融合高保真仿真与CNN-LSTM框架的电动汽车多电池模块荷电状态估计及主动热管理研究

《Scientific Reports》:Simulation-driven deep learning approach for module-level state of charge estimation in electric vehicles with active thermal management assessment

【字体: 大 中 小 】 时间:2026年09月29日 来源:Scientific Reports 4.9

编辑推荐:

   摘要 电动汽车锂离子电池荷电状态(SOC)的准确估计面临复杂电热动力学的挑战。尽管数据驱动方法近期取得了进展,但仍存在一个关键差距:现有模型均在单体电池数据集上训练,因此无法捕捉实际多电池模块中固有的电池间温度梯度和动态电热耦合特性。为解决这一差距,本研究提出了一种综合的基

  摘要电动汽车锂离子电池荷电状态(SOC)的准确估计面临复杂电热动力学的挑战。尽管数据驱动方法近期取得了进展,但仍存在一个关键差距:现有模型均在单体电池数据集上训练,因此无法捕捉实际多电池模块中固有的电池间温度梯度和动态电热耦合特性。为解决这一差距,本研究提出了一种综合的基于仿真的数据驱动框架,将高保真仿真与混合卷积神经网络-长短期记忆网络(CNN-LSTM)架构相结合。在基础伪二维电化学-热模型经过严格的实验数据验证后,在高瞬态驾驶循环(US06、UDDS)下生成了32电池模块数据集,成功规避了实验数据采集的过高成本。采用优化后的100秒历史数据窗口,CNN-LSTM在未见的温度条件下于留出的US06数据集上达到了约1.1%的平均绝对误差(MAE),证明了在模型开发阶段排除的运行条件下的泛化能力。五折交叉验证进一步得出平均SOC MAE约为2.0%,确认了所提模型在训练数据不同时间子集上的稳定性。此外,一项综合的三维热管理案例研究表明,主动螺旋液冷通道虽然能维持最佳模块温度(30–40 °C)并将空间梯度限制在≤5 °C以内,但冷却系统故障会导致可用容量迅速丧失,在约1600秒时达到电压截止值,不到主动冷却条件下维持的放电时间的一半。最终,本研究证实有效的电池管理既需要准确的状态估计深度学习算法,也需要主动热控制以维持可用容量和热安全。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号