基于DRSN-CW-LSTM网络的锂电池荷电状态预测

由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法基于长短期记忆网络(long-short-term memory,LSTM)和逐通道不同阈值的深度残差收缩网络(deep residual shrinkage networks with channel-wise thresholds,DRSN-CW),利用锂离子电池电压、电流、温度、容量等数据信息在深度残差收缩网路中进行特征提取,通过LSTM进一步拟合时间序列数据趋势,实现锂离子电池在使用周期内SOC的预测。在DRSN-CW网络的残差收缩模块中可以实现自适应噪声数据处理功能,消除锂离子电池数据流质量对SOC预测的负面影响。利用锂电池公共数据集训练所提出的网络,对比了3种神经网络模型在该两组数据集上的预测效果。实验结果表明,所提出的深度学习模型在两组公开数据集上的MAE和RMSE均值都控制在5%以内,相比其他3种深度学习模型有更好的抗噪性能和预测性能,且估算精度高。

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.

基于一维卷积神经网络与长短期记忆网络结合的电池荷电状态预测方法

针对电池荷电状态(SOC)预测的精确度与稳定性问题以及深层神经网络的梯度消失问题,提出一种基于一维卷积神经网络(1D CNN)与长短期记忆(LSTM)循环神经网络(RNN)结合的电池SOC预测方法——1D CNNLSTM模型。1D CNN-LSTM模型将电池的电流、电压和电阻映射到目标值SOC。首先,通过一层一维卷积层从样本数据中提取出高级数据特征,并充分地利用输入数据的特征信息;其次,使用一层LSTM层保存历史输入信息,从而有效地预防重要信息的丢失;最后,通过一层全连接层输出电池SOC预测结果。使用电池的多次循环充放电实验数据训练提出的模型,分析对比不同超参数设置下1D CNN-LSTM模型的预测效果,并通过训练模型来调节模型的权重系数和偏置参数,从而确定最优的模型设置。实验结果表明,1D CNN-LSTM模型具有准确且稳定的电池SOC预测效果。该模型的平均绝对误差(MAE)、均方误差(MSE)和最大预测误差分别为0.402 7%、0.002 9%和0.99%。

基于麻雀算法优化BP神经网络的电池荷电状态估算研究

电池荷电状态无法通过直接测量得到,传统的BP神经网络学习效率慢、预测精度误差较大。方法 为提高传统BP神经网络预测结果的精度,本文引入了麻雀算法优化BP神经网络实现对电池荷电状态的预测。结果 结合储能电池充放电数据集及MATLAB仿真实现基于麻雀算法的神经网络模型及BP神经网络模型预测,得到储能电池的容量预测曲线,并与实际容量曲线进行比较,进而计算得到模型评价指标。结论 结果表明SSA-BP神经网络网络模型相对于传统BP神经网络模型能够有效提高电池荷电状态的预测精度。

电动公交车电池荷电状态的Seq2Seq 预测方法

针对高维输入特征和长时预测需求下荷电状态预测困难的问题,提出一种电动公交车电池荷电状态的Seq2Seq预测方法.在电池状态的基础上引入车辆行驶状态和行驶工况,利用特征选择算法分析各因素对荷电状态的影响.以LSTM为基本单元结构,WN-Seq2Seq算法融合Seq2Seq与WaveNet循环结构,可以强化高维输入特征与预测荷电状态的序列信息记忆与表征能力,从而提高模型的预测精度.通过2021—2022年杭州市4辆电动公交车实际行驶数据验证表明,在引入车辆行驶状态和行驶工况后,WN-Seq2Seq模型的评价指标均方误差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和模型计算时间(MCT)分别为0.505%、0.479%、0.656%和0.017 s.研究结果表明相比传统模型,预测精度及稳定性都有所提升,在不同温度区间下都具有良好的预测效果,为电动公交车能耗控制策略、安全管理提供合理且可靠的参数决策支持.

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PSO-GRU的锂电池SoC预测

电池荷电状态(State of Charge,SoC)是预防新能源汽车电池过充或过放的重要指标。文章提出一种基于粒子群优化算法-门循环单元(Particle Swarm Optimization-Gate Recurrent Unit,PSO-GRU)的锂电池SoC预测方法。该方法使用粒子群优化算法优化GRU神经网络的超参数,可避免超参数使GRU神经网络训练产生局部最优问题。实验证明,设计方法比只使用GRU神经网络具有更好的预测性能。

基于数据驱动的锂离子电池荷电状态估计

针对锂离子电池荷电状态不可以直接测量的问题,提出一种通过测量电化学阻抗并采用机器学习算法进行估计的方案。根据锂离子电池阻抗特性,控制温度一定,选取特定频率下阻抗的实部、虚部和相角正切值作为特征参量,通过线性回归和BP神经网络的方法对数据进行训练并估计荷电状态,进行误差分析。

准抗毁化电源蓄电池SOC预测的GA-BP网络方法

针对蓄电池荷电状态的预测问题,从蓄电池荷电状态与其可直接测量的外特性参数之间不确定的非线性关系出发,依据BP网络映射功能使其可以以任意精确度逼近非线性函数、遗传算法的良好全局搜索寻找最优能力使其解决BP网络盲目选择初始权值、阈值的问题,并利用数值最优化LM算法训练BP网络使其解决BP网络收敛速度慢和容易陷入局部最小值的问题,提出了一种蓄电池荷电状态预测的遗传算法和BP网络相结合方法。设计了准抗毁化电源蓄电池荷电状态的BP网络和GA-BP网络预测模型。仿真结果表明,预测模型经过训练后,可以通过蓄电池的实时外特性参数预测蓄电池的实时荷电状态;GA-BP网络的收敛速度和预测精确度均优于BP网络。验证了GA-BP网络预测方法的有效性。

