摘要：全球汽车市场的变化对新能源汽车产业升级提出新的要求和挑战，精确监测SOC状态对于优化BMS性能具有重要意义。针对现有SOC估计方法无法同时满足实时监测和精度需求的问题，提出一种利用正则化随机扰动法优化LSTM模型的方法，通过随机扰动对模型注入高斯噪声作为动态扰动，以正则化为模型参数的设置构建空间界限，将多维参数空间构建与自适应噪声衰减机制结合实现门控单元协同优化，使改良后的LSTM模型能够在正则化约束的安全边界内开展参数空间定向搜索。实验结果表明，该模型在复杂的动态工况下MAE指标稳定维持在1.1%附近，相比传统SOC估计方法误差显著降低，对电流突变等干扰因素展现出较强的鲁棒性和监测精度，为优化BMS性能提供新路径。
关键词：SOC,LSTM网络,随机扰动
0引言
随着人民生活水平和环境保护意识的不断提高，在国家政策对新能源汽车产业的大力扶持等条件的影响下，近几年来我国新能源汽车保有量呈现快速增长的态势，新能源汽车取代传统油车已成为一种必然趋势，对新能源汽车的研究也是当下最热门的方向之一。动力电池包作为新能源汽车最重要的部件，其荷电状态（State of Charge，SOC）的监测精度会直接影响整车性能和电池包可靠性[1]，并关联电池包管理系统（Battery Manage⁃ment System，BMS）的能量管理策略优化及电池包健康监测等相关技术的发展。传统的SOC估计方法存在显著的理论缺陷，已经不能满足生产力的需求。安时积分法虽简单易用，但存在误差累积效应和动态响应滞后等弊端[2]，动态工况下的偏差波动较大；开路电压法需要长时间静置条件，不具有动态响应的特性[3]，且受温度漂移影响显著，实用性较差；卡尔曼滤波（Extended Kal⁃man Filter，EKF）等模型驱动方法虽能有效提升SOC估计精度，但其性能严重依赖等效电路模型对参数辨识的精确度[4]，在电池包老化的过程中需要频繁进行参数迭代更新，导致后期模型冗杂，计算量陡增。
近年来，随着对神经网络的研究不断深入，将深度学习技术应用在SOC估计中已经成为当前主流研究方向，其具有自我学习能力强、改良渠道多样化、潜力大、精度高等特点，基本克服了传统SOC估计方法的弊端[5]。当前神经网络在SOC估计中的应用主要有BP、径向基及小波神经网络，三者均属前馈网络架构[6]。前馈网络层间无反馈连接，权值更新仅依赖当前输入构建静态映射，导致估计精度受限。LSTM通过时序门控机制捕获SOC的动态记忆特性[7]，其循环结构适配时间序列特征但由于LTSM网络计算复杂度高，参数量大，导致并行化处理困难。针对上述LSTM网络的局限性，本文提出一种利用正则化随机扰动法（Regularized Stochastic Perturba⁃tion，RS）优化LSTM的方式，为解决传统LSTM网络在SOC估计的应用中存在的弊端提供了新的解决方案。
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/82154.html
