[發明專利]一種鋰電池荷電狀態估計方法

有效

• 申請號: 201910185029.4
• 申請日: 2019-03-12
• 公開（公告）號: CN110082682B
• 公開（公告）日: 2020-04-24
• 發明（設計）人: 郭創新;朱承治;袁根;王雪平;曹袖
• 申請（專利權）人: 浙江大學;國網浙江省電力有限公司
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/392
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 忻明年

1.一種鋰電池荷電狀態估計方法,其特征在于，包括以下步驟：

步驟1、輸入原始數據集，原始數據集包含鋰電池工作數據；

步驟2、清洗原始數據集，抽取需要的數據字段；

首先，去掉原始數據集中數據字段包含空值、負值的數據，獲取清洗后的數據；

然后，計算出每組數據對應的鋰電池電荷剩余量作為數據標簽，生成標準的二維數據矩陣；

步驟3、設定遺傳算法的初始值，并選擇使用非線性自回歸外源輸入神經網絡預測結果的均方誤差作為遺傳算法的適應度函數；

所述的初始值包括迭代次數、個體數、需要優化的變量，其中需要優化的變量包括非線性自回歸外源輸入神經網絡的輸入延遲、反饋延遲、隱層神經元數；

步驟4、搭建神經網絡：

首先，搭建供遺傳算法優化使用的非線性自回歸外源輸入神經網絡；非線性自回歸外源輸入神經網絡的輸入延遲、反饋延遲、隱層神經元數由遺傳算法隨機生成的個體包含的數值確定；

非線性自回歸外源輸入神經網絡的網絡結構分為輸入層、隱層、輸出層；

步驟5、優化遺傳算法

將步驟2中清洗好的數據集劃分為訓練集、驗證集和測試集，分別作為非線性自回歸外源輸入神經網絡的輸入；

根據步驟3設定的遺傳算法的初始值和適應度函數來確定非線性自回歸外源輸入神經網絡的輸入延遲、反饋延遲、隱層神經元數的最優值，直到達到迭代次數；

步驟6、訓練預測模型

將步驟5中確定的非線性自回歸外源輸入神經網絡的輸入延遲、反饋延遲、隱層神經元數的最優值，搭建新的非線性自回歸外源輸入神經網絡；

運行非線性自回歸外源輸入神經網絡，開始訓練鋰電池荷電狀態預測模型，將生成的模型用于鋰電池荷電狀態的預測。

2.根據權利要求1所述的一種鋰電池荷電狀態估計方法，其特征在于：

所述步驟2中，從原始數據集中的若干表格中抽取出與鋰電池荷電狀態相關的電流、電壓、溫度、初始電池容量、時間的數據；對抽取的數據進行篩查負值和空值信息，并刪除負值和空值信息；根據初始電池容量和時間計算鋰電池對應時刻的荷電狀態；將電流、電壓、溫度作為分析數據，轉換成一個二維數據矩陣；將荷電狀態作為數據標簽。

3.根據權利要求2所述的一種鋰電池荷電狀態估計方法，其特征在于，所述步驟S3中，遺傳算法優化的變量設置為非線性自回歸外源輸入神經網絡的輸入延遲、反饋延遲、隱層神經元數，三個參數范圍設定在0至20之間；選擇非線性自回歸外源輸入神經網絡預測結果的均方誤差作為遺傳算法的適應度函數。

4.根據權利要求3所述的一種鋰電池荷電狀態估計方法，其特征在于，所述步驟4中，選擇電流、電壓、溫度作為非線性自回歸外源輸入神經網絡的三個輸入維度，步驟2中計算得到的電荷剩余量標簽數據作為參考值；非線性自回歸外源輸入神經網絡設定為三層結構，包括輸入層、隱層、輸出層；數據集劃分為訓練集、驗證集、測試集，訓練集用于訓練神經網絡模型，測試集用于模型測試，驗證集用于評估模型性能。

5.根據權利要求4所述的一種基鋰電池荷電狀態估計方法，其特征在于：

所述步驟5中，根據設定使用步驟2遺傳算法生成的種群個體中的數值作為非線性自回歸外源輸入神經網絡的輸入延遲、反饋延遲、隱層神經元數，搭建神經網絡并運行神經網絡，直至達到最大迭代次數。

6.根據權利要求5所述的一種鋰電池荷電狀態估計方法，其特征在于：

所述步驟6中，使用步驟5得到的非線性自回歸外源輸入神經網絡的輸入延遲、反饋延遲、隱層神經元數最優解搭建新的神經網絡模型，選擇電流、電壓、溫度作為新的神經網絡的三個輸入維度，步驟2中計算得到的電荷剩余量標簽數據作為參考值；新的神經網絡模型設定為三層結構，包括輸入層、隱層、輸出層；數據集劃分為訓練集、驗證集、測試集，比例分別是70％、15％、15％；將數據集輸入神經網絡進行訓練，測試以及評估神經網絡模型性能。