基于分布估计算法LSSVM的锂电池SOC预测

基于最小二乘支持向量机(LSSVM)的锂电池荷电状态(SOC)预测模型收敛速度快且得到的是全局最优解,具有较强的预测能力,然而最小二乘支持向量机的参数选择会对预测结果产生较大的影响,因此提出了基于分布估计算法(EDA)最小二乘支持向量机的锂电池SOC预测方法。以锂电池工作电压、电流以及温度为输入量,电池SOC为输出量使用LSSVM建立非线性系统模型,并利用分布估计算法对模型正则化参数λ和径向基核宽度μ进行优化,从而得到最优模型。仿真结果表明,与常规的锂电池SOC预测模型相比,本文提出的EDA-LSSVM方法具有较高的SOC预测精度。

用于电动汽车电池SOC预测的BP神经网络模型

为破解目前电动汽车用电池剩余电量准确预测这一难题,在对影响电动汽车动力电池荷电状态(SOC)估算结果的相关因素分析基础上,建立一种用于电动汽车电池SOC预测的反向传播(BP)神经网络模型,首次提出蝙蝠-粒子群算法优化训练BP神经网络.仿真实验结果表明:该方法能方便、快速、准确地实现对电动汽车动力电池SOC预测,提高电动汽车动力电池的能量效率,延长动力电池的使用寿命,对于电动汽车的推广应用与发展具有较好的指导价值.

基于GA-F-RBF神经网络的磷酸铁锂电池SOC预测研究

针对动力电池荷电状态的预测精度问题,提出基于遗传算法的弹性径向基函数神经网络动力电池荷电状态预测方法。该预测方法基于神经元的活跃度与神经元间的信息交互强度在线调整神经网络结构的大小,解决了径向基函数神经网络的结构调整影响荷电状态的预测精度问题。仿真结果证明,该方法比基于遗传算法的径向基函数神经网络的荷电状态预测结果精度更高,预测更加准确,能满足蓄电池管理系统对磷酸铁锂动力电池荷电状态预测的精度和实际使用的要求。

基于AFSA-RBF神经网络的电动汽车动力电池SOC预测

传统的电池荷电状态(State of Charge,SOC)估计方法是基于精确的数学模型,它依赖于大量的建模假设和经验参数,故模型预测SOC精度是有限的;为了提高动力电池SOC预测的精度,提出利用人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化径向基神经网络(RBF)对SOC进行预测,解决了RBF网络参数选择的不确定性;仿真实验结果表明:方法能方便、快速、准确地实现对SOC的预测,且具有实际使用价值。

船舶动力能源锂电池电量优化估计

船用锂电池是新能源船舶的重要设备,锂电池SOC是船舶可靠安全运行方面的重要依据。由于锂电池具有非线性特点以及复杂的外部工况,如何快速精确的预测锂电池SOC电量是需要研究的重要问题。提出利用锂电池电化学模型,分析锂电池内部反应过程和锂离子扩散形态,在浓溶液理论和平均理论的条件下,使用有限差分法对扩散过程进行离散,从而简化动力学模型。利用上述模型搭建了实验平台,并用卡尔曼滤波方法对电池的SOC进行实时估计,选择混合动力船舶实验室各类船舶工况数据对预测方法进行仿真验证。仿真结果表明,利用降阶电化学模型结合卡尔曼滤波方法能提高船用锂电池SOC预测精度。

基于LabVIEW的锂电池SOC预估与参数监测系统

针对电动汽车电池荷电状态(SOC)估算不准确的问题,采用列文伯格—马夸尔特(LM)算法搭建了电池SOC动态预测模型,并充分考虑了电池电压、电流、温度等影响因素。采集系统通过串口与LabVIEW监测系统进行通信,实现了电池数据的分析。利用MATLAB将采集的电池数据用于模型实验,实验结果表明:利用搭建的模型预测电池的SOC提高了预测精度,具有普适性。

基于改进无迹卡尔曼滤波法的大容量电池储能系统SOC预测

大容量电池储能系统的荷电状态(state of charge,SOC)是电池管理系统(battery management system,BMS)的重要参数,必须准确预测,由于电池单体存在较强的差异性,传统的SOC预测技术很难达到准确预测的效果。针对上述问题,提出基于改进无迹卡尔曼滤波法(unscented Kalman filter,UKF)的大容量电池储能系统SOC预测方法,利用遗传算法(genetic algorithm,GA)优化无迹卡尔曼滤波的滤波参数,进一步提高SOC的预测精度。在设定工况下对串联型电池储能系统进行仿真实验,仿真结果表明该文提出的改进无迹卡尔曼滤波方法可以获得有效可靠的SOC预测结果,具有良好的工程应用前景。

基于SOC预测的火储联合调频控制策略

随着常规火电机组和储能系统联合参与调频在电力系统中取得规模化应用,储能系统和火电机组联合调频控制策略成为二次调频的关键问题。基于两阶段储能荷电状态(state of charge,SOC)实时预测方法,对调频系统完成跟踪自动发电控制(automatic generation control,AGC)指令后的荷电状态进行主动预测;参考预测所得SOC数据和AGC指令,得到兼顾系统调频能力及储能SOC状态的联合前馈控制指令,确定火电机组和储能系统不同状态下的出力目标,实现储能和火电机组对AGC指令跟踪的互补协调运行。同时,在储能系统内部引入基于荷电状态的储能单体均衡策略,优化储能系统SOC一致性,提升储能系统整体动作深度。在MATLAB/Simulink中构建联合调频典型场景,对所提控制策略进行仿真验证。结果表明,所提控制策略在优化AGC指令跟踪效果、提升系统综合调频指标及改善储能单体SOC状态等方面具有显著优势。