[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

说明书

本发明公开了一种基于深度神经网络的锂离子电池荷电状态估计方法，用来解决锂离子电池荷电状态精准估计困难的问题。该方法使用了长短期记忆神经网络对锂离子电池进行建模，然后使用训练数据对模型进行训练，得到训练好的荷电状态估计模型，使用测试数据得出荷电状态的估计结果并对模型的性能进行评估。该方法属于数据驱动的方法，具有方便快捷、实时性好、适应性强等特点，能够实现锂离子电池荷电状态的在线实时估计，具有非常重要的应用价值。

技术领域

本发明涉及电池荷电状态估计领域，具体涉及一种基于深度神经网络的锂离子电池荷电状态估计方法。

背景技术

锂离子电池作为最具发展前途的储能原件，现在已经被广泛应用于电动汽车领域。对锂离子电池进行精确的荷电状态估计对提升电动汽车的安全性以及提高电动汽车的续航里程有着重要的作用。

到目前为止，荷电状态的估计方法可以被分为两类：直接计算法和间接计算法。直接计算法中常常使用的方法主要包括安时积分法和开路电压法。安时积分法是行业中最常用的方法，但该方法存在累积误差和初值误差的问题。开路电压法是最常用的离线估计方法，因而不能用于在线估计，并且当电池在相同的荷电状态下接收到不同的充放电电流时，开路电压是不同的，因此通过开路电压估计荷电状态可能导致结果不准确。间接计算法主要包括基于模型的方法和基于神经网络的方法。基于模型的方法是通过建立合适的电池模型作为动力学方程，然后采用各种估计技术对荷电状态进行估计。但是这种方法中的电池模型的RC参数易受不确定运行条件和运行环境的影响，而且在对不同的电池进行荷电状态估计时必须重新对电池建模，因而迁移性差。基于神经网络的方法具有高度非线性匹配、适应性强等优点被广泛应用于荷电状态估计领域。该方法由于不需要捕捉电池的任何物理化学机制，因而不受到电池材料特性的约束，具有很好的迁移性和很强的实际推广意义。

发明内容

本发明的目的是为了解决现有技术的不足，提供一种基于深度神经网络的锂离子电池荷电状态估计方法，该方法能够充分利用过去的时间序列信息对当前的荷电状态进行精准的估计。

本发明是通过如下技术方案来实现的：

一种基于深度神经网络的锂离子电池荷电状态估计方法，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，得到荷电状态估计结果值。

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；