论文部分内容阅读
随着经济的发展和人民生活水平的提高,汽车逐步进入千家万户。汽车普及率的上升,也必然会引起环境污染、能源短缺等问题。电动汽车作为一种新型的低碳、环保型交通工具,是解决当前能源短缺和大气污染最有效的途径,电动汽车取代传统的化石燃料汽车已经成为一种必然的趋势。目前,在电动汽车的研究过程中,仍存在许多急需解决的技术难题。荷电状态(State of Charge,SoC)作为动力电池管理系统中最重要的参数之一,其数值的准确估算,有助于提高电池的利用率,延长电池的使用寿命,可作为预测车辆剩余行驶里程的重要依据。因此,SoC的准确估算是目前急需解决的关键问题之一。本文在分析了现有的动力电池SoC估算方法的基础上,开展了基于贝叶斯优化的长短期记忆网络模型(Long Short-Term Memory,LSTM)在动力电池SoC估算中的研究。本文的研究工作及成果包括:(1)前馈神经网络在对动力电池SoC进行估算时,只考虑了输入和输出之间的关系,导致估算结果精度不高。本文提出基于LSTM的动力电池SoC估算模型,该模型充分考虑数据的时序性特点,在对本时刻SoC估算时会充分考虑本时刻以及过去时刻的输入。实验结果表明,本文提出的基于LSTM的动力电池SoC估算模型误差为3%左右,满足电动汽车对动力电池SoC估算误差小于8%的要求,且各项指标均优于其余三种模型,验证了基于LSTM的动力电池SoC估算模型具有更高的精度。(2)针对LSTM模型训练过程中超参数调优和时间效率问题,引入贝叶斯优化算法(Bayesian Optimization,BO)进行超参数优化。贝叶斯优化方法基于贝叶斯定理,在选择下一组超参数时可以充分利用之前的评价信息,减少对超参数的尝试次数。通过与多种超参数优化算法进行对比实验,实验结果表明本文提出的基于贝叶斯优化的LSTM的动力电池估算模型,训练时间更短,优化后的模型预测精度更高,泛化能力更强。(3)基于本文提出的SoC估算方法,设计并实现了动力电池SoC估算原型系统。该系统不仅有效的加强了对动力电池数据的管理,而且可以做到对估算结果的实时显示。