原文传递
基于贝叶斯优化的LSTM模型在动力电池SoC估算中的应用
| 论文题名： | 基于贝叶斯优化的LSTM模型在动力电池SoC估算中的应用 |
| 关键词： | 电动汽车;动力电池;荷电状态;估算精度;数据处理;长短期记忆网络;贝叶斯优化 |
| 摘要： | 随着经济的发展和人民生活水平的提高，汽车逐步进入千家万户。汽车普及率的上升，也必然会引起环境污染、能源短缺等问题。电动汽车作为一种新型的低碳、环保型交通工具，是解决当前能源短缺和大气污染最有效的途径，电动汽车取代传统的化石燃料汽车已经成为一种必然的趋势。 目前，在电动汽车的研究过程中，仍存在许多急需解决的技术难题。荷电状态（State of Charge，SoC）作为动力电池管理系统中最重要的参数之一，其数值的准确估算，有助于提高电池的利用率，延长电池的使用寿命，可作为预测车辆剩余行驶里程的重要依据。因此，SoC的准确估算是目前急需解决的关键问题之一。本文在分析了现有的动力电池SoC估算方法的基础上，开展了基于贝叶斯优化的长短期记忆网络模型（LongShort-Term Memory，LSTM）在动力电池SoC估算中的研究。本文的研究工作及成果包括： （1）前馈神经网络在对动力电池SoC进行估算时，只考虑了输入和输出之间的关系，导致估算结果精度不高。本文提出基于LSTM的动力电池SoC估算模型，该模型充分考虑数据的时序性特点，在对本时刻SoC估算时会充分考虑本时刻以及过去时刻的输入。实验结果表明，本文提出的基于LSTM的动力电池SoC估算模型误差为3%左右，满足电动汽车对动力电池SoC估算误差小于8%的要求，且各项指标均优于其余三种模型，验证了基于LSTM的动力电池SoC估算模型具有更高的精度。 （2）针对LSTM模型训练过程中超参数调优和时间效率问题，引入贝叶斯优化算法（Bayesian Optimization，BO）进行超参数优化。贝叶斯优化方法基于贝叶斯定理，在选择下一组超参数时可以充分利用之前的评价信息，减少对超参数的尝试次数。通过与多种超参数优化算法进行对比实验，实验结果表明本文提出的基于贝叶斯优化的LSTM的动力电池估算模型，训练时间更短，优化后的模型预测精度更高，泛化能力更强。 （3）基于本文提出的SoC估算方法，设计并实现了动力电池SoC估算原型系统。该系统不仅有效的加强了对动力电池数据的管理，而且可以做到对估算结果的实时显示。 |
| 作者： | 马梓程 |
| 专业： | 计算机技术 |
| 导师： | 陈伟鹤 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2020 |
| 正文语种： | 中文 |
检索历史
应用推荐
