国产精品激情,久久婷婷五月综合国产尤物app ,女人高潮喷水毛片免费

北理工熊瑞EnSM: 利用電池領(lǐng)域知識改善基于深度學(xué)習(xí)的電池SOC估計

荷電狀態(tài)（SOC）的準(zhǔn)確估計是鋰離子電池可靠運行的基礎(chǔ)，深度學(xué)習(xí)的最新發(fā)展為SOC估計提供了一種新興的解決方案。然而，有限的訓(xùn)練和測試情景及對電池工作原理的忽視降低了深度學(xué)習(xí)方法的性能。

在此，北京理工大學(xué)熊瑞教授等人探索將電池領(lǐng)域知識集成到基于深度學(xué)習(xí)的 SOC估計方法中，以提高在未知動態(tài)條件下的SOC估計性能。具體而言，作者開發(fā)了一個長短期記憶（LSTM）深度神經(jīng)網(wǎng)絡(luò)（DNN）作為基準(zhǔn)，并提出了兩項基于物理信息的改進：

一方面，作者提出使用在線等效電路模型將電壓和電流序列解耦為開路電壓、歐姆響應(yīng)和極化電壓。擴展的DNN輸入提供了有關(guān)電池狀態(tài)的豐富信息，可幫助DNN有效學(xué)習(xí)可測量信號和SOC之間的映射。

另一方面，作者開發(fā)了一個自適應(yīng)閉環(huán)框架以考慮SOC估計中的時間依賴性。DNN 采用蒙特卡洛丟棄法（Monte-Carlo Dropout）設(shè)計以減輕過度擬合并生成預(yù)測及其不確定性，進一步利用在線卡爾曼濾波器自動結(jié)合安培小時計數(shù)和提出的 DNN在看不見的動態(tài)曲線下實現(xiàn)準(zhǔn)確的SOC預(yù)測。

圖1. 用于SOC估計的整個DNN架構(gòu)

為了全面驗證所提出的方法，作者開發(fā)了一個包含經(jīng)歷了各種真實駕駛情景的8個電池的數(shù)據(jù)集，該數(shù)據(jù)集與僅基于標(biāo)準(zhǔn)駕駛情景的傳統(tǒng)數(shù)據(jù)集有顯著不同。結(jié)果顯示，為標(biāo)準(zhǔn)測試情景開發(fā)的傳統(tǒng)DNN方法在開發(fā)的數(shù)據(jù)集中表現(xiàn)不佳，其用于SOC估計的RMSE和MAE分別為2.51%和9.54%。相比之下，將這兩種改進結(jié)合到基本DNN中的深度學(xué)習(xí)方法顯示出急劇下降到1.85%和3.35%的RMSE和MAE，且該方法有效性分別在10°C、25°C和40°C下得到驗證。

此外，驗證結(jié)果表明，該方法可推廣到文獻(xiàn)中報道的DNN以有效提高其SOC估計性能。總之，這項研究表明，在將數(shù)據(jù)驅(qū)動的方法應(yīng)用于電池狀態(tài)監(jiān)測問題時，有必要更深入地了解電池動力學(xué)。

圖2. 不同方法對測試數(shù)據(jù)集中電池的SOC估計性能比較

Battery state-of-charge estimation amid dynamic usage with physics-informed deep learning, Energy Storage Materials 2022. DOI: 10.1016/j.ensm.2022.06.007

原創(chuàng)文章，作者：v-suan，如若轉(zhuǎn)載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/08/ae26082e45/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

北理工熊瑞EnSM: 利用電池領(lǐng)域知識改善基于深度學(xué)習(xí)的電池SOC估計

相關(guān)推薦