针对动力电池荷电状态(state of charge,SOC)的估算问题,利用长短期记忆(LSTM)循环神经网络建立SOC估算模型,以实验室恒流放电数据训练模型并测试,测试最大绝对误差为2.7%。进一步以FSEC赛车电池实测数据验证,最大测试误差为3.9%。但在...针对动力电池荷电状态(state of charge,SOC)的估算问题,利用长短期记忆(LSTM)循环神经网络建立SOC估算模型,以实验室恒流放电数据训练模型并测试,测试最大绝对误差为2.7%。进一步以FSEC赛车电池实测数据验证,最大测试误差为3.9%。但在工程应用时,考虑到实际运行过程中的环境复杂性以及不同驾驶习惯对动力电池造成的不一致性,需要根据车辆实际行驶工况数据对其进行训练与测试,但是由于该数据中的SOC直接由BMS报文解析而来,无法确定BMS内的SOC算法是否准确,故不能直接用作训练模型时的标签,此时需计算出正确的训练标签或借助已有标签的模型,在其基础上根据实际运行数据对其模型参数进行动态调整。为解决无标签数据的训练问题,本文采取第二种方法,首次提出将迁移学习中的领域自适应网络(DaNN)与LSTM组合形成LSTM-DaNN的SOC估算算法,利用有标签数据预先训练好LSTM模型,再将其模型参数迁移至LSTM-DaNN,最后综合有标签与无标签数据一起对LSTM-DaNN模型进行训练。测试结果表明LSTM-DaNN可以在没有实际行驶工况标签(SOC)的情况下完成训练,最大测试误差为4.8%,相比模型自适应调整前误差下降了14.1%,且保证绝对误差<5%,满足实际需求。展开更多
文摘针对动力电池荷电状态(state of charge,SOC)的估算问题,利用长短期记忆(LSTM)循环神经网络建立SOC估算模型,以实验室恒流放电数据训练模型并测试,测试最大绝对误差为2.7%。进一步以FSEC赛车电池实测数据验证,最大测试误差为3.9%。但在工程应用时,考虑到实际运行过程中的环境复杂性以及不同驾驶习惯对动力电池造成的不一致性,需要根据车辆实际行驶工况数据对其进行训练与测试,但是由于该数据中的SOC直接由BMS报文解析而来,无法确定BMS内的SOC算法是否准确,故不能直接用作训练模型时的标签,此时需计算出正确的训练标签或借助已有标签的模型,在其基础上根据实际运行数据对其模型参数进行动态调整。为解决无标签数据的训练问题,本文采取第二种方法,首次提出将迁移学习中的领域自适应网络(DaNN)与LSTM组合形成LSTM-DaNN的SOC估算算法,利用有标签数据预先训练好LSTM模型,再将其模型参数迁移至LSTM-DaNN,最后综合有标签与无标签数据一起对LSTM-DaNN模型进行训练。测试结果表明LSTM-DaNN可以在没有实际行驶工况标签(SOC)的情况下完成训练,最大测试误差为4.8%,相比模型自适应调整前误差下降了14.1%,且保证绝对误差<5%,满足实际需求。