基于数据驱动的锂电池状态及剩余充电时间估计方法研究

作     者：于程程 

作者单位：烟台大学 

学位级别：硕士

导师姓名：牟健慧

授予年度：2024年

学科分类：0808[工学-电气工程] 08[工学] 

主      题：锂电池 数据驱动 深度学习 状态联合估计 剩余充电时间 迁移学习 

摘      要：随着新能源汽车的迅速普及,锂电池因其优异的充放电性能而成为新能源汽车的首选动力来源,被广泛应用其中。为确保电池的稳定高效运行以及延长电池循环寿命,高效的电池管理系统(Battery Management System,BMS)至关重要。在BMS中,荷电状态(State of Charge,SOC)、能量状态(State of Energy,SOE)以及剩余充电时间(Remaining Charge Time,RCT)是其监测关键指标,直接影响电池的运行安全性和稳定性。因此,本文提出了基于数据驱动框架的方法,以实现准确的电池状态联合估计(SOC与SOE)和RCT估计。并通过实验室锂电池充放电实验和实车充电实验验证了该方法的有效性,主要展开以下工作: (1)针对锂电池运行场景复杂多变下联合估计模型精度低的问题,提出了基于CNN-Bi LSTM的SOC与SOE联合估计模型。通过融合卷积神经网络(Convolutional Neural Network,CNN)和双向长短时记忆网络(Bidirectional Long Short-Term Memory,Bi LSTM),设计了合理的CNN-Bi LSTM网络框架,以更有效地捕捉电池充放电过程中的时空信息,提高估计模型的精度。此外,在输入数据中采用了滑动窗口技术对其进行切割,形成“多时域输入结构,使得模型更好的学习不同时序内的数据特征。最后,在恒温充、放电场景下进行了12组实验验证,并且在变温条件下对比了LSTM、Bi LSTM等三个深度模型的估计性能。结果表明,CNN-Bi LSTM在不同应用场景下SOC与SOE的平均RMSE分别为0.56%和0.59%。 (2)针对不同区间和电池数据间存在的分布不一致性,导致模型的适应性差的问题,提出了一种基于迁移学习(Transfer Learning,TL)的CNN-Bi LSTM模型。首先,利用源域数据进行训练,得到预训练模型。然后,采用基于模型的迁移学习方法对模型进行微调,以使其适应于目标数据集。最后,通过在不同放电区间和不同类型电池的数据上验证模型的泛化能力,并与未迁移学习模型性进行了12组实验对比。实验结果表明,基于CNN-Bi LSTM-TL模型SOC与SOE的平均RMSE分别降低了0.91%和1.15%。 (3)在(1)和(2)准确估计的基础上,针对真实充电场景的多变性和充电过程的复杂性,提出了一种基于深度学习的多场景充电数据估计框架,用于估计RCT。通过深入对多场景充电数据进行分析,采用具有较强泛化能力的时间卷积网络(Temporal Convolutional Network,TCN)模型来估计RCT。针对电池系统的非线性特性,基于动态学习率(Dynamic Learning Rate,DLR)机制和早期停止策略(Early Stop,ES),设计了DLR-ES-TCN模型,以平衡模型收敛速度和精度之间的关系。最后,在多场景多模型下进行了5组实验验证。结果表明,DLR-ES-TCN方法具有更高的精度和泛化能力,其MAPE最大为1.82%。