Прогнозирование степени заряженности литий-ионного аккумулятора на основе нейросети
DOI: 10.21293/1818-0442-2025-28-4-155-161
☷
- О ТУСУРе
- Абитуриентам
-
Студентам
- Первокурсникам
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Групповое проектное обучение
- Журнал посещаемости
- Журнал успеваемости
- Клубы по интересам
- Спорт в ТУСУРе
- Профком студентов
- Содействие трудоустройству
- Облачное хранилище ТУСУРа
- Поддержка студенческих семей
- Поддержка участников СВО и их детей
- Многофункциональный центр
- Аспирантам
-
Сотрудникам
- Телефонный справочник
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Журнал посещаемости
- Журнал успеваемости
- Генератор рабочих программ
- Генератор ОПОП
- Генератор ИПРП
- Показатели эффективности труда ППС
- Спорт в ТУСУРе
- Профком сотрудников
- Облачное хранилище ТУСУРа
- Выпускникам
- Партнёрам
Аннотация: Рассматривается задача прогнозирования степени заряженности (State of Charge, SOC) литий-ионных аккумуля- торов (Lithium-Ion Battery, LIB) систем накопления электроэнергии для технологического оборудования и по- движных объектов. Предлагается подход на основе нейронных сетей, преодолевающий ограничения традицион- ных математических моделей, требующих предварительного знания параметров аккумулятора. Исследуются три типа архитектур: многослойные персептроны (Multi-Layer Perceptron, MLP), рекуррентные нейронные сети (Recurrent Neural Network, RNN) и управляемые рекуррентные блоки (Gated Recurrent Unit, GRU) – для анализа их эффективности прогнозирования SOC. Сформулирована методика обучения этих нейросетевых моделей на экспериментальных данных, включающих временные ряды напряжения, тока и температуры при динамических режимах разряда. Подтверждены различия в точности и вычислительных затратах: нейросеть типа MLP обуча- ется быстрее, но не учитывает временные зависимости; нейросети типа RNN и GRU показывают меньшую ошибку на тестовой выборке, но требуют больше вычислительных затрат. Практическая применимость резуль- татов проверена при оптимизации алгоритмов оценки SOC на вычислительных экспериментах.
Ключевые слова: литий-ионной аккумулятор, степень заряженности, нейросеть, архитектуры нейросетей: MLP, RNN, GRU
Библиография статьи:
Букреев В. Г. Прогнозирование степени заряженности литий-ионного аккумулятора на основе нейросети / В. Г. Букреев, Ф. Н. Хоанг // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2025. – Т. 28, № 4. – С. 155–161. DOI: 10.21293/1818-0442-2025-28-4-155-161
Авторы и правообладатели:
- Букреев В. Г. , Национальный исследовательский Томский политехнический университет (Томск, Россия)
- Хоанг Ф. Н. , Национальный исследовательский Томский политехнический университет (Томск, Россия)
- 1. Tian N. On Parameter Identification of an Equivalent Circuit Model for Lithium-Ion Batteries / N. Tian, Y. Wang, J. Chen and H. Fang // 2017 Conference on Control Technology and Applications (CCTA). – Hawai'i, USA, 2017. – P. 187–192.
- 2. Enhanced coulomb counting method for estimating state-of-charge and state-of-health of lithium-ion batteries / K.S. Ng, C.-S. Moo, Y.-P. Chen, Y.-C. Hsieh // Appl Energy. – 2009. – Vol. 86. – P. 1506–1511.
- 3. Analysis of equivalent circuit models in lithium-ion batteries / H.W. You, J.I. Bae, S.J. Cho, J.M. Lee, S.-H. Kim // AIP Advances. – 2018. – Vol. 8, No. 12. – P. 125101.
- 4. Plett G.L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs. Part 1: Background // Journal of Power Sources. – 2004. – Vol. 134. – P. 252–261.
- 5. Lee J. Li-ion battery SOC estimation method based on the reduced order extended Kalman filtering / J. Lee, O. Nam, B.H. Cho // Journal of Power Sources. – 2007. –Vol. 174. – P. 9–15.
- 6. Plett G.L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs. Part 2: Modeling and identification // Journal of Power Sources. – 2004. – Vol. 134. – P. 262–276.
- 7. He W. State of charge estimation for Li-ion batteries using neural network modeling and unscented Kalman filter-based error cancellation / W. He, N. Williard, C. Chen, M. Pecht // Electrical Power and Energy Systems. – 2014. – Vol. 62. – P. 783–791.
- 8. Казаков Ф.А. Использование нейронных сетей с временными рядами данных для анализа потоков данных / Ф.А. Казаков, А.В. Шнайдер // Современные наукоемкие технологии. – 2021. – Т. 6, № 2. – С. 260–264.
- 9. Феофилов С.В. Применение рекуррентных нейронных сетей в замкнутых следящих системах с нелинейными объектами / С.В. Феофилов, Д.Л. Хапкин // Известия ТулГУ. Технические науки. – 2021. – Вып. 11. – С. 72–80.
- 10. Хайкин С. Нейронные сети: полный курс. – 2-е изд.; пер. с англ. С. Хайкин. – М.: Вильямс, 2006. – 1104 с.
- 11. Garbin C. Dropout vs. Batch Normalization: An Empirical Study of Their Impact to Deep Learning / C. Garbin, X. Zhu, O. Marques // Multimedia Tools and Applications. – 2020. – Vol. 79. – P. 12777–12815.
- 12. Jagtap A.D. How important are activation functions in regression and classification? A survey, performance comparison, and future directions / A.D. Jagtap, G.E. Karniadakis // Journal of Machine Learning for Modeling and Computing. – 2023. – Vol. 4, No. 1. – P. 21–75.
- 13. Chaoui H. State of Charge and State of Health Estimation for Lithium Batteries Using Recurrent Neural Networks / H. Chaoui, C.C. Ibe-Ekeocha // IEEE Trans. Veh. Technol. – 2017. – Vol. 66. – P. 8773–8783.
- 14. Новиков А.А. Анализ методов прогнозирования временных рядов / А.А. Новиков, Е.О. Будзинская, О.Н. Канева // Междунар. молодежная науч.-практ. конф. с элементами научной школы. – Омск: ОмГТУ, 2020. – Т. 4, № 1. – С. 37–43.
- 15. Перепелкин В.Ю. Использование рекуррентных нейросетей сетей для прогнозирования временных рядов // Современная наука: актуальные проблемы теории и практики. Сер.: Естественные и технические науки. – 2023. – № 07. – С. 80–82.
- 16. Yang F. State-of-charge estimation of lithium-ion batteries based on gated recurrent neural network / F. Yang, W. Li, C. Li, Q. Miao // Energy. – 2019. – Vol. 175. – P. 66–75.
- 17. Пашшоев Б. Анализ нейросетевых моделей для прогнозирования временных рядов / Б. Пашшоев, Д.А. Петрусевич // Russian Technological Journal. – 2024. – Т. 12, No. 4. – P. 106–116.
- 18. Pecht M. Battery Data Set. CALCE, CALCE Battery Research Group, Maryland, MD, 2017 [Электронный ресурс]. – URL: https://web.calce.umd.edu/batteries/data.htm (дата обращения: 20.05.2025).
- 19. Старовойтов В.В. Нормализация данных в машинном обучении / В.В. Старовойтов, Ю.И. Голуб // Информатика. – 2021. − Т. 18, № 3. – С. 83–96.
-2026-1_%D0%BA%D0%BE%D0%BF%D0%B8%D1%8F.jpg)
Адрес редакции
Подписка на обновления
