基于神经网络的锂离子电池模型开题报告

1. 研究目的与意义（文献综述）

1.1研究背景和意义

锂离子电池由于具有寿命长，成本低，效率高的特点，已经被广泛用于移动通信、电气工程、航空航天等领域。经过在多个应用场景下的探索，锂离子电池技术已经从电池的小容量发展到系统结构的规模，逐渐成为了解决现代电力系统挑战的有效途径之一。

然而，因为锂离子电池的内部是一个极其复杂的非线性系统，所以很难直接对电池的荷电状态、剩余容量等关键信息做比较精确的观测或估算。这些因素依然制约着锂离子电池的进一步发展。建立能准确反应电池状态的高精度的锂离子电池模型，对电池的状态预测、优化控制等都有重要的意义。在已有的建模方法中，比较常见是构造等效电路模型和电化学模型。其中，等效电路模型已经发展出多种类型，包括一阶rc、二阶rc、三阶rc、带迟滞的一阶rc模型、以及带迟滞的二阶rc模型等等。这些模型已证明可以有效地对电池进行动态仿真，并且通常可以实现比较好的电池电压估测。然而，由于等效电路模型基本由线性电路元件组成，结构较为简单，对非线性的电池行为的表现能力有限，因此难以进一步提高电池状态预测的精度。相比之下，电化学模型是根据电池内部真实存在的电化学行为，以电化学反应反应表达式为基础建立的。它通常是一个多物理场的模型，涉及到电池物理尺寸、各反应物浓度、温度的产生和传递、主反应和一些副反应等等。电化学模型能非常精确的表达电池的行为，但是无论是计算上的成本、还是各种细节参数的获取，都代价巨大。而且它对系统噪音和电池老化带来的参数变化敏感，以至于这种模型几乎很少用在实际的电池管理系统上。

2. 研究的基本内容与方案

2.1研究内容与目标

本课题的研究内容是基于神经网络的锂离子电池模型。就目前的了解来看，建立一个神经网络模型，在学习相关理论知识、熟悉编程工具等铺垫之外，通常需要进行（1）制作数据集，包括训练集、测试集、验证集等；（2）选择网络结构；（3）调整超参数，如层数、神经元数、学习率、激活函数、损失函数等等；（4）选用神经网络优化方法：如归一化、正则化、反向传播算法，数据集切片大小和mini-batch划分等等；（5）训练神经网络，验证模型的输出。这些步骤需要根据经验反复调整，才能得到理想的结果。

因此，本课题首先研究基于多层前馈网络的电池建模，学习相关的理论知识，包括逻辑回归的计算、bp算法的推导等，以及基于python的编程技巧，向量化方法等。编写一套简单前馈网络的底层代码，以加深对神经网络基本实现步骤的理解。对前馈神经网络算法有了足够的认识之后，再进一步将其用于锂离子电池的建模。

3. 研究计划与安排

第1-2周：按照毕业设计任务书及要求，查阅国内外研究现状等文献；

第3周：撰写并提交毕业设计开题报告；

第4-5周：完成英文文献翻译；

4. 参考文献（12篇以上）

[1] 陈翌,白云飞,何瑛.数据驱动的锂电池健康状态估算方法比较[j].储能科学与技术,2019,8(06):1204-1210.

[2] 苏振浩,李晓杰,秦晋,杜文杰,韩宁.基于bp人工神经网络的动力电池soc估算方法[j].储能科学与技术 addin ne.ref.{593d8bfc-e18b-45bd-9cd8-a649d27aef6f}^[1-5],2019,8(05):868-873.

[3] 田家益. 电动汽车锂电池参数在线辨识及soc估算方法研究[d]. 河北工业大学, 2017.