10.3969/j.issn.1007-290X.2020.003.004
基于LSTM神经网络的锂离子电池荷电状态估算
针对锂离子电池荷电状态(state of charge,SOC)预测问题,采用长短期记忆循环神经网络(long short-term memory,LSTM)搭建电池SOC预测模型.利用直流电子负载对18650锂离子电池进行多工况放电,将电池电压、放电电流作为模型输入.将采集数据分为训练集、验证集和测试集,在训练集上训练模型,在验证集上调节模型超参数,在测试集上测试模型性能.采用带动量的随机梯度下降(stochastic gradient descent,SGD)进行权重更新,并加入Dropout正则化方法.在动态放电情况下,使用所提方法预测电池SOC最大绝对误差为2.0%,平均绝对误差为1.05%,验证了该方法的可行性.测试结果表明,在模型训练过程中加入Dropout正则化方法,可以有效降低网络的过拟合现象,增强模型的泛化能力.
锂离子电池、荷电状态、电动汽车、长短期记忆、循环神经网络
33
TM911
国家自然科学基金项目51307012
2020-04-20(万方平台首次上网日期,不代表论文的发表时间)
共8页
26-33