随着新能源机车向高效率、智能化方向发展,精准监测动力电池的充放电状态(state of charge,SOC)和健康状态(state of health,SOH)对于保障机车运行安全尤为关键。针对传统独立估计方法在复杂工况下适应性差、难以捕捉时变耦合特性的问题...随着新能源机车向高效率、智能化方向发展,精准监测动力电池的充放电状态(state of charge,SOC)和健康状态(state of health,SOH)对于保障机车运行安全尤为关键。针对传统独立估计方法在复杂工况下适应性差、难以捕捉时变耦合特性的问题,提出一种基于自适应加权多通道长短期记忆网络(long short-term memory,LSTM)与Transformer融合的联合网络架构(MLTA-Net)。该方法构建了涵盖多层次特征的电池健康因子集合,引入等压升时间、最大容量增量电压等关键动态特征,从电化学机理层面强化了老化趋势的表征能力。MLTA-Net模型采用多通道并行架构,分离处理不同类型的电池数据特征,通过LSTM编码器捕获短期时序依赖关系,利用Transformer多头自注意力机制解析全局工况特征,并通过自适应加权融合层进行特征融合,实现电池状态高精度优化估计。实验方法基于磷酸铁锂电池循环老化数据集,在不同老化阶段下对SOH进行估计。研究结果表明,所提方法对电池最大容量衰减均方根误差稳定在0.06%以内,在预测误差、稳定性方面均优于传统方法。在脉冲工况和深度充放电条件下对电池SOC-SOH进行联合估计,预测精度相比单独估计有显著提升,尤其在SOC发生突变的关键时刻误差降低了84.2%,在电池老化阶段展现出更强的鲁棒性和泛化能力。本研究为复杂工况下的SOC-SOH联合估计提供了高效、精准的解决方案,为智能电池管理系统的优化提供了理论参考和技术支持。展开更多
文摘随着新能源机车向高效率、智能化方向发展,精准监测动力电池的充放电状态(state of charge,SOC)和健康状态(state of health,SOH)对于保障机车运行安全尤为关键。针对传统独立估计方法在复杂工况下适应性差、难以捕捉时变耦合特性的问题,提出一种基于自适应加权多通道长短期记忆网络(long short-term memory,LSTM)与Transformer融合的联合网络架构(MLTA-Net)。该方法构建了涵盖多层次特征的电池健康因子集合,引入等压升时间、最大容量增量电压等关键动态特征,从电化学机理层面强化了老化趋势的表征能力。MLTA-Net模型采用多通道并行架构,分离处理不同类型的电池数据特征,通过LSTM编码器捕获短期时序依赖关系,利用Transformer多头自注意力机制解析全局工况特征,并通过自适应加权融合层进行特征融合,实现电池状态高精度优化估计。实验方法基于磷酸铁锂电池循环老化数据集,在不同老化阶段下对SOH进行估计。研究结果表明,所提方法对电池最大容量衰减均方根误差稳定在0.06%以内,在预测误差、稳定性方面均优于传统方法。在脉冲工况和深度充放电条件下对电池SOC-SOH进行联合估计,预测精度相比单独估计有显著提升,尤其在SOC发生突变的关键时刻误差降低了84.2%,在电池老化阶段展现出更强的鲁棒性和泛化能力。本研究为复杂工况下的SOC-SOH联合估计提供了高效、精准的解决方案,为智能电池管理系统的优化提供了理论参考和技术支持。
