使用进化智能辅助的GLA-CNN-Bi-LSTM深度学习模型,对电动汽车中离子电池的有效充电状态进行估计

科学领域:

• 电气工程 电气工程
• 计算机科学 计算机科学
• 材料科学 材料科学 材料科学

背景情况:

• 电池性能对于电动汽车 (EV) 的安全性,可靠性和效率至关重要.
• 精确的电荷状态 (SoC) 估计对于最佳的电动汽车运行和电池管理至关重要.

研究的目的:

• 引入创新的混合深度学习架构,用于在电动汽车中增强离子电池 SoC 估计.
• 与现有方法相比,提高SoC估计的精度和效率.

主要方法:

• 开发了一种混合深度学习模型,将卷积神经网络 (CNN) 与双向长短期记忆 (Bi-LSTM) 集成在一起.
• 采用进化智能,特别是集团学习算法 (GLA),用于CNN-Bi-LSTM网络的超参数优化.
• 在六个不同的电动汽车排放数据集 (HWFET,US06,BJDST,DST,FUDS,UDDS) 上训练并验证了该模型.

主要成果:

• 混合CNN-Bi-LSTM模型实现了卓越的SoC估计准确性,平均根平均平方误差 (RMSE) 低于1%.
• 与独立的LSTM和CNN模型相比,对真正的SoC值的趋同明显更快.
• 该模型有效地整合了空间和时间电池数据,优于传统方法.

结论:

• 拟议的混合深度学习方法在电动汽车电池SoC估计方面取得了重大进展.
• 这种增强的准确性和效率有望改善电池寿命和整体电动汽车运行性能.
• 在各种驾驶条件下,该车型的强度证明了其在现实世界应用中的潜力.