基于双向长短时记忆网络的电池荷电状态估计研究

作     者：朱月凡 

作者单位：南京邮电大学 

学位级别：硕士

导师姓名：蒋国平

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：电池荷电状态 深度学习 双向长短时记忆网络 特征选择 排列重要性 高斯数据增强 

摘      要：随着电动汽车的迅速发展,锂离子电池及其对应的电池管理系统(Battery Manage System,BMS)的相关技术越发受到研究者们的关注,精确的电池荷电状态(State of Charge,SOC)估计可以让电池管理系统对电池所处状态有着清晰的了解,从而对电池系统进行合理的管理,防止电池过充过放带来的电池寿命减少问题,以及电池过热带来的安全问题。因此,本文针对目前电池荷电状态估计精度较低问题,基于双向长短时记忆网络(Bi-directional Long Short-Term Memory,Bi-LSTM)这一深度学习模型,从数据优化和模型优化角度来提升SOC估计的精度。(1)针对目前电池荷电状态估计精度较低问题,本文使用循环神经网络的变种Bi-LSTM模型来对SOC进行估计。为了使研究的结果具有现实意义,本文使用的数据集是在各种不同的工况,不同的温度下进行充放电实验得到的。首先搭建好Bi-LSTM模型,将处理好的电池数据划分为训练集、验证集和测试集后进行训练。通过与循环神经网络(Recurrent Neural Network,RNN)和长短时记忆网络(Long Short-Term Memory,LSTM)模型的对比,验证了Bi-LSTM模型拥有更好的SOC估计效果。其次本文又进一步研究了不同隐藏层神经元个数、隐藏层层数、学习率和输入数据序列长度对模型性能的影响,最后通过实验验证了该模型同样适用于其他固定环境温度以及可变环境温度下的SOC估计。(2)针对Bi-LSTM模型对原始数据挖掘不足以及原始数据量较少问题,本文提出两种数据优化的方法:特征选择和高斯数据增强。首先对原始数据进行特征工程,共制作出14个特征,其次使用排列重要性方法(Permutaion Importance,PI)选择了7个重要特征,Bi-LSTM模型使用这7个特征进行训练时,SOC的估计精度有了较大提升,这证明了PI特征选择的有效性。最后,通过给原始数据添加高斯噪声获取了更多有效的数据来平滑输入空间,进一步提升了Bi-LSTM模型的SOC估计精度,证明了高斯数据增强方法的有效性。(3)针对Bi-LSTM在电池荷电状态估计中无法发挥其能利用未来信息这一优势问题,本文提出一种基于时延二次估计(Time Delay Second Estimation,TDSE)的模型Bi-LSTM-TDSE,该模型可以利用过去时刻的SOC估计结果对当前时刻的SOC估计结果进行调整以获得更精确的SOC估计值。该方法也为时间序列估计问题提供了新的思路。综上,本文针对目前电池荷电状态估计精度较低问题,在基于Bi-LSTM模型的基础上,又结合了特征选择、高斯数据增强和时延二次估计方法,有效的提升了电池荷电状态的估计精度。这为电池管理系统实现精密化管理提供了算法基础,在未来的电动汽车领域有着广阔的应用前景。