[发明专利]一种基于LSTM的车载锂电池的状态预测方法

权利要求书

1.一种基于LSTM的车载锂电池的状态预测方法，其特征在于，包括如下步骤：

步骤1：对车载数据进行预处理：

步骤2：建立LSTM神经网络模型，对所述LSTM神经网络模型进行训练和优化；

步骤3：通过步骤2中的LSTM神经网络模型对车载锂电池的状态进行估算和预测。

2.根据权利要求1所述的基于LSTM的车载锂电池的状态预测方法，其特征在于，步骤1具体包括如下步骤：

步骤1.1：采集车载锂电池的车载数据，所述车载数据包括车载外电压、车载电流、外电压变化率和电流变化率，公式如下：

式中：ΔV为外电压变化率，ΔI为电流变化率，V为车载外电压，I为车载电流；

步骤1.2：对采集到的车载数据包括归一化处理，使车载数据映射结果处于[0,1]范围内，公式如下：

式中，max为所采集样本数据的最大值，min为所采集样本数据的最小值，x为ΔV或ΔI。

3.根据权利要求1所述的基于LSTM的车载锂电池的状态预测方法，其特征在于，所述LSTM神经网络模型包括LSTM神经网络结构，所述LSTM神经网络结构包括输入层、输出层和若干个隐藏层，所述输入层的参数为车载外电压、车载电流、外电压变化率和电流变化率，所述输出层的参数为SOC估算数据，每个隐藏层前一时刻的细胞状态C_t和隐藏层输出h_t经过前向计算和反向传播过程中内置梯度的计算，不断的更新所建模型的权重参数。

4.根据权利要求1所述的基于LSTM的车载锂电池的状态预测方法，其特征在于，步骤2中的评价指标如下：

式中，SOC_i为真实值，为模型的估算值，K代表样本数量。

5.根据权利要求1所述的基于LSTM的车载锂电池的状态预测方法，其特征在于，所述C_t和h_t的计算方式如下：

h_t＝o_t*tanh(C_t)

式中，为候选值向量，o_t由上一时刻隐藏层输出h_t-1和当前时刻输入x_t构成，f_t为细胞状态经过遗弃门处理后的数据。

6.根据权利要求1所述的基于LSTM的车载锂电池的状态预测方法，其特征在于，所述神经网络中更新网络权重和偏置的计算方法如下：

式中，m_ε、γ_ε为第ε时间步时的初始L1、L2正则化衰减矩阵衰减因子，

为m_ε、γ_ε更新后的矩阵，β₁、β₂为衰减因子，α为学习率，θ＝1×10^-8。