论文部分内容阅读
荷电状态(State of Charge,SOC)是电池管理系统(Battery Management System,BMS)进行能量管控的基础,对其估计的准确度会直接影响使用锂电池的电子设备的可靠性。现有的SOC估计方在准确率和适用性上有改进的空间。针对SOC估计精度与估计泛化性的问题,本文设计了一种基于时间卷积网络的锂离子电池SOC估计模型,该模型在不同的电池数据集中均表现出优秀的估计精度,其中在CALCE电池公开数据集的估计效果超越了大多数先进的基于神经网络的SOC估计模型。本文的主要工作围绕以下几个方面展开:首先研究了正确估计SOC对电动汽车发展的重要性。从传统估计、滤波系列、神经网络系列三类模型的角度出发,分析了现有SOC估计模型的优缺点,进而提出设计一个更高精度、更强泛化性的基于时间卷积网络的锂离子电池SOC估计模型的研究目标。其次对所提出的时间卷积网络模型内部组件与功能进行了详细的说明,包括具有记忆性的膨胀因果卷积、阻止网络退化的残差跳连、增加非线性能力的激活函数、提高感受野的模型框架。同时分析了训练模型所使用的MAE、MSE、Huber损失函数与Adam优化算法。随后通过电池充放电试验,验证了放电电流、工作电压、工作温度、循环次数、内阻与锂电池SOC存在非线形关系,并根据实际应用需求选择了其中的放电电流、工作电压和工作温度作为时间卷积网络的输入项。为训练与验证所提出的模型,通过实验收集DST、US06、FUDS三种工况的电池放电数据,并收集了公开的NASA与CALCE电池数据集。此外,提出了电池数据的清洗与预处理算法,以提高训练效率。最后通过CALCE电池数据集证明了所提出模型对锂离子电池SOC估计的有效性,并且估计结果要优于大多数基于神经网络的SOC估计模型,其最优RMSE、MAE、MAPE分别可达0.30%、0.19%、1.47%。通过NASA数据集证明了所提出模型的泛化能力,其估计效果与CALCE数据集的估计结果相当。通过放电实验数据集证明了所提出模型在锂电池全周期放电情况下对SOC估计的准确性。最后以最优超参数组合为基准,探究了改变最佳超参数组合内的单个超参数对模型估计性能的负面影响。