《Batteries》:Comparative Evaluation of Power Management Strategies in Multi-Stack Fuel Cell-Battery Hybrid Truck via TOPSIS
Sanghyun Yun and
Jaeyoung Han
编辑推荐:
研究人员提出一种基于粒子群优化(PSO)长短期记忆(LSTM)神经网络与平均电压特征融合的锂离子电池荷电状态(SOC)估计方法。在数据驱动方法中,模型输入特征通常包括电压、电流与温度,这些信号易受测量误差与噪声干扰,导致深度学习方法预测偏差显著。针对瞬时电压对
研究人员提出一种基于粒子群优化(PSO)长短期记忆(LSTM)神经网络与平均电压特征融合的锂离子电池荷电状态(SOC)估计方法。在数据驱动方法中,模型输入特征通常包括电压、电流与温度,这些信号易受测量误差与噪声干扰,导致深度学习方法预测偏差显著。针对瞬时电压对电流变化反应剧烈及瞬态尖峰问题,研究人员引入特定时间窗内的平均电压作为准稳态(Quasi-steady-state)特征,与原始时序电压并行输入LSTM以捕获瞬时动态与长期平均行为。LSTM单元通过输入门、遗忘门与输出门调控信息流,隐含层状态ht与细胞状态ct记忆历史信息,输出层采用双曲正切函数tanh∈[-1,1]D激活,权重矩阵为U、V、W,偏置向量为b,⊙表示向量乘法,soctL为t时刻LSTM估计的SOC。为优化LSTM超参数,研究人员采用粒子群优化(PSO)算法,粒子位置Xi={xi1,xi2,...,xid}与速度Vi={vi1,vi2,...,vid}于d维空间更新,个体极值Pi与全局极值Pg引导搜索,适应度值f(xi)、f(pbesti)、f(gbest)评估性能,参数含惯性权重ω、学习因子c1、c2及随机数r1、r2∈[0,1],速度与位置更新依式(2)(3)迭代至最大次数tmax或收敛。研究表明,平均电压特征有效平滑瞬态波动并指向开路电压(OCV),减轻LSTM内部状态记忆负担,提升对电池内部非线性映射的学习能力,PSO优化后模型在DST、FUDS、US06等工况下均展现稳定估计性能。
论文发表于《Batteries》,研究背景聚焦于锂离子电池作为电动汽车与储能系统核心组件,其荷电状态(State of Charge, SOC)的精确估计是电池管理系统(Battery Management System, BMS)的关键功能。目前存在的主要问题包括:电池内部电化学过程具有强非线性与时变性,传感器采集的电压、电流、温度等特征受测量噪声干扰显著;深度学习方法对微小波动敏感,易导致预测结果显著偏离;单纯数据驱动方法难以显式表征电池内部理化特性,模型易对输入噪声或过 anomaly 产生过激反应,导致SOC预测不稳定甚至发散;尤其在电流突变(如DST工况下静置转4A放电电压差约0.6V)及测量噪声引发的瞬态尖峰情况下,直接将动态噪声状态输入长短期记忆(Long Short-Term Memory, LSTM)网络会干扰其对电池固有非线性行为的习得,引起预测值剧烈波动。开展该研究旨在通过引入平均电压(Averaged Voltage)这一慢时变特征并结合粒子群优化(Particle Swarm Optimization, PSO)算法优化网络超参数,降低模型推断难度,稳定SOC预测,提升估计精度与鲁棒性。
研究人员开展的研究主要是构建一种融合平均电压特征的PSO优化LSTM混合模型用于SOC估计,得出平均电压可作为指向开路电压(Open Circuit Voltage, OCV)的锚点、有效平滑瞬态波动并降低LSTM记忆负担的结论,该研究通过显式注入先验知识增强了模型对电池历史充放电状态时序演化的感知能力,对高精度BMS开发具有重要意义。
关键技术方法包括:采用25℃典型测试温度下的DST(360s/周期)、FUDS(1400s/周期)、US06(600s/周期)三种循环工况直至电压达截止阈值的电池数据集;构建双输入LSTM框架,并行输入原始实时电压与基于时间窗k计算的平匀电压V?tk=(Vt-k+1+...+Vt-1+Vt)/k以及电流、温度特征;利用PSO算法以粒子位置代表LSTM超参数(如学习率、隐含层数等),通过个体极值pbest与全局极值gbest引导的速度与位置更新公式(2)(3)迭代搜索最优参数,其中速度更新含惯性项ωvidt、认知项c1r1(pidt-xidt)与社会项c2r2(pgdt-xgdt),位置更新为xidt+1=xidt+vidt+1。
2.1. LSTM(Long Short-Term Memory)部分介绍LSTM作为门控循环神经网络(Recurrent Neural Network, RNN)变体,通过门控机制解决长时序依赖问题。状态向量xt由电压、电流、温度组成,soctL为t时刻LSTM估计的SOC,g(·)为输出层非线性激活函数(tanh∈[-1,1]D),U、V、W为权重矩阵,b为偏置向量,⊙为向量乘法,隐含层ht与细胞状态ct以隐式抽象方式实现历史信息记忆。研究人员指出纯粹数据驱动中内部理化特性未显式表示,而平均电压提供了过去电压水平的显式摘要,注入先验知识以减轻LSTM内部状态记忆负担。
2.2. Particle Swarm Optimization(PSO)部分阐述PSO受鸟群等社会生物智能行为启发,结构简单、参数少、收敛快且对目标函数连续性等不同性无严格约束。粒子以位置Xi={xi1,...,xid}与速度Vi={vi1,...,vid}表征,追踪个体极值Pi与全局极值Pg={pg1,...,pgd}更新速度与位置。参数含适应度值f(xi)、f(pbesti)、f(gbest)、当前迭代t、最大迭代tmax、粒子数N、惯性权重ω、学习因子c1(认知分量调整向自身历史最优步长)、c2(社会分量调整向全局最优步长)及[0,1]随机数r1、r2。通过式(2)速度更新与式(3)位置更新迭代优化LSTM超参数。
2.3. Feature Introduction(特征引入)部分说明传统输入特征电压、电流、温度受噪声影响,LSTM对波动敏感。研究人员在25℃下应用DST、FUDS、US06工况至电压截止,指出电流正负对应放充电,电压在电流变化(如静置转4A放电差约0.6V)及噪声致瞬态尖峰显著。为此引入平均电压而非替换原始电压,作为附加输入反映特定时间窗整体充放电状态、近似准稳态电压并指向OCV,平滑瞬态尖峰与噪声,降低从波动电压推断剩余容量难度,使网络更好学习内部非线性映射;双输入框架使模型同时捕获瞬时动态与长期平均行为,增强对历史状态时序演化感知;平均电压显式总结过往水平,注入先验知识,减LSTM内部状态记忆负担以聚焦复杂动态非线性关系。平均电压计算式为V?tk=(Vt-k+1+...+Vt-1+Vt)/k。
讨论与结论部分指出,在SOC估计的数据驱动方法中,测量误差与噪声导致深度学习模型预测偏差,电池内部理化特性未显式表示致模型对噪声过激反应。研究人员通过引入平均电压特征与PSO优化LSTM超参数应对该问题。结论表明,平均电压作为准稳态锚点有效平滑瞬态波动,保留原始电压双输入框架兼顾瞬时与长期行为,显式先验知识减轻LSTM记忆负担,PSO优化提升参数匹配度,该混合方法在复杂工况下能稳定SOC预测并提升精度与鲁棒性,为BMS高精度估计提供有效路径。