基于深度学习锂离子电池容量估计方法的特征选择-华南理工大学.pptx

1、基于深度学习锂离子电池容量估计方法的特征选择曲杰曲杰华南理工大学 机械与汽车工程学院汽车工程系目录 研究背景 本课题组工作介绍研究背景“碳达峰”和“碳中和”2020年9月22日，国家主席习近平郑重宣布中国二氧化碳排放力争于2030年前碳达峰，努力争取2060年前实现碳中和。环境污染 2022 年全国机动车四项污染物排放总量为 1466.2万吨一氧化碳、碳氢化合物、氮氧化物、颗粒物排放量分别为 743.0万吨、191.2 万吨、526.7 万吨、5.3万吨 资源困境（我国特有）2022年，原油进口量为5.08亿吨，对外依存度71.2%2021年，原油进口量为5.13亿吨，对外依存度72%2020

2、年，原油进口量为5.42亿吨，对外依存度73.5%“碳达峰”和“碳中和”汽车行业碳排放特点 碳排放增速快 产业链长，辐射面广，是推动上下游产业链碳中和重要抓手 单车碳强度高汽车行业脱碳一个重要途径：电动化汽车行业脱碳的重要途径：电动化中汽中心：中国汽车低碳行动计划研究报告（2022）锂电池是动力电池最主要选项锂离子电池由于其功率密度和能量密度高、循环寿命长、自放电率低等优点，现已被广泛应用在电动汽车领域。电池容量估计电池容量作为衡量电池老化的指标，并显着影响电池性能。到目前为止，容量退化是一个不可避免的问题，并且仍然是电池利用中的一个主要问题。然而，容量测量通常需要完整的充电和放电循环，这是不

3、切实际的。通常，电池放电取决于工作负载，这使其变得复杂且不可预测。相反，电池充电相对稳定，通常遵循恒流（CC）或恒流恒压（CC-CV）协议。但是，由于用户习惯的原因，充电过程往往是不完整的。总体而言，退化机制的复杂性、分散的数据和有限的可测量参数对准确的容量估计提出了重大挑战。在电池使用过程中，正负极的电位曲线会相对滑动或收缩。相应地，电池的充电曲线随着电池的老化而发生有规律的变化。所以，基于部分充电曲线和深度学习的电池容量估计方法已被广泛应用。锂离子电池容量评估通用框架锂离子电池容量评估通用框架研究现状Lu等人利用部分充电容量序列结合深度神经网络(DNN)进行电池容量估计。Naha等将电压增

4、量序列和平均温度作为前馈人工神经网络(ANN)模型的输入，在线估计电池SOH。You等人设计了一种LSTM网络，直接使用测量的电流和电压作为电池容量估计的输入。在部分充电周期中，使用DCNN根据电压、电流和充电容量进行电池容量估计。Sheikh 等人利用充电周期的电压、电流和温度数据进行特征识别和提取，表明LSTM可以实现高精度的电池容量估计。Kaur等人选择电压、电流、温度和充电容量作为特征，并比较了ANN、CNN和LSTM模型在电池容量估计中的性能。Shen等人利用25个部分分段的电压、电流和充电容量数据作为特征矩阵，通过深度卷积神经网络(DCNN)估计电池容量。面临的挑战但是，现有的研究

5、大多直接选用了不同的特征组合作为模型的输入，缺少针对于电动汽车实际应用的复杂工况如何进行最优特征选取的研究。课题组工作介绍1针对上述问题，课题组提出了Hybrid-VIKOR多准则评价方法进行最优特征选取。其中，选择经典的CNN-LSTM模型作为基准，并使用MIT公开数据集进行验证。解决方案解决方案1CNN-LSTM模型是一种结合了卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合神经网络模型。这种模型结合了CNN在处理空间信息上的优势和LSTM在处理时间序列数据上的优势，现在被广泛应用在电池容量评估领域。CNN-LSTMCNN-LSTM模型模型1MIT数据集收集了来自 A123 Sys

6、tem(APR18650M1A)制造的 124 个标称电压为 3.3 V和标称容量为 1.1 Ah商用磷酸铁锂电池的实验数据。它们在 30C 恒温的快速充电策略下循环直至失效。在快速充电策略下，表示为“C1(Q1)-C2”，电池首先以恒定电流(CC)C1 从 0%充电到 Q1 充电状态(SOC)，然后从 Q1 充电到恒流 C2 时 80%SOC。MITMIT数据数据集集达到 80%SOC 后，所有电池均以 1C 充电，直到电压达到其上限截止电势 3.6 V。最后，持续恒压(CV)模式，直到充电电流降至 22 mA。1所有电池均在CC-CV协议下放电，以4C的CC放电，直到电池电压降至2.0 V