基于LSTM的车用锂离子电池故障诊断研究.pdfVIP

哈尔滨理工大学电子信息硕士学位论文

基于LSTM的车用锂离子电池故障诊断研究

摘要

随着电动汽车的迅速发展，故障诊断和故障报警已成为学术界的研究热点。锂

离子电池作为电动汽车动力系统的重要组成部分，其性能和安全更是重中之重。因

此，本文以三元锂离子电池为例，提出了一种基于长短期记忆神经网络（LSTM）

的车用锂离子电池故障诊断算法，旨在有效检测锂离子单体电池的故障。

首先，本文通过对国内外相关文献的深入研究，掌握了传统故障诊断方法和基

于机器学习的故障诊断方法研究现状，确定本文的总体研究方向。通过对锂离子单

体电池的性能参数进行研究，对锂离子单体电池故障类型和机理进行总结，为后续

锂离子单体电池故障诊断做铺垫。

其次，利用实验室现有设备搭建了电池实验平台，并采集了锂离子电池在

HPPC工况和充放电循环工况下的数据。根据对多种锂离子电池模型的分析，设计

出2RC-PNGV等效电路模型，并通过数形结合的方法辨识模型参数。在Simulink

中搭建了仿真模型，测试结果表明误差率显著降低，验证了本文提出的2RC-PNGV

等效电路模型能够充分模拟锂离子电池的行为特征，具有较高的准确性和可靠性。

然后，本文对锂离子电池充放电循环数据进行处理，计算了CCCT、CVCT、

整体电压和电压变化率等指标。在MATLAB中搭建基于长短期记忆神经网络的

SOC估算模型以及故障诊断模型，分别使用Adam算法和遗传优化算法对模型超

参数进行优化，使用数据集对模型进行训练。由GA-LSTM模型与RNN模型、

LSTM模型对比结果可知，GA-LSTM模型的准确率和响应速度均显著提高。

最后，在锂离子电池仿真模型基础上，修改参数后模拟充放电并采集故障数据，

使用GA-LSTM模型对故障数据进行诊断，能够准确得出诊断结果。对比分析故障

样本与正常样本的电压曲线和数据，验证了故障诊断算法的准确性。所有实验均达

到预期，进一步证明了本文提出的故障诊断算法具有相当的实用价值。

关键词锂电池；长短期记忆神经网络；故障诊断；等效电路模型；遗传算法

-I-

哈尔滨理工大学电子信息硕士学位论文

ResearchonFaultDiagnosisofAutomotiveLithium-

IonBatteriesBasedonLSTM

Abstract

Withtherapiddevelopmentofelectricvehicles,faultdiagnosisandfaultalarmhave

becomearesearchhotspotintheacademiccommunity.Asanimportantpartofthe

powertrainofelectricvehicles,theperformanceandsafetyoflithium-ionbatteriesarethe

toppriorities.Therefore,takingternarylithium-ionbatteriesasanexample,thispaper

proposesafaultdiagnosisalgorithmforautomotivelithium-ionbatteriesbasedonLong

Short-TermMemoryNeuralNetwork(LSTM),whichaimstoeffectivelydetectthefaults

oflithium-ionbatteries.

Firstly,throughthein-depthstudyofrelevantliteratureathomeandabroad,this

papergraspstheresearchstatusoftraditionalfa