论文部分内容阅读
充电剩余时间作为锂电池荷电状态(State of Charge,SOC)的重要参数,反映了锂电池充电状态与时间的关系。对充电剩余时间的准确预测能够有效发现和避免锂电池过充等不安全行为,为锂电池的安全性和稳定性提供保障。论文提出了一种基于独立长短期记忆循环神经网络(IndyLSTM)的锂电池充电剩余时间预测方法,设计并实现了锂电池充电剩余时间预测系统。主要研究内容如下:首先,提出了锂电池充电剩余时间预测系统的总体方案,对数据采集终端和系统软件进行了设计与实现。数据采集终端主要是利用信号采样单元对锂电池充电过程中产生的电池电压、电池电流、电池温度和充电电压进行采集,并通过NB-IoT通信模块与物联网云平台进行数据交互。系统软件主要包括数据终端采集软件和应用软件,其中数据采集终端软件负责统一调度各硬件单元,以确保系统可以稳定有序工作;应用软件通过HTTPS协议和RESTful接口与物联网云平台进行数据交互,将获取的数据进行可视化显示并输入到TensorFlow训练好的模型中得到充电剩余时间的预测值。其次,为了满足锂电池充电剩余时间预测对准确性和稳定性的要求,对循环神经网络进行了深入研究,建立了基于IndyLSTM的锂电池充电剩余时间预测模型,对lndyLSTM预测模型中超参数的设定方式进行了研究,对比分析了不同隐藏层层数、节点数、批大小和优化算法对预测模型的影响,并且与常规的长短期记忆网络(LSTM)及支持向量回归(SVR)的预测效果进行对比分析,实验结果表明,IndyLSTM模型相较于LSTM和SVR模型测试结果的均方根误差分别降低了 40.803%和46.345%,平均绝对误差百分比分别降低了 7.633和5.670。最后,根据设计方案搭建了实验平台,分别完成了信号采样单元、物联网云平台和充电剩余时间预测模块测试。测试结果证明了设计方案的可行性和预测方法的有效性。本文的研究成果可以为锂电池充电剩余时间预测的开发设计以及类似项目提供理论参考和设计指导,具有一定的推广价值。