基于迁移学习的锂电池荷电状态估计研究

扫码查看

原文链接

NETL

中文摘要：锂电池已成为电动汽车最广泛使用的清洁能源，而电池管理系统（BatteryManagementSystem，BMS）在监测电池的健康状态方面发挥着重要作用。准确的荷电状态（StateofCharge，SOC）估计可以防止锂电池的过充和欠充，从而保护电池安全并延长寿命。近年，学者们提出许多SOC估计算法，包括基于电化学模型的方法以及数据驱动的方法等。在这些方法中，数据驱动的方法显示出比其他方法更好的效果。然而，随着实际应用中的要求越来越严格，SOC估计面临着更加严重的挑战：（1）实际应用中的测试数据和训练数据分布不一致，使得预训练模型的预测精度下降；（2）在线应用中，很难为测试数据获取真实标签来对模型进行调整。本文的研究内容便聚焦在如何在数据分布差异的情况下进行准确的跨域SOC估计。此外，这些研究工作在开发和评估过程中往往采用不同的实验设置、数据集和评估指标，使得不同研究结果之间的比较和复现变得困难，也使得工程实际应用中的可行性受到影响。针对上述问题，本文从算法以及实验标准的角度提出解决方案。（1）本文在广泛调研和大量实验的基础上，在数据集选取、评价指标设置和实验方案等方面提出了统一的标准。本文选取覆盖面广且易于获得的电池数据集作为基准，在此基础上提出了丰富的实验标准，能充分验证模型的准确性和稳定性。（2）为了解决数据分布差异和数据不足等问题，本文基于迁移学习理论，针对不同场景提出了有效的跨域SOC估计算法。首先，为了保证模型迁移的效果，本文提出了基于卷积神经网络（ConvolutionalNeuralNetwork，CNN）和双向长短期记忆网络（BidirectionalLongShort-TermMemoryNetwork，BiLSTM）的预训练模型结构，与当前常用结构相比，能达到更好的预测精度，可以作为后续两种迁移训练算法的基础模型。其次，针对应用中目标域数据标签缺失的情况，本文提出了基于对抗性域适应的跨域SOC估计算法。通过引入对抗性域适应方法和基于度量的迁移学习方法，本文提出的算法能够有效解决数据分布不一致的情况，提高模型的跨域预测效果。最后，针对应用中源域数据缺失的情况，本文提出了一种简单有效的特征度量，并在此基础上提出了基于均值预测差异的跨域SOC估计算法。该模型能够有效应对在线预测中源域数据缺失的问题，仅利用预训练模型和无标签的目标域数据便能达到比现有模型更好的跨域预测效果。

作者：

沈力源

展开 >

关键词：

锂电池荷电状态估计迁移学习数据标签对抗性域适应

授予学位：

硕士

学科专业：

计算机科学与技术

导师：

刘杰彦

学位年度：

2024

学位授予单位：

电子科技大学

语种：

中文

中图分类号：