摘要
目前，为了缓解环境污染、能源耗竭问题，传统的燃油汽车在慢慢被淘汰，取而代之的是新能源电动汽车。锂离子电池作为清洁、可二次利用的动力来源被广泛应用于电动汽车行业。荷电状态（State Of Charge，SOC）作为电池管理系统的关键衡量参数，准确实时的SOC估算与锂离子电池的安全稳定性以及电动汽车的性能息息相关。由于SOC不能通过传感器元件的精度直接进行测量，往往只能借助其他外部状态参数来估算其大小，且锂离子电池中可直接测量的温度、电压、内阻等状态参数又极易受到外部环境因素的干扰，这使得锂离子电池SOC的估算研究更具挑战性。因此，本文展开了基于数据驱动的锂离子电池状态估算方法研究，并通过对比实验进行验证分析。本文的研究工作主要如下： （1）对锂离子电池结构与工作原理进行剖析，针对几种常见的电池模型进行了对比，并对锂离子电池在工作过程中可能受到的影响，通过建模仿真多角度分析了锂离子电池的电压特性、放电倍率特性以及容量衰减特性，围绕实验得出的不同条件下参数变化曲线图进行了讨论，奠定后续研究的基调主要是围绕锂离子电池的温度、电压、电流以及不同充放电倍率条件下的输入关系展开的 SOC估算研究。 （2）在锂离子电池的特性研究的基础上，首先提出了一种小样本数据集的生成方法，利用COMSOL多物理仿真平台搭建一维的锂离子电池模型，对锂离子电池进行一次充放电实验，通过导出实验所获取的锂离子电池电势图、电流密度分析图以及电池不同倍率性能分析图对应的数据，为锂电池SOC的估算研究提供数据支撑。然后基于该小样本数据集，采用浅层神经网络融合粒子群优化算法建立锂离子电池电压、放电倍率与SOC之间的非线性关系，以达到预测SOC的目的。 （3）针对浅层学习架构在考虑特征信息的冗余性时缺乏全面性的问题，基于深度模型在特征提取方面的优势，进一步提出基于深度神经网络的锂离子电池SOC 估算模型。首先，对锂离子电池的数据进行了扩展，利用了两个公开数据集：CALCE数据集和牛津路径依赖电池退化数据集；其次，搭建了既能正向获取序列数据相关性，又能捕获反向序列数据信息的双向长短期记忆循环神经网络（Bidirectional Long Short-Term Memory Neural Network, BiLSTM）。最后，利用贝叶斯对BiLSTM模型进行优化，以寻求模型最优超参数组合。通过在不同温度和变温条件下进行多组对比实验，实验证明，所提方法具有良好的拟合能力，对不同化学成分的电池进行SOC估算时也表现出更高的精确性、适应性。 本文通过探索锂离子电池SOC估算模型的构建研究，实现了对电池SOC估算稳定性和精确性的提升。
NETL