原文传递
基于LSTM神经网络适应小样本数据的动力电池SOC估算研究
| 论文题名： | 基于LSTM神经网络适应小样本数据的动力电池SOC估算研究 |
| 关键词： | 动力电池;小样本数据;SOC;LSTM;神经网络 |
| 摘要： | 动力电池作为电动汽车的能量载体和动力来源。电池荷电状态(StageofCharge，SOC)是反映动力电池的剩余容量的参数，其取值范围在0-1之间，SOC关乎于电池的工况监测与使用寿命，是动力电池重要的参数。动力电池SOC值通常情况下不能直接得到，只能通过动力电池的状态参数包括电压、电流或内阻建立与电池SOC的联系估算得到。本文选择的研究方法是数据支撑类方法的神经网络法，研究条件是在适应小样本数据的条件下实现动力电池SOC估算，这种条件下对动力电池SOC估算的准确性和实时性具有重要的研究意义与实用价值。本文具体的研究内容如下: 1.首先阐明了动力电池的结构与原理，分析了动力电池SOC估算方法的研究现状，将估算SOC的方法进行了归类，讨论了各种方法的优缺点，确定本文所采用的研究方法。 2.对所选取的18650单体锂电池进行了实验测试与特性分析，根据GB/T31485-2015和GB/T38661-2020对于动力电池实验测试的标准要求，进行了试验平台的搭建、实验方案设计和对实验数据的处理。对充电和放电状态下电池的特性进行了分析，包括电压、电流、充放电倍率和温度对于电池的影响状况。此外本文为了明确以上参数对电池SOC的相关程度，进行了灵敏度分析，确定与电池SOC的相关参数。 3.在标准的LSTM神经网络的模型下进行了对动力电池SOC的估算研究，构造了基于LSTM神经网络关于电池SOC估算模型，并对基于LSTM神经网络SOC估算模型进行了结果分析。在此基础上，本文优化了LSTM神经网络的更新规则，提出了基于LSTM神经网络适应小样本数据估算电池SOC的模型，使之能够在小样本数据的基础上实现对电池SOC进行准确快速的估算，对比在不同的神经网络下对电池SOC的估算准确度，得出本文所采用研究方法的优点。 结论表明:对比其他的估算方法，基于LSTM神经网络适应于小样本数据的SOC估算方法，具有准确且稳定的电池SOC估算效果。在充电过程中基于LSTM适应小样本神经网络估算误差的均方差误差MSE、平均绝对误差MAE、标准误差SE分别到达了0.0029％，0.12％和0.18％的水平。在放电过程中这种网络结构的估算误差的MSE、MAE和SE分别达到了0.0015％、0.15％和0.22％的水平。 |
| 作者： | 赵杨 |
| 专业： | 机械工程 |
| 导师： | 刘志强;王六闫 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长沙理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
