[发明专利]基于深度学习的锂离子电池SOC估计方法及系统

权利要求书

1.一种基于深度学习的锂离子电池SOC估计方法，其特征在于，包括：

获取锂离子电池的外部状态信息，并进行归一化处理；

构建简单循环单元神经网络模型，基于所述外部状态信息，利用预训练的简单循环单元神经网络模型对所述锂离子电池SOC进行估计；

所述简单循环单元神经网络模型采用采用2层SRU结构，其中每层有32个隐藏层神经元个数；采用Adam优化，学习率设置为0.001；模型评价指标选择为均方差损失函数；Batch-size设置为1500；Epoch设置为400；选用ReLU激活函数；

所述简单循环单元神经网络模型的训练具体如下：

利用预先建立的数据集对模型进行训练，为了模拟实际应用情况，在训练阶段，多工况的混合数据被用于模型训练，所述多工况下的UDDS工况、FUDS工况、DST工况和脉冲充放电的数据用来训练网络模型，并且为了提高训练准确性，将数据进行了顺序的随机打乱。

2.如权利要求1所述的一种基于深度学习的锂离子电池SOC估计方法，其特征在于，所述获取锂离子电池的外部状态信息，包括在不同温度点下的容量测试、工况测试数据，并经预处理后获得的一一对应的电压、电流和温度值。

3.如权利要求1所述的一种基于深度学习的锂离子电池SOC估计方法，其特征在于，由于测得的电池数据指标电压、电流、温度有不同的量纲和量纲单位，为了消除指标之间的量纲影响，通过数据进行归一化处理，解决数据指标之间的可比性问题，所述归一化处理采用线性归一化方法。

4.一种基于深度学习的锂离子电池SOC估计系统，其特征在于，包括：

数据获取单元，其用于获取锂离子电池的外部状态信息，并进行归一化处理；

模型构建单元，其用于构建简单循环单元神经网络模型；

SOC估计单元，其用于基于所述外部状态信息，利用预训练的简单循环单元神经网络模型对所述锂离子电池SOC进行估计；

所述简单循环单元神经网络模型采用采用2层SRU结构，其中每层有32个隐藏层神经元个数；采用Adam优化，学习率设置为0.001；模型评价指标选择为均方差损失函数；Batch-size设置为1500；Epoch设置为400；选用ReLU激活函数；

所述SOC估计单元中，所述简单循环单元神经网络模型的训练具体如下：

利用预先建立的数据集对模型进行训练，为了模拟实际应用情况，在训练阶段，多工况的混合数据被用于模型训练，所述多工况下的UDDS工况、FUDS工况、DST工况和脉冲充放电的数据用来训练网络模型，并且为了提高训练准确性，将数据进行了顺序的随机打乱。

5.如权利要求4所述的一种基于深度学习的锂离子电池SOC估计系统，其特征在于，所述数据获取单元中，所述获取锂离子电池的外部状态信息，包括在不同温度点下的容量测试、工况测试数据，并经预处理后获得的一一对应的电压、电流和温度值。

6.如权利要求4所述的一种基于深度学习的锂离子电池SOC估计系统，其特征在于，所述数据获取单元中，由于测得的电池数据指标电压、电流、温度有不同的量纲和量纲单位，为了消除指标之间的量纲影响，通过数据进行归一化处理，解决数据指标之间的可比性问题，所述归一化处理采用线性归一化方法。