基于数据驱动的电动汽车剩余容量预测

作     者：吕涵峰 

作者单位：盐城工学院 

学位级别：硕士

导师姓名：吴冬春;王林

授予年度：2024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] 08[工学] 081104[工学-模式识别与智能系统] 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：电动汽车 电池剩余容量预测 BiLSTM-Attention模型 CNN-LSTM模型 CNN-DBiLSTM-Attention模型 

摘      要：由于电动汽车运行工况不同和电池个体单元的差异,监测电动车汽车电池参数,评估电池剩余容量,对于电动汽车的正常行驶里程评估和电池充电预警具有重要应用价值。本文从数据驱动角度研究了电动汽车电池剩余容量预测方法,以锂电池为研究对象,主要进行了以下研究工作: （1）电动汽车电池相关采样数据是时序数据,数据耦合关系复杂,因此电动汽车电池剩余容量预测是一个复杂的非线性事件。双向长短期记忆网络模型（BiLSTM）可以在给定时间内同时提取前向和后向的关键信息。注意力机制可以快速从大量电动汽车电池剩余容量信息中提取更有效的信息,减少无效信息对模型训练效果的影响。因此基于注意力机制的双向长短期记忆网络模型（BiLSTM-Attention）进行锂电池剩余容量预测是一个可行的选择。在NASA公开提供的电池数据集上,利用BiLSTM-Attention模型进行了电动汽车电池剩余容量预测,并根据实验数据对该模型进行性能评估。实验结果表明,相比较LSTM模型、BiLSTM模型和LSTM-Attention模型,基于BiLSTM-Attention的电动汽车电池剩余容量预测模型在四组电池数据集上的RMSE平均降低了29.23%,MAE平均降低了28.33%,R平均提高了16.75%。 （2）为了提高电池剩余容量预测模型的计算效率和预测精度,针对BiLSTM-Attention模型难以完全并行化的问题,考虑使用卷积神经网络模型（CNN）进行优化。利用CNN模型在提取局部特征方面非常有效且可以并行处理数据的特点,本章提出一种基于卷积长短期记忆网络模型（CNN-LSTM）的电动汽车电池剩余容量预测模型,该模型引入CNN模型对输入数据的空间特征进行高效提取的特点,从而提升模型在处理数据时的准确性和效率。采用和BiLSTM-Attention模型相同的数据集进行实验,实验数据表明,相比较BiLSTM-Attention模型,基于CNN-LSTM的电动汽车电池剩余容量预测模型的RMSE降低8.5%,MAE降低21.4%,R提高6.3%,运行时间缩短21秒。 （3）为了有效提取电池数据集的高维特征,在考虑电动汽车电池剩余容量关联因素复杂耦合特性的前提下,进一步优化电动汽车剩余容量预测精度,提出了一种基于注意力机制的卷积深度双向长短期记忆网络模型（CNN-DBiLSTM-Attention）的电动汽车电池剩余容量预测模型。该模型结合了注意力机制、CNN模型和BiLSTM模型的优点,并通过深层次的双向LSTM模型进一步增强了模型的性能,能够有效学习电动汽车电池相关时间序列数据的动态特征。首先利用CNN模型提取历史电动汽车电池特征数据,对所提出的时间序列特征的动态变化进行建模和学习,然后将其输入到深层次的双向LSTM模型进行训练。实验结果表明,相比较BiLSTM-Attention模型和CNN-LSTM模型,CNN-DBiLSTM-Attention模型的RMSE分别降低21.3%和15.1%,MAE分别降低45.9%和31.3%,R分别提高16.4%和9.4%。