[发明专利]一种电动汽车锂离子电池的荷电状态计算方法

说明书

本发明涉及一种电动汽车锂离子电池的荷电状态计算方法，包含：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、真实SOC值；S3、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。本发明充分利用深度学习的参量自学习能力，极大减少计算量，增强SOC预测模型的稳定性，提高锂离子电池SOC值计算的准确性，适用于各类电池管理系统。

技术领域

本发明涉及一种电动汽车锂离子电池SOC(State of Charge，荷电状态)的计算方法，具体是指一种能够准确估算电动汽车锂离子电池剩余容量的方法。

背景技术

锂离子电池因有着使用寿命周期长，自放电率(也称荷电保持能力，是指电池在开路状态下，电池所储存的电量在一定条件下的保持能力)低，效率高，能量和电力密度高，环境污染小等优点，已经成为电动汽车电池组的最佳选择。

相对于其他种类的电池，锂离子电池的成本较高，并且安全性和稳定性稍有不足。为了保证锂离子电池组的安全稳定运行，电动汽车需配备电池管理系统对其进行实时监控，而SOC估算就是其中一个重要的被监控参数，其对锂离子电池的安全使用将起到至关重要的作用。所述的SOC是指锂离子电池当前剩余容量与总电量的比值。目前，围绕锂离子电池SOC准确估算的问题被广泛研究，国内外研究机构和高校针对锂离子电池的SOC估算展开了大量的研究实验。

由于SOC是电池内部状态参数，无法直接测量得到，只能通过测量电池的电压、电流和表面温度等相关参数进行间接估算。传统的SOC估算方法有安时法、开路电压法、内阻法和卡尔曼滤波法等，由于电池表面温度和充放电电流不均等因素的影响，导致传统的SOC估算方法的精度均不高。

一、安时法是对电流进行时间积分得到电池放电量，用电池总电量相减后得到剩余电量，再将剩余电量除以总电量得到电池SOC值。因此，如果电流测量值存在误差，随着时间的增加，误差也会累计增大，并且安时法对于电池初始SOC值的准确度要求很高，否则后续误差会很大，这在实际使用中很难实现。

二、开路电压法是根据电池SOC-OCV(荷电状态-开路电压)曲线，测量开路电压后，通过查表法获得电池SOC值。此方法需要电池在测量之前长时间静置，因此无法满足在线监测的需求。

三、内阻法是利用等效阻抗电路来模拟电池的动态响应，等效电路模型中采用的RC模块越多，模型的准确度越高；但同时模型的参数个数也会增多，导致计算量也会增大。并且内阻法忽略了电池内部的物理反应和化学反应，当电池有过充过放等情况发生时，等效电路将无法反应真实情况的电池模型，从而导致电池SOC估算方法的精度不高。

四、卡尔曼滤波法是目前在SOC估算中应用最为广泛的方法，在估算过程中能够修正SOC的初始误差，但需要对电池建立精准的等效数学模型。实际中，对于电池的建模往往无法获得精准模型，因此使用卡尔曼滤波方法也会产生较大的估算误差，并且建模过程中设计的矩阵计算量极大。

综上所述，对于锂离子电池SOC的估算，目前尚没有全面有效的解决方案，需要在提高准确度和降低计算量这两方面进行有效优化。因此，本发明提出一种新的电动汽车锂离子电池的荷电状态计算方法，以解决现有技术中存在的限制和需求。

发明内容

本发明的目的是提供一种电动汽车锂离子电池的荷电状态计算方法，充分利用深度学习的参量自学习能力，极大减少计算量，增强SOC预测模型的稳定性，提高锂离子电池SOC值计算的准确性，适用于各类电池管理系统。

为实现上述目的，本发明提供一种电动汽车锂离子电池的荷电状态计算方法，包含以下步骤：