基于CNN-Bi-LSTM-AM模型在低温环境下的离子电池的充电状态估计

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:

• 精确的充电状态 (SOC) 估计对于离子电池管理至关重要.
• 传统的SOC估计方法在低温下面临着噪声和非线性动态的挑战.

研究的目的:

• 开发一种先进的深度学习模型,用于在低温环境中精确的SOC估计.
• 克服现有方法在处理杂数据和复杂电池行为方面的局限性.

主要方法:

• 开发了一种混合深度学习模型,结合了一维卷积神经网络 (1D-CNN),双向长期短期记忆 (Bi-LSTM) 和注意力机制 (AM).
• 1D-CNN提取局部特征,Bi-LSTM捕获时间依赖性,AM优先考虑关键时间步骤.
• 该模型在Panasonic 18650PF数据集上在不同驾驶周期下在-20°C至0°C之间的温度下进行了评估.

主要成果:

• 拟议的CNN-Bi-LSTM-AM模型实现了0.17-0.77%的平均绝对误差 (MAE) 和0.33-0.94%的根平均平方误差 (RMSE).
• 与CNN-LSTM和CNN-Bi-LSTM基准相比,该模型表现出卓越的性能.
• 观察到在低温下有效处理电压扭曲和非线性.

结论:

• 在具有挑战性的低温条件下,CNN-Bi-LSTM-AM模型为SOC估计提供了强大而准确的解决方案.
• 这种方法提高了在极端环境因素下运行的电池管理系统的可靠性.
• 这些发现有助于推进电动汽车电池技术和储能系统的发展.