[發明專利]考慮內阻的數據驅動算法估算鋰電池SOC的方法

有效

• 申請號: 202011551732.1
• 申請日: 2020-12-24
• 公開（公告）號: CN112782594B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 高明裕;張照娓;何志偉;董哲康;林輝品;楊宇翔;錢志凱
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G01R31/382
• 分類號: G01R31/382
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

1.考慮內阻的數據驅動算法估算鋰電池SOC的方法，其特征在于：具體包括以下步驟：

步驟一、數據采集

對鋰離子電池在不同放電條件下重復進行充放電試驗，并采樣記錄試驗過程中電池的電壓、電流、溫度以及內阻；

步驟二、數據預處理

根據步驟一采集得到的數據，使用安時積分法計算t時刻電池的剩余電量SOC(t)，作為與預測結果對比的真實值；對步驟一采集的數據進行歸一化處理，將其縮放到[0,1]之間，得到V＝[V₁,V₂,…V_t,…V_n]、I＝[I₁,I₂,…I_t,…I_n]、T＝[T₁,T₂,…T_t,…T_n]、R＝[R₁,R₂,…R_t,…R_n]，其中T_t,I_t,V_t,R_t分別表示電池在t時刻的環境溫度、放電電流、端電壓和內阻；然后劃分訓練集和測試集；

步驟三、構建SOC估計模型

搭建雙向GRU網絡，包括N個隱含層，每層由M個神經元構成，網絡的學習率為l；所述的雙向GRU網絡，在t時刻，輸入x_t同時提供給兩個方向相反的隱含層，輸出y_t，由這兩個單向隱含層共同決定，前向GRU層具有輸入序列中t時刻以及之前時刻的信息，而后向GRU層中具有輸入序列中t時刻以及之后時刻的信息；雙向GRU的隱層狀態傳播過程為：

其中分別表示前向推算和后向推算的隱層狀態；分別表示輸入在前向推算和后向推算的權重；分別表示前一時刻隱含層狀態在前向推算和后向推算的權重；分別表示前向推算和后向推算的偏置；σ函數用于合并這兩個輸出；

雙向GRU網絡的更新門z_t、重置門r_t、候選輸出狀態以及GRU的輸出h_t的計算方法為：

z_t＝σ(W_z·[h_t-1,x_t]+b_z)

r_t＝σ(W_r·[h_t-1,x_t]+b_r)

W_z和b_z分別為重置門的權重矩陣和偏置；W_r和b_r分別為重置門的權重矩陣和偏置；W_h和b_h分別為候選輸出狀態的權重矩陣和偏置；

步驟四、模型訓練優化

將向量x＝[T,I,V，R]作為步驟四構建的雙向GRU網絡模型的輸入，對模型進行訓練，從模型的輸出端獲得電池的剩余電量SOC＝[SOC₁,SOC₂,…SOC_t,…SOC_n]；SOC_t表示電池在t時刻電池的剩余電量；

使用NAG算法對訓練后的雙向GRU網絡模型參數進行優化；NAG算法的更新計算公式為：

m₀＝0

θ_t+1＝θ_t-m_t

將雙向GRU網絡模型的雙向結構看作兩個具有GRU單元的、信息傳遞方向相反的隱含層，針對模型的雙向傳輸結構，將NAG算法公式改寫為：

其中，θ_t’＝θ_t-γm_t，θ_t為t時刻的網絡參數；η代表網絡的學習率；代表損失函數的梯度矩陣；m_t為動量項；γ為超參數，表示歷史梯度的影響力；L(·)代表網絡的損失函數：

步驟五、模型性能測試

使用測試集測試步驟四訓練完成的雙向GRU網絡模型的性能，使用RMSE和MAE兩個評價指標；

其中，SOC_t和SOC_t’分別代表電池剩余電量的真實值和網絡的預測值；

步驟六、保存模型，輸出SOC

判斷模型的性能測試結果是否達到所設定的要求，若未達到要求，返回步驟四調整參數重新訓練；達到要求后，保存訓練好的模型，用于電池SOC估計。