[发明专利]一种基于长短时记忆网络的电池SOC预测方法

说明书

本发明提出一种基于长短时记忆网络的电池SOC预测方法，能够捕获电池SOC预测时序，预测结果更加准确。本发明按照改造后的长短时记忆网络的结构，构建三层的径向基神经网络；随后下载NASA的电池数据集，根据电压，电流，温度，时间等信息组织从数据到SOC的数据格式；然后随机初始化改进长短时记忆网络的参数；其次，将数据输入到构建好的长短时记忆网络当中，得到输出；再次，根据时序梯度下降法，更新相关参数；再次，确定模型参数，模型训练过程结束；最后，将测试数据输入到训练好的模型当中便可以进行电池SOC预测。

技术领域

本发明涉及电池性能预测技术领域，特别涉及一种基于长短时记忆网络的电池SOC预测方法。

背景技术

锂离子电池作为一种新型的绿色能源，作为能源供给装置已经被广泛的应用到诸如手机，汽车等装置。然而，锂离子电池储能本身是一个复杂的化学反应过程，和传统的油车不同，它无法通过固定的油量来直接判断当前可用的能源量，而且电池循环使用过程中的不断充放电是一个非线性变化过程，无法直接使用简单的线性模型对荷电状态(SOC,State of Charge)进行估计。汽油搁置不用，油量不会损耗，但是对于锂电池来说，即便搁置不用，随着时间的推移，电池的可使用电量也会发生变化。

电池SOC的估计方法可以分为两大类，分别是基于经验模型的方法和基于数据驱动的方法。基于经验模型的方法需要对电池的工况进行精准的建模，但是模型对实际工作状况建模是一个复杂的非线性问题，没有办法通过经验建模的方式来准确解决。而基于数据驱动的方法通过使用电池的相关数据参数，比如电压，内阻等，通过构建它们和电池SOC的关系，建立一个非线性的模型来拟合这种复杂的非线性关系，这样的方式避免了对电池工况的单个建模，使得根据真实的数据能够适应于多种工况。然而现有的基于数据驱动的方法拟合能力差，需要使用拥有更强能力的非线性建模方法。

目前已有人提出一种基于循环神经网络的锂离子电池SOC预测方法(专利申请公布号：CN 108519556 A)，该方法通过一种改进的循环神经网络-长短时记忆网络来进行SOC的预测，实现了一种高精度的SOC估计方法，但是由于直接采用长短时记忆网络的结构，无法充分捕捉电池内部的动态时序特性。

发明内容

有鉴于此，本发明提出一种基于长短时记忆网络的电池SOC预测方法，能够捕获电池SOC预测时序，预测结果更加准确。

为实现上述目的，本发明基于长短时记忆网络的锂离子电池SOC预测方法，

本发明的一种基于长短时记忆网络的电池SOC预测方法，按照改造后的长短时记忆网络的结构，构建三层的径向基神经网络；随后下载NASA的电池数据集，根据电压、电流、温度以及时间组织从数据到SOC的数据格式；然后随机初始化改进长短时记忆网络的参数；其次，将数据输入到构建好的长短时记忆网络当中，得到输出；再次，根据时序梯度下降法，更新相关参数；再次，确定模型参数，模型训练过程结束；最后，将测试数据输入到训练好的模型当中进行电池SOC预测。

其中，改造后的长短时记忆网络的结构中，在构建模型完成之后，使用反向传播算法用来更新公式中的权重W_*；所述公式如下：

f_t＝σ(W_ft·x_t+W_fh·h_t-1+W_fc·C_t-1+b_f)

i_t＝σ(W_it·x_t+W_ih·h_t-1+W_ic·C_t-1+b_i)