采用深度学习的全寿命周期锂电池荷电状态估计

张林; 巫春玲; 黄鑫蓉; 李艳波

西安交通大学学报 ›› 2024, Vol. 58 ›› Issue (10) : 36 -43.

张林, 巫春玲, 黄鑫蓉, 李艳波

作者信息 +

Author information +

文章历史 +

摘要

针对锂离子电池的健康状态(SOH)随着充放电循环次数的增加而持续退化，导致在整个寿命周期内准确估计电池的荷电状态(SOC)难度较高的问题，提出了一种采用深度学习的全寿命周期内锂离子电池SOC估计模型。该模型采用被估计时刻及之前多个历史时刻的电流、电压和温度组成的序列数据作为模型的输入，先采用一维卷积神经网络(1D CNN)提取序列的特征，再用门控循环单元(GRU)建立特征与SOC之间的非线性关系，然后采用贝叶斯优化方法(BO)对网络超参数进行寻优以提升预测的精度。采用两个公开数据集对所提出的模型进行验证，实验结果表明：所提模型在较宽的SOH范围内实现了精确的SOC预测，且预测精度显著优于采用单个深度学习模型的预测精度；与CNN和BiLSTM模型相比，所提模型的均方根误差分别平均降低了15.16%和45.22%;当输入序列的长度为10、数据采样间隔时间为1 min时，在两个数据集上预测的均方根误差均低于2%。