电池电荷状态估计在仿真软件中使用深度学习网络金宝app
这个例子展示了如何使用一个前馈深入学习网络模型内®模型预测的状态(SOC)的电池充电。金宝app包括内部的网络仿真软件模型通过使用预测块,预测SOC在每一个仿真的步骤金宝app。
电池SOC是电池的电量水平相对于其容量的比例来衡量。SOC车辆能量管理系统是至关重要的信息,必须准确地估计,确保可靠和负担得起的电动汽车。方法基于卡尔曼滤波(EKF)算法对这一问题的传统方法,但他们通常需要精确的参数和电池组成的知识以及它的物理反应。相比之下,使用神经网络是一种数据驱动的方法,需要最小的电池知识或其非线性行为[1]。
下面的例子使用了预处理数据集LG_HG2_Prepared_Dataset_McMasterUniversity_Jan_2020从[1]。示例使用一个训练前馈神经网络预测锂离子电池的SOC,给定的时间序列数据代表电池的各种特性,如电压、电流、温度、平均电压和平均电流。为一个例子,演示如何训练网络,看到的使用深度学习预测电池电荷状态。
金宝app仿真软件模型来预测SOC
打开模型模型金宝appBatterySOC金宝appSimulinkEstimation.slx。
BatterySOC金宝appSimulinkEstimation_ini;modelName =“BatterySOC金宝appSimulinkEstimation”;open_system (modelName);
模型使用了两个工作区块加载训练网络的预测和目标的SOC测试数据,预测块的深度学习工具箱™图书馆,和两个范围块的预测输出和输入信号。
预测块预测反应的数据输入到使用您所指定的培训网络,使用块参数。块接受一个输入信号维数的神经网络的输入层和输出的预测。
运行仿真
预测电池的电荷状态和验证预测的效率,运行仿真。
sim卡(“BatterySOC金宝appSimulinkEstimation”);
这个系统可以集成在一个大的框架,例如,在电池管理系统,不断监测蓄电池的状态,制定预防措施,如果电池操作以外的安全操作区域。
分析输入
情节的输入,使用soc_estimation_plot_inputs.m脚本。
BatterySOC金宝appSimulinkEstimation_plot_inputs;
情节和分析输出
分析网络的性能,比较预测的结果与测试数据从网络获得。
绘制输出,使用soc_estimation_plot_outputs.m脚本。
BatterySOC金宝appSimulinkEstimation_plot_outputs;
图显示了神经网络的预测SOC。网络预测接近SOC测试数据中获取的值。网络预测精度的电荷状态3在一个温度范围-10˚C - 25˚C。
引用
[1]Kollmeyer菲利普卡洛斯·维达尔,米娜Naguib,和迈克尔Skells。“LG 18650 hg2锂电池数据和例子深层神经网络XEV SOC估计脚本。“Mendeley, 3月5日,2020年。https://doi.org/10.17632/CP3473X7XV.3。
另请参阅
有状态的预测|预测|trainingOptions|trainNetwork
