[发明专利]一种soc预估方法

说明书

本发明涉及一种soc预估方法，包括步骤100：收集电池历史参数；步骤200：向LSTM输入所述电池历史参数；步骤300：所述LSTM输出预估SOC；其特征在于，所述电池历史参数包括，充电次数F，是每次电池耗尽、再次充电唤醒计数一次；所述充电次数F对应的满电SOC；所述充电次数F对应的电池用时ΔT，是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间；所述电池用时ΔT内的扭矩TQ和/或速率V。利用LSTM的时间递归神经网络，精确估算SOC，具有省时省力、且估算精确的有益效果。可应用于便携电池使用领域，如新能源汽车、车联网、物联网等领域。

技术领域

本发明涉及总宽带一种soc预估方法，尤其涉及一种适用各种储能电池的SOC预估方法。

背景技术

当下原油价格上涨和全球环境问题引导新型电池储能系统快速发展。铅酸电池，镍氢电池，镍镉电池和锂离子电池等是目前工业上最常使用的几种电池。电池具有工作电池电压高，污染小，自放电率低，功率密度高的优点。电池由于其便携性，广泛应用于纯电动汽车或者混合动力电动汽车。

估计SOC(STATE OF CHARGE)电能是使用电池的基本要求，SOC是控制策略非常重要的参数，因而准确估计SOC不仅可以保护电池，防止过放电，提高电池寿命，还可以使应用制定合理的控制策略以节省能源。然而，电池是化学能存储源，没有手段可直接获得这种化学能的能量值，并且电池模型是有限的并且存在参数的不确定性，导致准确估计SOC非常复杂并且难以实施。现有SOC预估技术主要有(i)直接测量：该方法使用物理电池特性，例如电池的电压和阻抗。(ii)簿记估算：该方法使用放电电流作为输入，并将放电电流随时间积分以计算SOC。(iii)自适应系统：自适应系统是自我设计的，可以根据不同的放电条件自动调整SOC，现有技术中已有多种SOC估计的自适应系统。(iv)混合方法：混合模型综合上述三种SOC估算方法，各取其优点。

但是，由于各种储能电池的化学能特性并不一致，如锂电池铅酸电池的SOC与其开路电压(OCV，OPEN CIRCUIT VOLTAGE)之间近似线性关系，而锂电池的SOC与OCV之间并非线性关系，导致上述各种估算方法需要时时调整，耗时耗力，且现有SOC估算技术中没有考虑电池使用次数以及其他因素对SOC估算的影响，造成估算方法结构性缺陷。

发明内容

本发明提供一种soc预估方法，将电池使用次数等所有历史参数输入长短期记忆模型LSTM(LONG AND SHORT TERM MEMORY)，利用LSTM的时间递归神经网络，精确估算SOC，具有省时省力且估算精确的有益效果。

本发明提供一种soc预估方法，包括：步骤100：收集电池历史参数；步骤200：向LSTM输入所述电池历史参数；步骤300：所述LSTM输出预估SOC；其特征在于，所述电池历史参数包括，充电次数F，是每次电池耗尽、再次充电唤醒计数一次；所述充电次数F对应的满电SOC；所述充电次数F对应的电池用时ΔT，是电池耗尽、再次充电达到一次所述满电SOC后、电池运作至所述满电SOC耗尽的时间；所述电池用时ΔT内的扭矩TQ和/或速率V。

优选地，所述预估SOC由以下公式得出，

其中充电次数Fn＝n，f(n)是SOCn的权重，g是LSTM中神经元数量，K是LSTM中各神经元权重W与SOCn最符合预估因子扭矩TQ的关系。

优选地，所述预估SOC由以下公式得出，

其中充电次数Fn＝n，f(n)是SOCn的权重，g是LSTM中神经元数量，K是LSTM中各神经元权重W与SOCn最符合预估因子速率V的关系。

优选地，所述预估SOC由以下公式得出，

其中f(n)是SOCn的权重，g是LSTM中神经元数量，K是LSTM中各神经元权重W与SOCn最符合预估因子扭矩TQ的关系。

优选地，所述预估SOC由以下公式得出，