原文传递
基于数据驱动模型的电池SOC自适应估计方法研究
| 论文题名： | 基于数据驱动模型的电池SOC自适应估计方法研究 |
| 关键词： | 纯电动汽车;锂电池;荷电状态;自适应估计;增量学习;支持向量回归 |
| 摘要： | 锂电池由于具有能量密度高、环保等优点，成为纯电动汽车主要的能量存储介质。荷电状态（State of charge,SOC）是电池最重要的参数之一。精确地估计SOC有助于改善能量的使用效率，避免过充过放的发生，延长电池的工作寿命。锂电池是一个高度复杂的非线性时变系统，受环境温度的影响较大。驾驶电动汽车的过程是重复加速和减速的动态过程。这些因素造成的数据分布差异给SOC的准确估计带来了困难。实际中，由于电池自身的变化和使用工况的复杂性，不同条件下的数据分布存在较大的差异，测试集与训练集的数据分布不一致就会影响电池SOC估计模型的可靠性。当电池数据分布发生动态变化时，使用先前数据训练得到的SOC估计模型的预测效果将不可避免的下降。针对此问题，研究了SOC估计的自适应算法，在变化工作条件下实现SOC准确估计。论文主要完成以下几方面的工作： （1）实验重点研究温度、充放电倍率和电池老化对容量的影响。根据对可测参数的研究确定数据驱动方法的输入特征。将温度和放电倍率引入到SOC真实值标定中，提出更加符合实际情况的动态充放电效率计算方式。 （2）增强SOC估计模型对工作条件变化的适应性。将增量支持向量回归算法应用到SOC估计中，增量学习新增数据集适应工作条件的变化。为提高增量学习的效率，改进样本遗忘机制，结合误差驱动原则和样本加权采样方法剔除重复样本和随机样本。 （3）考虑到增量支持向量回归在增量学习过程中会发生对历史数据的遗忘，将增量LSTM算法应用到SOC估计中。基于LSTM的遗忘门压缩历史序列数据，引入粒子滤波算法学习网络参数，将当前增量模型的历史压缩信息和粒子群状态用于后续学习。重点研究分类重采样技术以解决参数学习中的采样枯竭问题。 最后，本文基于不同温度和工况下的放电数据进行仿真实验。结果表明在工作条件变化时电池数据分布发生的概念漂移现象导致了传统模型估计SOC效果下降，增量支持向量回归模型通过增量学习新增数据集将平均绝对误差从1%减小到0.5%以下。通过样本遗忘机制，增量支持向量回归模型在提高学习效率的同时将SOC平均绝对误差进一步减少0.044%。实验还将增量支持向量回归和增量LSTM算法进行对比，证明了在持续学习多种工作条件下的数据集后，增量LSTM能对历史数据集保持更好的记忆特性。 |
| 作者： | 孙智豪 |
| 专业： | 仪器科学与技术 |
| 导师： | 谢华 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
