基于CNN-LSTM网络的锂动力电池SOC估计.pdfVIP

摘要

在生态环境建设的不断推进以及国家重点扶持下，低能耗、无污染的电动汽车发展势头

十分迅猛。电动汽车的主要技术瓶颈之一在于电池技术，电池的状态预测是电池管理部分主

要重难点。电池荷电状态(StateofCharge,SOC)的准确估计对保证电池安全有效工作起着十分

重要的作用，是最重要的状态参数之一。但一直以来，SOC的估计方法都存在各种局限性，

提高估算方法的准确性和通用性具有重要意义。锂电池由于其优越的特性在电动汽车中得到

广泛应用。本文选择锂电池作为研究对象，使用数据驱动的方法，分析数据特征，建立深度

学习的电池SOC预测模型。本文的主要工作如下：

首先介绍了SOC估计方法的研究现状，并分析讨论了不同方法的优缺点。在此基础上确

定本文所研究的方向。其次，本文分析了锂电池的工作原理及性能特点，并搭建实验平台，

对SOC可能的影响因素进行了实验分析，如温度、放电倍率、内阻，综合考虑并根据实际情

况选择了电压、电流、温度三个参数作为数据参数。

采用LSTM网络进行建模预测，分析网络各参数的影响因素，设计网络结构并处理数据。

结合之前对SOC影响因素的实验分析，考虑到实际工作情况，使用了不同工况及不同温度下

的充放电数据进行训练测试。实验结果表明LSTM网络适用于SOC估计任务，具有较好的预

测效果。

通过分析数据特性及单纯LSTM网络的局限性，提出结合了注意力机制的CNN-LSTM

网络，该网络不仅可以提取电池数据的时间序列关系，也可以捕捉维度之间的空间特征关系，

注意力机制可以将更多权重分配给关键时间步并减少次要信息的干扰，达到更好的拟合效果。

结果表明，该网络在不同温度及工况下的预测结果都要优于单纯的LSTM网络，并且在电池

的不同使用时期及电量未知的初始状态下，都能保持结果的鲁棒性。此外，探究了数据量的

不同对网络的提升效果，结果表明，在更多数据量的情况下，网络的预测性能有较大提升。

在同一数据集下，与其他方法相比，所提出的网络在不同温度下均具有较高的估算精度，且

高温下性能更优。

综上，本文所提出的网络充分挖掘了数据的特征，有效提高了预测精度，在不同温度下

的均具有良好的预测性能，且受初始状态影响程度小，具有良好的稳定性和鲁棒性。使用训

练好的模型进行预测时，每个数据点的预测时间小于0.5ms，因此适用于车载实时估计。

关键词：锂离子电池，SOC，卷积神经网络，长短期记忆网络，注意力机制

ABSTRACT

Withthecontinuouspromotionofecologicalenvironmentconstructionandthekeysupportof

thestate,lowenergyconsumptionandpollution-freeelectricvehiclesaredevelopingrapidly.The

maintechnicalbottleneckofelectricvehiclesliesinbatterytechnology,predictingthestateofbattery

isthemaindifficultyinbatterymanagement.TheaccurateestimationofbatteryStateofCharge(SOC)

isoneofthemostimportantStateparameters,whichplaysaveryimportantroleinensuringthesafe

andeffectiveoperationofbattery.However,theestimationmethodofSOChasalwayshadvarious

limitations,sohowtoimprovetheaccuracyandversatilityoftheestimationmethodsisofgreat

significance.Lithiumbatteriesarewidelyusedinelectricvehiclesdu