基于深度学习网络的Simulink电池充电状态估计

这个示例使用:

这个例子展示了如何在Simulink®模型中使用前馈深度学习网络来预测电池的荷电状态(SOC)。您可以使用Predict块在Simulink模型中包含网络，该块在每个模拟步骤中预测SOC。

电池荷电状态是电池的荷电水平相对于其容量的百分比。SOC是汽车能源管理系统的关键信息，必须准确估计，以确保电动汽车的可靠性和可负担性。基于卡尔曼滤波(EKF)算法的方法是解决这一问题的传统方法，但它们通常需要精确的参数和对电池组成及其物理响应的了解。相比之下，使用神经网络是一种数据驱动的方法，需要对电池或其非线性行为的知识最少[1]。

本例使用预处理数据集LG_HG2_Prepared_Dataset_McMasterUniversity_Jan_2020从[1]。该示例使用经过训练的前馈神经网络来预测锂离子电池的SOC，给定时间序列数据代表电池的各种特征，如电压、电流、温度、平均电压和平均电流。有关如何训练网络的示例，请参见利用深度学习预测电池充电状态．

基于Simulink的SOC预测模型

打开Simulink模型BatterySOCSimulinkEstimation.slx．

BatterySOCSimulinkEstimation_ini;modelName =“BatterySOCSimulinkEstimation”；open_system (modelName);

该模型使用两个From Workspace块从测试数据中加载训练过的网络和目标SOC的预测器，一个来自深度学习工具箱™库的Predict块，以及两个范围块显示预测输出和输入信号。

Predict块通过使用使用块参数指定的经过训练的网络来预测输入处数据的响应。该块接受具有神经网络输入层维数的输入信号并输出预测。

运行仿真

为了预测电池的充电状态并验证预测的效率，运行仿真。

sim卡(“BatterySOCSimulinkEstimation”）;

您可以将该系统集成到更大的框架中，例如，在电池管理系统中，该系统持续监控电池的状态，并在电池在安全操作区域之外运行时制定预防措施。

分析输入

要绘制输入，请使用soc_estimation_plot_inputs.m脚本。

BatterySOCSimulinkEstimation_plot_inputs;

绘制和分析输出

为了分析网络的性能，将从网络得到的预测结果与测试数据进行比较。

要绘制输出，请使用soc_estimation_plot_outputs.m脚本。

BatterySOCSimulinkEstimation_plot_outputs;

该图显示了神经网络对SOC随时间变化的预测。网络预测与测试数据得到的SOC值接近。该网络在-10˚C至25˚C的温度范围内预测电荷状态的精度为3。

参考文献

[1]科尔梅耶，菲利普，卡洛斯·比达尔，米娜·纳吉布，迈克尔·斯凯尔斯。LG 18650HG2锂离子电池数据和示例深度神经网络XEV SOC估计脚本。门德利，2020年3月5日。https://doi.org/10.17632/CP3473X7XV.3．

另请参阅

有状态的预测|预测|trainingOptions|trainNetwork