摘要
在全球能源危机、环境污染的大背景下，新能源的开发和利用越来越受到世界各国的关注，锂离子电池以其优良的特性逐渐成为世界上应用最为广泛的储能元件。因此，保障锂离子电池的安全可靠运行也成为当下研究热点，其中实时、准确地评估其荷电状态（StateofCharge，SOC）和健康状态（StateofHealth，SOH）是电池管理系统（BatteryManagementSystem，BMS）的核心所在。随着大数据和人工智能（ArtificialIntelligence，AI）的发展，以深度学习为主的AI技术在电气领域中的应用逐渐成熟，SOC与SOH的估算方法也从模型化方法逐步向数据驱动方法发生转变。 本文首先基于数据特征，对锂离子电池的工作特性进行了分析，再结合深度学习原理，提出一种CNN-GRU神经网络的锂离子电池SOC估算方法。该算法可以充分结合卷积神经网络（ConvolutionNeuralNetwork，CNN）与门控循环单元（GatedRecurrentUnit，GRU）的优点，挖掘电池电压、电流、温度等原始采样数据在时间与空间上的特性，无需借助任何电池模型、滤波及推理算法（如卡尔曼滤波等）即可实现SOC的精确估计。本文在两大数据集的众多样本下分别验证了该算法的估算精度，结果表明该方法对未知的工况有着很强的适应性，对于温度、电池的老化程度有很好的鲁棒性。甚至对于SOC初值未知的状态，CNN-GRU神经网络也可以快速向参考值收敛。并且该算法无需根据测试条件调整网络权值，训练单一网络即可适应各种影响因素。 随后针对SOH估算的流程与特点，本文搭建三维卷积模型和注意力机制编解码器模型两种锂离子电池SOH估算方法，其主要区别在于融合时间维度特征的方式。两种方法首先将原始数据编码成一组包含内在特征的序列，第一种模型通过三维卷积来融合时间维度的特征，而编解码器模型通过GRU单元筛选时间维度特征，并由注意力机制辅助定位所需特征以完成最终的解算。两种算法同样无需建立电池模型，并且各个充放电周期相互独立，仅通过单个采样周期的电压、电流采样值即可获得较高精度的SOH估计值。为适应更多应用场景，本文设计了定长片段放电数据、定长片段充电数据及变长片段充电数据等三种输入模式。验证实验中，两种模型在三种估算模式下的平均绝对误差均小于1%，表明该估算方法具有估算周期短、估算精度高及适应性强等特性。
NETL