北理工熊瑞EnSM: 利用电池领域知识改善基于深度学习的电池SOC估计

荷电状态（SOC）的准确估计是锂离子电池可靠运行的基础，深度学习的最新发展为SOC估计提供了一种新兴的解决方案。然而，有限的训练和测试情景及对电池工作原理的忽视降低了深度学习方法的性能。

在此，北京理工大学熊瑞教授等人探索将电池领域知识集成到基于深度学习的 SOC估计方法中，以提高在未知动态条件下的SOC估计性能。具体而言，作者开发了一个长短期记忆（LSTM）深度神经网络（DNN）作为基准，并提出了两项基于物理信息的改进：

一方面，作者提出使用在线等效电路模型将电压和电流序列解耦为开路电压、欧姆响应和极化电压。扩展的DNN输入提供了有关电池状态的丰富信息，可帮助DNN有效学习可测量信号和SOC之间的映射。

另一方面，作者开发了一个自适应闭环框架以考虑SOC估计中的时间依赖性。DNN 采用蒙特卡洛丢弃法（Monte-Carlo Dropout）设计以减轻过度拟合并生成预测及其不确定性，进一步利用在线卡尔曼滤波器自动结合安培小时计数和提出的 DNN在看不见的动态曲线下实现准确的SOC预测。

图1. 用于SOC估计的整个DNN架构

为了全面验证所提出的方法，作者开发了一个包含经历了各种真实驾驶情景的8个电池的数据集，该数据集与仅基于标准驾驶情景的传统数据集有显著不同。结果显示，为标准测试情景开发的传统DNN方法在开发的数据集中表现不佳，其用于SOC估计的RMSE和MAE分别为2.51%和9.54%。相比之下，将这两种改进结合到基本DNN中的深度学习方法显示出急剧下降到1.85%和3.35%的RMSE和MAE，且该方法有效性分别在10°C、25°C和40°C下得到验证。

此外，验证结果表明，该方法可推广到文献中报道的DNN以有效提高其SOC估计性能。总之，这项研究表明，在将数据驱动的方法应用于电池状态监测问题时，有必要更深入地了解电池动力学。

图2. 不同方法对测试数据集中电池的SOC估计性能比较

Battery state-of-charge estimation amid dynamic usage with physics-informed deep learning, Energy Storage Materials 2022. DOI: 10.1016/j.ensm.2022.06.007

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/08/ae26082e45/

北理工熊瑞EnSM: 利用电池领域知识改善基于深度学习的电池SOC估计

相关推荐