摘要
荷电状态作为动力锂电池重要的状态监测参数之一，具有衡量电池体续航时间、制定充放电策略、改进电池模组供能方案的重要作用。然而，在广温域、多工况的实际应用场景中，锂电池状态监测模型常常存在泛化性不佳与鲁棒性不强的问题。针对该问题，本文提出了一种基于连续可微映射的神经网络自动架构搜索算法，通过该算法获得的网络在多种应用场景下均具有良好的荷电状态估计表现，引入贝叶斯估计算法优化网络的超参数配置，进一步提升了自搜索网络能表现。本文的主要工作围绕以下几个方面展开： 1.构建了一种基于神经网络自动构架搜索的锂电池状态监测模型。针对手工设计神经网络模型，人工干预过多造成建模效率较低的问题。以监测模型的网络拓扑架构和层间操作为对象，使用有向无环图结构构建连续可微的搜索空间，将黑箱架构搜索问题转化为连续变量优化问题，运用反向梯度下降算法获得适应对象的最佳网络构架。 2.设计了一种基于贝叶斯估计的锂电池状态监测模型超参数优化方法。针对深度神经网络人工微调难度大、网络参数复杂的问题，研究深度神经网络的贝叶斯超参数分布机制，以锂电池监测模型的超参数为对象，建立关于网络超参数的高维域空间；设计满足数据特征分布的代理函数和采集函数，实现模型超参数自动寻优。 3.设计了一种包含广温域、多工况的荷电状态估计模型性能验证方案。针对锂电池实际运行环境复杂多变的特点，设计包含恒定温度应用场景、变化温度应用场景、不确定初始值应用场景的数据验证方案，验证模型的有效性和鲁棒性。 通过自动架构搜索算法获得的荷电状态估计模型在CALCE公开数据集上的平均RMSE为0.981%，单个样本平均推理时间为23.3ms。不确定初始值场景下，所有样本均在30s以下回归到5%误差线内，经过贝叶斯超参数优化后，荷电状态估计模型的平均RMSE降低至0.841%。
NETL