一种基于LSTM-RNN的脉冲大倍率工况下锂离子电池仿真建模方法

锂离子电池是电力系统中不可或缺的重要储能元件,脉冲大倍率工况下运行的锂离子电池具有单次放电时间短、放电循环多、状态变化频繁、非线性极化现象明显等特点。该文以脉冲大倍率工况下锂离子电池模型为研究对象,针对电化学模型和等效电路模型对模型依赖度高、模型参数难以获取以及脉冲大倍率工况下非线性极化现象导致拟合精度不足等问题,提出基于长短期记忆循环神经网络(long short term memory recurrent neural network,LSTM-RNN)以实现准确的锂离子电池建模。该方法利用LSTM-RNN的动态逼近和长时记忆能力,以获取脉冲大倍率工况下锂离子电池性能参数和电池端电压、荷电状态、电流、温度之间的非线性关系。在6种脉冲大倍率放电工况下对磷酸铁锂电池进行建模,实验结果表明,所提出的基于长短期记忆循环神经网络的锂离子电池模型均能够准确表征磷酸铁锂电池工作特性。

脉冲大倍率放电条件下磷酸铁锂电池荷电状态估计

以磷酸铁锂电池为研究对象,针对电池在脉冲大倍率放电条件下,模型参数变化较大、荷电状态(SOC)难以准确估计的问题,以电池的二阶RC等效电路模型为基础,通过递推最小二乘算法动态辨识模型的参数,建立电池的时变参数模型。再通过时变参数模型建立电池的状态方程和观测方程,并应用二次方根容积卡尔曼算法实现电池的SOC估计。这种SOC估算方式能够适应模型的参数改变,且具有对初值误差的修正能力。经实验验证,在脉冲大倍率放电工况下,所建的时变参数模型可以准确模拟电池端电压的变化,所采用的SOC估算策略,在初值存在较大误差的条件下,依然能够准确估算出电池的SOC。

基于改进LSTM的脉冲大倍率工况下锂电池SOC估计

锂离子电池是电力系统中不可或缺的重要储能元件。针对脉冲大倍率放电下锂离子电池荷电状态(State of Charge,SOC)预测问题,采用改进的长短期记忆循环神经网络(Long Short-term Memory,LSTM)搭建三元锂电池SOC预测模型。所用方法在原有LSTM基础上增加两个门控单元,通过增强LSTM内部输入和输出的交互,提高模型的动态逼近能力。在脉冲大倍率放电工况下,将所用方法与BP神经网络(Back Propagation,BP)、LSTM神经网络相比较,验证了算法在脉冲放电下的预测性能。实验结果表明,改进方法可准确表征三元锂电池工作特性,满足了SOC估计的实际需求。

不同荷电状态下的锂离子电池大倍率脉冲充电特性

为了进一步扩展锂电池的应用范围,以电磁发射场景中高功率能量回收为背景,研究了锂离子电池在不同荷电状态的大倍率脉冲充电特性。以准二维电化学模型为基础,通过优化扩散系数,建立了高功率锂电池大倍率脉冲充电模型,并利用该模型分析了锂电池在不同荷电状态下大倍率脉冲充电的镀锂过电位变化情况。通过对锂电池开展循环实验和事后分析,研究了锂电池在不同荷电状态下大倍率脉冲充电的老化行为和老化机理,该老化机理与仿真分析所得结果一致。以上研究结果不仅可以为锂电池在高功率能量回收场景中的应用提供参考,还可为快充型锂电池的优化提供参考。