[发明专利]一种电动汽车锂离子电池的荷电状态计算方法

权利要求书

1.一种电动汽车锂离子电池的荷电状态计算方法，其特征在于，包含以下步骤：

S1、确定锂离子电池的SOC预测模型的输入为锂离子电池的电池端电压、电池电流和电池表面温度，输出为锂离子电池的SOC值；

S2、对锂离子电池进行充放电实验，按频率采集多组实验数据，包括：锂离子电池的电池端电压、电池电流、电池表面温度、以及真实SOC值；

S3、根据采集到的多组实验数据，基于Python平台，建立基于LSTM递归循环神经网络的锂离子电池的SOC预测模型；

S4、基于Python平台，对LSTM递归循环神经网络进行训练和验证，评估锂离子电池的SOC预测模型的可靠适用性。

2.如权利要求1所述的电动汽车锂离子电池的荷电状态计算方法，其特征在于，所述的S1中，具体包含以下步骤：

步骤11、分析电池表面温度对锂离子电池SOC的影响：锂离子电池的SOC值与锂离子电池的电池端电压、电池电流成正比关系；且电池表面温度越高时，锂离子电池的内阻越小，即在锂离子电池的容量相同时，放电的总容量越多；

步骤12、确定采用锂离子电池的电池端电压、电池电流、电池表面温度作为锂离子电池SOC预测模型的预输入量。

3.如权利要求1所述的电动汽车锂离子电池的荷电状态计算方法，其特征在于，所述的S2中，具体包含以下步骤：

S21、对锂离子电池进行充放电实验，利用功率分析仪，按频率采集N组数据，包括：锂离子电池的电池端电压、电池电流和功率；

S22、利用温度传感器，按同频率采集N组数据，包括：锂离子电池的电池表面温度；

S23、采集锂离子电池的SOC真实值。

4.如权利要求3所述的电动汽车锂离子电池的荷电状态计算方法，其特征在于，所述的S3中，具体包含以下步骤：

S31、将采集到的多组实验数据在Python平台进行归一化处理，将其中N-1组实验数据建立为训练集，剩余1组实验数据建立为验证集；

S32、建立基于LSTM递归循环神经网络的锂离子电池的SOC预测模型，该模型包含：输入层，LSTM细胞隐藏层和输出层；其中LSTM细胞隐藏层为3层LSTM递归循环神经网络。

5.如权利要求4所述的电动汽车锂离子电池的荷电状态计算方法，其特征在于，所述的基于LSTM递归循环神经网络的锂离子电池的SOC预测模型中，输入层将每组实验数据处理后输入到LSTM细胞隐藏层；LSTM细胞隐藏层包含3层LSTM神经细胞，在模型建立过程中，需对LSTM神经细胞的神经元、学习率等超参数进行设定，LSTM神经细胞通过前向传递函数得到误差函数，再对误差函数使用Adam梯度下降算法进行反向传递更新网络权重和偏置项；LSTM细胞隐藏层的输出作为输入传送至输出层，且输出层输出锂离子电池的SOC值。

6.如权利要求5所述的电动汽车锂离子电池的荷电状态计算方法，其特征在于，所述的S4中，具体包含以下步骤：

S41、在TensorFlow环境下，利用S31中建立的训练集对LSTM递归循环神经网络进行训练，并保存训练后的SOC预测模型；

S42、将S31中建立的验证集输入至S41中得到的SOC预测模型中，计算得到锂离子电池的SOC估算值；

S43、将S42中计算得到的SOC估算值与验证集中的SOC真实值进行最大绝对误差的计算；当最大绝对误差不超过5％时，判定锂离子电池的SOC预测模型可靠适用。

7.如权利要求6所述的电动汽车锂离子电池的荷电状态计算方法，其特征在于，所述的S41中，LSTM神经细胞的内部设置有三个门限，分别为遗忘门f_t，输入门i_t和输出门o_t；这三个门限描述了每个信息通过各个门限的程度，0表示禁止所有信息通过，1表示允许所有信息通过；并且LSTM递归循环神经网络的前向传播函数由这三个门限组成：

i_t＝σ(W_xiX_t+W_hih_t-1+b_i)

f_t＝σ(W_xfX_t+W_hfh_t-1+b_f)

c_t＝f_t*c_t-1+tanh(W_xcX_t+W_hch_t-1+b_c)

o_t＝σ(W_xoX_t+W_hoh_t-1+b_o)

其中，W_xi为输入层到输入门之间的权重；W_hi为上一时刻隐藏层与输入门之间的权重；W_xf为输入层到遗忘门之间的权重；W_hf为上一时刻隐藏层与遗忘门之间的权重；W_xc为输入层到状态细胞之间的权重；W_hc为上一时刻隐藏层与状态细胞之间的权重；W_xo为输入层到输出门之间的权重；W_ho为上一时刻隐藏层与输出门之间的权重；σ表示sigma函数；X_t表示输入；h_t-1表示上一时刻隐藏层的输出；b_i表示输入门偏置；b_f表示遗忘门偏置；c_t表示状态细胞输出；b_c表示状态细胞偏置；b_o表示输出门偏置；状态细胞是LSTM神经细胞的一部分；

根据所述的前向传播函数计算得出SOC估算值，并利用均方误差函数求取SOC估算值和SOC真实值之间的均方根误差MSE，用于LSTM递归循环神经网络的反向传播：

SOC_t＝W_out×o_t×tanh(c_t)+b_out；

其中，W_out为隐藏层到输出层的权重；b_out为隐藏层到输出层的偏置；n表示选取的整个训练集的序列长度；y_t和y_t’分别表示第t时刻的SOC真实值和SOC预测值；

再将得到的误差MSE对前一时刻的网络权重W和偏置b求导，更新SOC预测模型的网络权重为W'和偏置为b'：

通过上述三组函数计算过程，对基于LSTM递归循环神经网络的锂离子电池的SOC预测模型完成训练。