(通讯员:王卓尔,编辑:姚远)近日,武汉大学测绘遥感信息工程全国重点实验室李必军教授课题组在电动汽车动力电池状态智能预测领域取得重要进展,相关成果分别发表于能源领域一区TOP期刊《Energy》(影响因子 9.4)及《Applied Energy》(影响因子 11)。
发表在《Energy》的成果"An IMFO-LSTM BiGRU combined network for long-term multiple battery states prediction for electric vehicles"(一种用于电动汽车长期多电池状态预测的IMFO-LSTM_BIGRU组合网络),博士生王卓尔为第一作者,李必军教授为共同作者,张红娟副教授为通讯作者。该研究聚焦于全工况下多个电池参数的准确预测,提出了融合 LSTM、BiGRU与改进优化算法的新型预测框架,并在真实公交数据集上实现了电动汽车电池的多参数长期精准预测。
电池系统作为电动汽车的关键部件,显著影响着车辆的行驶性能和成本效益,预测动力电池的状态对于确保电动汽车的安全可靠运行至关重要。然而,传统的神经网络预测模型难以准确反映和预测由于不规则的车辆行驶模式导致的实际电池状态和潜在故障。为此,课题组提出了一种IMFO-LSTM_BiGRU网络,该网络嵌入在模型融合框架中,实现了对多种电池状态(包括总电流、单体电压和总电压)的准确长期预测。具体有以下技术亮点:(1)引入了一种结合LSTM与BiGRU网络的组合LSTM_BiGRU 结构,增强网络处理各种动力电池参数(如总电压、总电流和最大单体电压)长期时间序列的能力。(2)提出了一种IMFO算法用于LSTM_BiGRU网络的超参数自调优,从而提高预测精度。(3) 训练和测试数据集包含多辆车长期、连续、真实环境下的数据,为实际应用提供了可靠基础。

图1 电池状态预测模型概览
研究采用的数据集来自武汉公共交通客车。该客车的电池系统配备了智能监控系统,能够进行实时测量与记录。大量实际测试和实验表明:提出的IMFO-LSTM_BiGRU模型实现了面向电动汽车全工况下多电池状态的高鲁棒性和高精度长期预测。主要实验结论有:①IMFO-LSTM_BiGRU 模型在真实数据集上的预测精度显著优于现有先进方法,总电压预测误差约 0.1V。②IMFO 算法通过混沌初始化、非均匀变异和自适应惯性权重机制,相较原始 MFO 算法收敛更快,能更高效优化网络高维超参数。③LSTM_BiGRU 组合网络在特征提取能力上优于单一 LSTM、BiGRU 或 GRU 网络,其集成的双向处理和多层特征提取结构有效提升了长序列建模效率。④该模型成功解决了复杂工况下弱特征单体电压和随机总电流的预测难题,在电动公交车电池状态长期预测中展现出良好的鲁棒性和可靠性。

图2 课题组提出的IMFO-LSTM_BiGRU模型与一些经典系统的精度对比
该项目得到了国家重点研发计划项目(编号:2023YFB3907102)的资助。Energy论文链接:An IMFO-LSTM_BIGRU combined network for long-term multiple battery states prediction for electric vehicles - ScienceDirect
发表在《Applied Energy》的成果" MapVC: Map-based deep learning for real-time current prediction in eco-driving electric vehicles"(MapVC: 一种基于地图的深度学习方法用于生态驾驶电动汽车的实时电流预测),博士生王卓尔为第一作者,周剑副教授为共同作者,李必军教授为通讯作者。
动力电池运行电流的准确预测对于保障电动汽车(EV)的性能至关重要。然而,在现实复杂的生态驾驶场景中,尤其是再生制动系统(RBS)介入所产生的负电流,会使电力系统数据具有较强的随机性。为应对这一挑战,课题组提出了一种结合注意力机制的组合双向门控循环网络,并引入地图信息编码模块,实现电池系统电流的高精度预测。技术亮点包括:(1)引入基于地图与空间权重矩阵的地理信息编码,有效解决了RBS车辆电流数据的无序与高随机性带来的预测问题。(2)设计组合式门控循环网络,提升模型在反复充放电条件下的稳定性与可靠性。(3)提出改进河马优化(IHO)算法,提升参数调优效率。(4)采用多辆RBS车辆的长期真实运行数据,验证模型在长期预测任务中的适应性与鲁棒性。

图3 MapVC电流预测框架

图4 基于地图的地理信息编码过程
大量实验证明,该方法可实现面向生态驾驶电动汽车的高鲁棒性、高精度实时电流预测。主要结论如下:①引入地理信息编码后,模型在 MSE、RMSE、MAE 和 MAPE 四项指标上均优于未编码模型,显著提升了模型在真实运行数据中预测电池电流的能力。②MapVC 框架中的地理编码、多头注意力解码器、双向门控循环网络和 IHO 超参数优化算法相互配合,移除任一模块均会显著降低性能。③与五种主流模型相比,MapVC 在保持高精度的同时计算更轻量,满足车载 BMS 的实时部署需求。④改进的 IHO 算法通过三阶段协同搜索与动态变异策略,有效解决超参数优化中收敛慢、易陷局部最优等问题,在大规模随机数据下展现出更强的鲁棒性与泛化能力。

图5 引入地理信息编码前后的性能对比

图6 模型在消融研究中的预测性能

图7 不同模型的性能比较
该项目由湖北省重点研发计划项目(编号2023BAB146)资助。模型计算在武汉大学超级计算中心的超级计算机系统上完成。Applied Energy论文链接:MapVC: Map-based deep learning for real-time current prediction in eco-driving electric vehicles - ScienceDirect