System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及锂离子电池,具体而言,尤其涉及一种基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测方法。
技术介绍
1、锂离子电池具有循环寿命长、良好的充放电性能、携带方便等优势,被广泛应用于航天、储能和电动汽车中,同时已成为电动汽车的主要动力来源。在实际的应用过程中,受运行环境和负载的影响,在对动力电池能量进行估计时,导致剩余电池能量预测精度低,误差变化大,电动汽车的剩余续驶里程也因此发生“跳变”,使驾驶者产生“里程焦虑”。锂离子电池预测包括能量状态的预测和剩余放电能量的预测。提高锂离子电池soe预测的精度和稳定性可以有效防止里程焦虑和剩余续航里程的预测值发生“跳变”。
2、卷积神经网络是一类包含卷积计算、权重共享且具有深度结构的神经网络,在处理网格结构的信息比较敏感。gru是lstm的一种改进模型,将遗忘门和输入门集成为单一的更新门,同时混合了神经元状态和隐藏状态,可有效地缓解循环神经网络中“梯度消失”的问题,并能够在保持训练效果的同时减少训练参数。
技术实现思路
1、根据上述提出的技术问题,提供一种基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测方法。本专利技术能够预测电池的能量状态,自动提取电池动态的特征参数,挖掘特征参数之间联系,并建立高精度的预测模型;通过卷积神经网络模型快速处理高维参数,在不同的温度、不同的工况下,验证模型的鲁棒性和泛化性。
2、本专利技术采用的技术手段如下:
3、一种基于卷积与门控循环
4、s1、获取锂离子动力电池数据,并对获取的锂离子动力电池数据进行预处理;
5、s2、选取预处理后的数据,并根据类型将数据划分为训练集和测试集;
6、s3、搭建卷积与门控循环单元融合的神经网络模型,并将训练集输入神经网络进行训练,使神经网络学习数据之间特征;将测试集输入神经网络,预测电池能量状态,且当神经网络模型对测试集进行测试所达到的效果不理想时,调整神经网络模型的参数直到测试效果理想;
7、s4、采用平均绝对误差、均方根误差作为预测结果的评价指标,对神经网络模型的预测数据进行检验。
8、进一步地,所述步骤s1,具体包括:
9、s11、根据城市道路循环工况,在不同温度下测试动力电池放电过程中电压以及能量的变化趋势,提取数据集中的放电电流、电池单体温度、电压、soc参数模型输入参数,将电池能量状态预测为目标数据;
10、s12、将数据转换成时间序列,确定滑动时间窗长度l为5,对数据进行重构;若当前循环索引为c,将l索引内的电池特征和容量值作为网络的输入值,将索引为c+5+1时的容量值作为label,形成一个时间序列窗口,而后此窗口每向后滚动一个循环,形成一个新的时间序列窗口,直到此窗口滚动到最后的时间点;
11、s13、采用min-max标准化方法,对数据进行归一化处理,对原始数据的线性变换,使结果值映射到[0,1]之间,公式为:
12、
13、其中,xmax为单列特征数据的最大值,xmin为单列特征数据的最小值。
14、进一步地,所述步骤s2,具体包括:
15、s21、选用25℃温度下的cycle_1-3数据作为训练集;
16、s22、选用25℃温度下的两个不同驱动循环场景的数据作为测试集,包括城市测功机计划、高速公路燃油经济性驾驶计划。
17、进一步地,所述步骤s3,具体包括:
18、s31、搭建基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测神经网络模型,确定神经网络的输入层,卷积层,全连接层和输出层;
19、s32、将训练集输入基于卷积与门控循环单元融合的神经网络模型进行训练,以均方误差损失函数最小化为优化目标,减少预测误差,并利用测试集进行测试,得到理想的预测模型。
20、进一步地,所述步骤s31中:
21、所述输入层用于接收输入数据的信息;
22、所述卷积层是整个卷积神经网络的核心层,用于将相邻两层之间的权重参数进行卷积运算,并通过卷积运算提取数据特征,减少参数的数量;
23、所述全连接层用于将卷积层与池化层在训练过程中所学习到的特征进行综合,防止出现数据过拟合现象;
24、所述输出层用于输入参数经过卷积计算后得到一维的输出,即能量状态预测。
25、进一步地,所述步骤s4,具体包括:
26、s41、采用平均绝对误差mae作为模型对soe的估计精度的评价指标,用于评估模型在给定数据上的拟合程度,具体为:
27、
28、s42、采用均方根误差rmse作为模型对soe的估计精度的评价指标,具体为:
29、
30、其中,yi为真实值,为预测值,n为样本总数,rmse表示soe实际值与估计值之间差异,衡量样本的离散程度,在衡量模型估计精度时,rmse越小,则证明模型的估计精度越高。
31、较现有技术相比,本专利技术具有以下优点:
32、1、本专利技术提供的基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测方法,能够有效地提高电动汽车soe的估计,进而提高剩余续航里程的预测。驾驶员可根据预测结果自行选择充电时间和行驶路线,从而有效地缓解驾驶员的里程焦虑。
33、2、本专利技术提供的基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测方法,采用的是卷积与门控循环单元融合的神经网络模型,能够快速处理时间序列的时间数据,可以有规律的采样并形成网络信息,由输入层,卷积层,全连接层,输出层组成,可根据损失函数的梯度更新层之间的权重值与偏差值。
34、基于上述理由本专利技术可在锂离子电池等领域广泛推广。
本文档来自技高网...【技术保护点】
1.一种基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测方法,其特征在于,包括:
2.根据权利要求1所述的基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测方法,其特征在于,所述步骤S1,具体包括:
3.根据权利要求1所述的基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测方法,其特征在于,所述步骤S2,具体包括:
4.根据权利要求1所述的基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测方法,其特征在于,所述步骤S3,具体包括:
5.根据权利要求4所述的基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测方法,其特征在于,所述步骤S31中:
6.根据权利要求1所述的基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测方法,其特征在于,所述步骤S4,具体包括:
【技术特征摘要】
1.一种基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测方法,其特征在于,包括:
2.根据权利要求1所述的基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测方法,其特征在于,所述步骤s1,具体包括:
3.根据权利要求1所述的基于卷积与门控循环单元融合的神经网络模型的锂离子电池能量状态预测方法,其特征在于,所述步骤s2,具体包括:
4.根据...
【专利技术属性】
技术研发人员:李俊杰,郑力,牟健慧,段培永,赵晶瑞,王扬威,刘新华,王波,魏相康,
申请(专利权)人:烟台大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。