[发明专利]一种基于时间卷积网络的锂离子动力电池估算方法

说明书

本发明涉及一种基于时间卷积网络的锂离子动力电池估算方法，包括：建立初始时间卷积网络模型；获取电池的实时状态数据集；根据电池的实时状态数据集对初始时间卷积网络模型进行训练、验证和测试，得到目标时间卷积网络模型；将待估算的电池数据输入至目标时间卷积网络模型，得到电池剩余电量量测值；根据待估算的电池数据，通过预设方法计算出电池剩余电量观测值；根据电池剩余电量量测值和电池剩余电量观测值，通过卡尔曼滤波计算电池剩余电量估算值；通过卡尔曼滤波算法优化电池剩余电量估算值。本发明结合卡尔曼滤波和时间卷积网络对电池SOC进行估算，克服了卡尔曼滤波算法需要精确的等效电池组电路模型的缺点，减小了神经网络估算方法的误差。

技术领域

本发明涉及电池监测技术领域，尤其涉及一种基于时间卷积网络的 锂离子动力电池估算方法。

背景技术

新能源汽车将逐步替代燃油车，电池作为新能源汽车的动力源也发 展起来。电池性能的提升成为电动汽车续航里程、安全性能、使用寿命 和功率特性实现突破的关键。为了电池安全高效的工作，最关键的环节 是电池管理系统技术。它可以实现电池参数的准确估测、动态监测以及 电池单体间的均衡。但是由于电动汽车具有多工况、变负载、宽调速范围等特点，电动汽车动力电池在使用的过程中表现出高度的非线性，变 流工作特性，使准确的估算SOC具有很大的难度。

现有的电池SOC估算技术大体可以分为三类：1、基于电池特征参 数的方法；2、基于电池模型的方法；3、基于数据驱动的方法。

现有的电池SOC估算技术在实际应用时效果并不显著，具体原因可 归结为以下几点：一、基于电池特征参数的方法是一个开环算法，由于 不确定的干扰和变量例如：温度，电流等，会导致SOC的不确定性，并 且计算的SOC值具有初始的SOC误差和累计的电流测量误差，并且该 方法需要电池完全充放电和定期的容量校准，这样缩短了电池的使用寿 命。二、基于模型的方法试图将各种因素整合到复杂的数学方程中以估 计电池的SOC，基于电池模型的方法存在一些问题：1、无论是等效电路 模型，电化学模型还是电化学阻抗模型都无法完全表征电池的特性；2、 对于建立的状态空间方程，状态变量的初始值不明确；3、很难用某一特 定的模型涵盖所有的电池的使用状态。三、基于数据驱动的方法建立的 神经的网络不具有记忆功能，并且在训练的网络的时候需要大量的人工 调参。

发明内容

有鉴于此，有必要提供一种基于时间卷积网络的锂离子动力电池估 算方法，用以解决现有技术中变量难以确定，建模困难，需要大量人工 调参的问题。

为达到上述技术目的，本发明采取了以下技术方案：

第一方面，本发明提供了一种基于时间卷积网络的锂离子动力电池 估算方法，包括：

建立初始时间卷积网络模型；

获取电池的实时状态数据集；

根据电池的实时状态数据集对初始时间卷积网络模型进行训练、验 证和测试，得到目标时间卷积网络模型；

将待估算的电池数据输入至目标时间卷积网络模型，得到电池剩余 电量量测值；

根据待估算的电池数据，通过预设方法计算出电池剩余电量观测值； 根据电池剩余电量量测值和电池剩余电量观测值，通过卡尔曼滤波算法 计算电池剩余电量估算值；

通过卡尔曼滤波算法优化电池剩余电量估算值。

优选的，通过预设方法计算出电池剩余电量观测值，具体为：

将电池剩余电量观测值离散化：

其中，I_k表示k时刻电流值，Δt表示采样时间，C_n表示电池的额定 容量，服从N(0,Q)高斯分布，X(k)是k时刻的电池剩余电量观测值。