Term Memory,LSTM)和注意力机制(Attention)的锂电池SoC预测方法。该方法将电池放电电流、电压、温度等电池工作历史参数作为输入,通过在LSTM神经网络中训练,并在LSTM神经网络中引入注意力机制,聚焦对当前SoC影响更大的历史参数,实现更为精确的锂电池SoC预测。实验证明,本方法比LSTM神经网络具有更好的预测性能,有较好的应用前景。

基于时空分布映射的大规模电池健康状态研究

针对传统方法难以对不间断电源系统、微网储能系统的蓄电池组进行高效准确的状态估计问题,提出了一种全新的基于数据驱动的方法应用于大规模电池的健康状态预测。首先,分析电池的历史数据,从电池健康状态(空间维度)和时间演变放电过程(时间维度)2个层面对电池状态进行有效聚类。其次,将数据分布映射到高维空间,设计相应的基于时空分布映射的电池健康状态预测深度神经网络模型。最后,实验模型验证了所提方法的有效性。