基于CNN-BILSTM深度学习模型的跨工况锂电池SOC估计

作     者：雷文博 耿灿欣 邹晔 姚忠冉 周礼缘 

作者机构：无锡职业技术学院汽车与交通学院江苏无锡214121 江苏省新能源汽车节能与电池安全工程研究中心江苏无锡214121 

基　　金：江苏省高等学校基础科学(自然科学)研究面上项目“多层异质界面PEO基固态电解质设计及离子传输机制研究”(项目编号:23KJB430038) 无锡职业技术学院科研创新团队建设项目“新能源动力电池开发与应用研究”(项目编号:XJ2023000301) 无锡职业技术学院自然科学类科研课题项目“全固态锂电池复合电解质的制备及性能研究”(项目编号:BT2023-06) 

出 版 物：《中国新技术新产品》 (New Technology & New Products of China)

年 卷 期：2024年第1期

页      码：4-7页

摘      要：为提高新能源汽车锂电池跨工况下SOC(State of Charge,SOC)的预测精度以提升其运行可靠性,针对不同工况下的锂电池特征,笔者提出了一种深度学习预测模型。该模型基于卷积神经网络(CNN)和双向长短期记忆网络(BILSTM),对跨工况锂电池SOC进行估计。笔者采集了锂电池在不同工况下的温度、电流、电压和SOC等数据。然后,构建了CNN-BILSTM深度学习模型,并在联邦城市运行工况(Federal Urban Driving Schedule,FUDS)工况下进行训练测试。将该方法应用于动态应力测试工况(Dynamic Stress Test,DST)下,进行跨工况SOC估计。试验结果表明,本文提出的CNN-BILSTM模型能够有效预测锂电池的SOC值,在跨工况下也显示出良好的预测性能和较强的泛化能力。

主 题 词：深度学习 CNN BILSTM 跨工况 锂电池SOC 

学科分类：08[工学] 082304[082304] 080204[080204] 0802[工学-机械学] 0823[工学-农业工程类] 

D　O　I：10.3969/j.issn.1673-9957.2024.01.003

馆 藏 号：203126107...