融合极化特性和LSTM模型的电池温度估计

摘要

以长短期记忆神经网络(long short-term memory, LSTM)为代表的数据驱动型方法，缺乏对模型训练策略的理论指导，限制了神经网络模型的精度和效率。为了提高神经网络模型的精度和效率，首先搭载电池测试台架，进行电池性能测试实验；接着，在不同倍率和环境温度下分析电池的温度特性；在不同倍率及温度下分析电池的极化特性和产热特性；对温度估计模型按照低、中、高倍率进行划分，提出宽温域下考虑极化特性的长短期记忆神经网络电池温度估计策略。在不同环境温度及放电倍率下测试模型的精度和泛化能力，发现考虑极化特性的长短期记忆神经网络温度估计模型的最大误差(maximum error, ME)和平均绝对误差(mean absolute error, MAE)分别为0.98℃和0.11℃;与传统长短期记忆神经网络模型的对比结果发现，最大误差和平均绝对误差分别降低1.85℃和0.76℃,训练时间减少41.81%,表明考虑极化特性的LSTM温度估计模型具有较高的精度和训练效率。

关键词

锂离子电池 / 温度估计 / 极化特性 / LSTM

基金资助

国家自然科学基金项目(52072155)