[发明专利]一种基于深度神经网络的锂离子电池荷电状态估计方法

权利要求书

1.一种基于深度神经网络的锂离子电池荷电状态估计方法，其特征在于，包括以下步骤：

(1)获取历史充放电数据：使用恒流恒压策略对锂离子电池进行充电，直至充满，然后在预设放电策略下对锂离子电池进行放电测试，直至到达放电截止电压，并以1HZ的采集频率记录锂离子电池的充放电数据，获取锂离子电池的历史充放电数据；

(2)特征提取：从所述的历史充放电数据中提取锂离子电池放电过程中的电压、电流和温度作为特征数据；

(3)数据处理：对所述的特征数据进行数据预处理和归一化处理，并将归一化后的数据转化为长短期记忆神经网络所需的输入序列格式，所述的归一化后的数据包括训练数据和测试数据；

(4)训练模型：使用所述的训练数据对基于长短期记忆神经网络的荷电状态估计模型进行训练，获得最终的荷电状态估计模型；

(5)荷电状态估计：将所述的测试数据输入到步骤(4)获得的模型中，得到荷电状态估计值。

2.如权利要求1所述的一种基于深度神经网络的锂离子电池荷电状态估计方法，其特征在于，步骤(3)中所述的数据处理具体包括以下步骤：

(31)对特征数据进行数据预处理，包括根据提取的电流计算锂离子电池实际的放电容量和实际的荷电状态值，计算公式如下：

Ca＝-∑i_t/3600；

SOC_t＝SOC_t-1+ηi_tΔt/3600Ca；

其中，Ca表示实际的放电容量，SOC_t和SOC_t-1分别表示t时刻和t-1时刻的实际的荷电状态值，i_t表示t时刻的放电电流，放电电流定义为负，η表示库伦效率取值为1，Δt表示采样间隔时间取值为1秒；

(32)采用Min-Max法对所述的特征数据中的电压、电流和温度进行归一化处理，归一化后的数据值域为[0,1]，计算公式如下：

其中，x表示要归一化的数据，x_min和x_max分别表示归一化数据中最小的数据值和最大的数据值，x_norm表示归一化后的结果；

(33)根据归一化后的电压V_t、电流I_t和温度T_t，形成长短期记忆神经网络的输入向量X_t＝[V_t,I_t,T_t]，对应的标签数据为实际的荷电状态值y_t＝[SOC_t]；

(34)将归一化后的特征数据转化为长短期记忆神经网络所需的输入序列格式，t时刻的输入序列如下：

其中，b为时间步。

3.如权利要求1所述的一种基于深度神经网络的锂离子电池荷电状态估计方法，其特征在于，步骤(4)中训练模型具体包括如下步骤：

(41)建立一个基于长短期记忆神经网络的荷电状态估计模型，所述模型包括输入层、隐藏层、全连接层和输出层，其中输入层节点为3，输出层节点为1；

(42)确定所述模型的超参数包括隐藏层数、隐藏层节点数、时间步、批处理个数、训练代数epochs，确定值分别为1，36，50，128，50；

(43)初始化所述的模型的权重和偏置；

(44)将所述的训练数据输入到所述的模型中，通过前向传播计算出荷电状态估计值计算公式如下：

其中，f表示所述模型的一次前向传播；

(45)计算所述模型的损失函数值，计算公式如下：

其中，N表示训练数据的长度；t表示训练数据的序号，y_t表示训练数据的荷电状态标签值，表示训练数据的荷电状态估计值；

(46)使用Adam优化算法不断调整所述的模型的权重与偏置；

(47)不断重复步骤(44)-步骤(46)直至所述的模型收敛，确定最终的荷电状态估计模型。