[發明專利]一種基于人工智能的鋰離子電池系統SOC估計方法

有效

• 申請號: 202011280497.9
• 申請日: 2020-11-16
• 公開（公告）號: CN112379272B
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 熊瑞;田金鵬;段硯州
• 申請（專利權）人: 北京理工大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/378
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 范盈

本發明提供了一種基于人工智能的鋰離子電池系統荷電狀態(State of charge,SOC)估計方法。該方法通過深度學習手段建立電池系統充電片段數據與荷電狀態之間的關系，能夠實現在充電過程的任意階段對荷電狀態進行校正。放電過程的荷電狀態估計則采用安時積分進行。所提出的估計方法可以隨電池系統工作狀態變化自適應更新。

技術領域

本發明涉及電池系統領域，尤其涉及鋰離子電池系統的荷電狀態估計。

背景技術

在鋰離子電池的運行過程中，電池管理系統僅能獲得電壓、電流、溫度等信號，而對于荷電狀態(State of charge,SOC)則不能直接測量，需要基于采樣信號進行估計。目前電池SOC估計的方法主要使用電池模型結合安時積的分方法，在放電過程進行SOC估計。此類方法依賴于SOC與電壓建模之間的關系，利用安時積分用于實現閉環校正，在實施過程中存在一些局限性。首先，對于某些電池體系，如磷酸鐵鋰或鈦酸鋰電池，其電壓對SOC變化不敏感，因此SOC估計效果較差。此外，電池電壓模型在低溫、大電流、低SOC時電壓仿真精度降低。另外，電池的動態放電過程多變，如車用動力電池的放電工況依賴于駕駛員習慣、地區、季節、天氣等因素。這些不同的情況下，僅基于少量離線試驗開發的算法難以保證其大范圍應用時的魯棒性。因此，本領域中尚缺乏針對復雜多變的實際使用情況具有較好的自適應性，且執行過程相對簡化、魯棒性高的鋰離子電池系統荷電狀態估計方法。

發明內容

有鑒于此，本發明提供了一種基于人工智能的鋰離子電池系統SOC估計方法，具體包括以下步驟：

步驟一、獲取電池系統采用多種充電方式的日常充電曲線作為訓練數據；

步驟二、將充電曲線分割為數據片段，并標定數據片段最后一點的SOC；

步驟三、選擇適用的深度學習算法，利用由步驟二獲取的各數據片段對所述算法進行訓練，建立每個數據片段與該片段最后一點SOC間的映射關系；

步驟四、將經過步驟三訓練好的深度學習算法實際應用，以電池管理系統采集的充電片段數據作為所述深度學習算法的輸入，輸出估計的電池SOC；

步驟五、在每兩次充電過程之間，使用安時積分算法進行SOC的遞推計算。

進一步地，在鋰離子電池系統經歷過滿充、滿放等操作歷程后，利用電池管理系統采集的充電曲線重新對所述深度學習算法進行訓練更新。

進一步地，所述步驟一中在獲取日常充電曲線時可采用包括恒流充電、恒流恒壓充電、多階恒流充電、脈沖充電等的常見充電方式；所獲得的曲線包括電池充電電流、電壓、溫度等參數；通過安時積分方法，獲得電池的容量，并計算充電曲線上各個時刻的SOC。

進一步地，所述步驟二中將充電曲線分割為數據片段具體包括：確定一個預設片段長度，將預設片段長度在充電曲線上滑動，由此將步驟一獲取的充電曲線劃分為包含多個預設片段長度的數據片段，每個分割的片段包括各個時刻的采樣信號序列，例如電壓、電流、溫度等；同時，對于每個片段確定其最后一點的SOC。

進一步地，所述步驟三中的深度學習算法選用卷積神經網絡、密集連接網絡、循環神經網絡等，使用優選梯度下降算法及其各種變體對其進行訓練；以步驟二中分割的各數據片段作為深度學習算法輸入，并且以各片段對應的最后一點SOC作為算法輸出。

進一步地，所述步驟五中利用安時積分法計算兩次充電過程之間的SOC變化值，用于對SOC的遞推。