[發(fā)明專利]一種基于深度神經(jīng)網(wǎng)絡(luò)的鋰離子電池荷電狀態(tài)估計(jì)方法

在審

• 申請?zhí)枺?/td>: 202010944728.5
• 申請日: 2020-09-10
• 公開（公告）號: CN112067998A
• 公開（公告）日: 2020-12-11
• 發(fā)明（設(shè)計(jì)）人: 趙紅茜;陳崢;申江衛(wèi);舒星
• 申請（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/387;G01R31/388
• 代理公司: 北京市盈科律師事務(wù)所 11344
• 代理人: 荔恒輝

1.一種基于深度神經(jīng)網(wǎng)絡(luò)的鋰離子電池荷電狀態(tài)估計(jì)方法，其特征在于，包括以下步驟：

(1)獲取歷史充放電數(shù)據(jù)：使用恒流恒壓策略對鋰離子電池進(jìn)行充電，直至充滿，然后在預(yù)設(shè)放電策略下對鋰離子電池進(jìn)行放電測試，直至到達(dá)放電截止電壓，并以1HZ的采集頻率記錄鋰離子電池的充放電數(shù)據(jù)，獲取鋰離子電池的歷史充放電數(shù)據(jù)；

(2)特征提取：從所述的歷史充放電數(shù)據(jù)中提取鋰離子電池放電過程中的電壓、電流和溫度作為特征數(shù)據(jù)；

(3)數(shù)據(jù)處理：對所述的特征數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理和歸一化處理，并將歸一化后的數(shù)據(jù)轉(zhuǎn)化為長短期記憶神經(jīng)網(wǎng)絡(luò)所需的輸入序列格式，所述的歸一化后的數(shù)據(jù)包括訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)；

(4)訓(xùn)練模型：使用所述的訓(xùn)練數(shù)據(jù)對基于長短期記憶神經(jīng)網(wǎng)絡(luò)的荷電狀態(tài)估計(jì)模型進(jìn)行訓(xùn)練，獲得最終的荷電狀態(tài)估計(jì)模型；

(5)荷電狀態(tài)估計(jì)：將所述的測試數(shù)據(jù)輸入到步驟(4)獲得的模型中，得到荷電狀態(tài)估計(jì)值。

2.如權(quán)利要求1所述的一種基于深度神經(jīng)網(wǎng)絡(luò)的鋰離子電池荷電狀態(tài)估計(jì)方法，其特征在于，步驟(3)中所述的數(shù)據(jù)處理具體包括以下步驟：

(31)對特征數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，包括根據(jù)提取的電流計(jì)算鋰離子電池實(shí)際的放電容量和實(shí)際的荷電狀態(tài)值，計(jì)算公式如下：

Ca＝-∑i_t/3600；

SOC_t＝SOC_t-1+ηi_tΔt/3600Ca；

其中，Ca表示實(shí)際的放電容量，SOC_t和SOC_t-1分別表示t時(shí)刻和t-1時(shí)刻的實(shí)際的荷電狀態(tài)值，i_t表示t時(shí)刻的放電電流，放電電流定義為負(fù)，η表示庫倫效率取值為1，Δt表示采樣間隔時(shí)間取值為1秒；

(32)采用Min-Max法對所述的特征數(shù)據(jù)中的電壓、電流和溫度進(jìn)行歸一化處理，歸一化后的數(shù)據(jù)值域?yàn)閇0,1]，計(jì)算公式如下：

其中，x表示要?dú)w一化的數(shù)據(jù)，x_min和x_max分別表示歸一化數(shù)據(jù)中最小的數(shù)據(jù)值和最大的數(shù)據(jù)值，x_norm表示歸一化后的結(jié)果；

(33)根據(jù)歸一化后的電壓V_t、電流I_t和溫度T_t，形成長短期記憶神經(jīng)網(wǎng)絡(luò)的輸入向量X_t＝[V_t,I_t,T_t]，對應(yīng)的標(biāo)簽數(shù)據(jù)為實(shí)際的荷電狀態(tài)值y_t＝[SOC_t]；

(34)將歸一化后的特征數(shù)據(jù)轉(zhuǎn)化為長短期記憶神經(jīng)網(wǎng)絡(luò)所需的輸入序列格式，t時(shí)刻的輸入序列如下：

其中，b為時(shí)間步。

3.如權(quán)利要求1所述的一種基于深度神經(jīng)網(wǎng)絡(luò)的鋰離子電池荷電狀態(tài)估計(jì)方法，其特征在于，步驟(4)中訓(xùn)練模型具體包括如下步驟：

(41)建立一個(gè)基于長短期記憶神經(jīng)網(wǎng)絡(luò)的荷電狀態(tài)估計(jì)模型，所述模型包括輸入層、隱藏層、全連接層和輸出層，其中輸入層節(jié)點(diǎn)為3，輸出層節(jié)點(diǎn)為1；

(42)確定所述模型的超參數(shù)包括隱藏層數(shù)、隱藏層節(jié)點(diǎn)數(shù)、時(shí)間步、批處理個(gè)數(shù)、訓(xùn)練代數(shù)epochs，確定值分別為1，36，50，128，50；

(43)初始化所述的模型的權(quán)重和偏置；

(44)將所述的訓(xùn)練數(shù)據(jù)輸入到所述的模型中，通過前向傳播計(jì)算出荷電狀態(tài)估計(jì)值計(jì)算公式如下：

其中，f表示所述模型的一次前向傳播；

(45)計(jì)算所述模型的損失函數(shù)值，計(jì)算公式如下：

其中，N表示訓(xùn)練數(shù)據(jù)的長度；t表示訓(xùn)練數(shù)據(jù)的序號，y_t表示訓(xùn)練數(shù)據(jù)的荷電狀態(tài)標(biāo)簽值，表示訓(xùn)練數(shù)據(jù)的荷電狀態(tài)估計(jì)值；

(46)使用Adam優(yōu)化算法不斷調(diào)整所述的模型的權(quán)重與偏置；

(47)不斷重復(fù)步驟(44)-步驟(46)直至所述的模型收斂，確定最終的荷電狀態(tài)估計(jì)模型。