[發明專利]一種基于GRU-RNN的電動汽車鋰離子電池的SOC估計方法

在審

• 申請號: 202011495488.1
• 申請日: 2020-12-17
• 公開（公告）號: CN112557907A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 馬龍華;馮火青;張震;虞斌超;陳照鋒
• 申請（專利權）人: 杭州六紀科技有限公司
• 主分類號: G01R31/367
• 分類號: G01R31/367
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 劉靜

1.一種基于GRU-RNN的電動汽車鋰離子電池的SOC估計方法，其特征在于，包括以下步驟：

步驟1：采集不同工況以及不同環境溫度下鋰離子電池充放電過程中的歷史數據；

步驟2：對采集的歷史數據進行預處理，轉換為符合GRU-RNN網絡模型輸入的標準數據，構建GRU-RNN神經網絡的訓練集和測試集；并構建基于GRU-RNN的SOC估計網絡模型；

步驟3：使用步驟2中構建的訓練集訓練GRU-RNN網絡模型，設置初始的模型參數，使用誤差反向傳播算法訓練網絡模型；

步驟4：使用步驟2中構建的測試集評估訓練后的GRU-RNN網絡模型在SOC估計精度和魯棒性方面的表現，如果估計誤差未達期望目標，則調整網絡模型參數重復步驟3～步驟4，直至SOC評估結果滿足預期要求。

步驟5：將訓練好的滿足要求的GRU-RNN網絡模型部署在實際的電池管理系統中，在線估計電動汽車鋰離子電池SOC。

2.根據權利要求1所述的一種基于GRU-RNN的電動汽車鋰離子電池的SOC估計方法，其特征在于，步驟1中，所述不同工況以及不同環境溫度下的鋰離子電池充放電過程中的歷史數據在實驗室環境下獲取，并將獲取的歷史數據數據按照時間戳一一對應記錄保存。

3.根據權利要求2所述的一種基于GRU-RNN的電動汽車鋰離子電池的SOC估計方法，其特征在于，所述步驟1中，使用硬件傳感器以10Hz的頻率測量電池組中各個電池的端電壓、電流以及環境溫度，通過專業電池測試儀測算電池在充放電過程中的實時功率以及減少的容量值(Ah)。在實驗室的條件下分別設置0℃、10℃、25℃的恒定環境溫度，基于預設的功率配置曲線對電池進行充放電操作，以模擬電動汽車在不同工況下行駛的情況，分別記錄此過程中的電池數據，制作電池數據集。

4.根據權利要求3述的一種基于GRU-RNN的電動汽車鋰離子電池的SOC估計方法，其特征在于，所述步驟2中，使用Python程序對采集的歷史數據進行預處理，包含如下步驟：

步驟21：電池在k時刻的電池測量數據包括端電壓V_k、電流I_k和環境溫度值T_k，被描述為三維的向量x_k＝[V_k,I_k,T_k]，通過標準化處理將其轉換成符合標準正態分布的均值為0方差為1的數據，計算公式為：

其中，μ表示歷史測量數據整體的均值，σ表示方差，x_k′表示進行標準化后的電池歷史數據。

步驟22：對在測試過程中測算得出的電池減少的容量值(Ah)進行歸一化處理，轉換為范圍為0～100％的SOC真實值SOC_k，計算公式為：

其中，C_max表示電池的最大容量，C_k表示從初始充滿電的狀態到k時刻消耗的容量值。

步驟23：使用滑動窗口算法，將T個連續時間步的電池測量數據x_k以及對應的電池SOC真實值SOC_k打包成適合GRU-RNN的數據集，挑選數據集中的一部分用于神經網絡模型的訓練，另一部分作為評估網絡模型的測試集。

5.根據權利要求1述的一種基于GRU-RNN的電動汽車鋰離子電池的SOC估計方法，其特征在于，所述步驟2中，SOC估計網絡模型基于PyTorch深度學習框架進行搭建；具體網絡模型結構包括輸入層、GRU-RNN層、Dropout層、全連接層和輸出層；GRU-RNN層負責捕獲輸入序列中的隱含時間依賴性，Dropout層在訓練過程中隨機選擇一部分神經元并將其輸出設置為0，減輕GRU-RNN模型的過擬合現象。全連接層和輸出層則是將GRU-RNN層的高維隱藏狀態通過線性變換映射為預測的SOC值。