[發明專利]基于深度學習的鋰離子電池SOC估計方法及系統

有效

• 申請號: 202110268844.4
• 申請日: 2021-03-12
• 公開（公告）號: CN113156320B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 段彬;張君鳴;趙光財;朱瑞;張承慧
• 申請（專利權）人: 山東大學
• 主分類號: G01R31/388
• 分類號: G01R31/388;G01R31/367
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 閆圣娟

1.一種基于深度學習的鋰離子電池SOC估計方法，其特征在于，包括：

獲取鋰離子電池的外部狀態信息，并進行歸一化處理；

構建簡單循環單元神經網絡模型，基于所述外部狀態信息，利用預訓練的簡單循環單元神經網絡模型對所述鋰離子電池SOC進行估計；

所述簡單循環單元神經網絡模型采用采用2層SRU結構，其中每層有32個隱藏層神經元個數；采用Adam優化，學習率設置為0.001；模型評價指標選擇為均方差損失函數；Batch-size設置為1500；Epoch設置為400；選用ReLU激活函數；

所述簡單循環單元神經網絡模型的訓練具體如下：

利用預先建立的數據集對模型進行訓練，為了模擬實際應用情況，在訓練階段，多工況的混合數據被用于模型訓練，所述多工況下的UDDS工況、FUDS工況、DST工況和脈沖充放電的數據用來訓練網絡模型，并且為了提高訓練準確性，將數據進行了順序的隨機打亂。

2.如權利要求1所述的一種基于深度學習的鋰離子電池SOC估計方法，其特征在于，所述獲取鋰離子電池的外部狀態信息，包括在不同溫度點下的容量測試、工況測試數據，并經預處理后獲得的一一對應的電壓、電流和溫度值。

3.如權利要求1所述的一種基于深度學習的鋰離子電池SOC估計方法，其特征在于，由于測得的電池數據指標電壓、電流、溫度有不同的量綱和量綱單位，為了消除指標之間的量綱影響，通過數據進行歸一化處理，解決數據指標之間的可比性問題，所述歸一化處理采用線性歸一化方法。

4.一種基于深度學習的鋰離子電池SOC估計系統，其特征在于，包括：

數據獲取單元，其用于獲取鋰離子電池的外部狀態信息，并進行歸一化處理；

模型構建單元，其用于構建簡單循環單元神經網絡模型；

SOC估計單元，其用于基于所述外部狀態信息，利用預訓練的簡單循環單元神經網絡模型對所述鋰離子電池SOC進行估計；

所述簡單循環單元神經網絡模型采用采用2層SRU結構，其中每層有32個隱藏層神經元個數；采用Adam優化，學習率設置為0.001；模型評價指標選擇為均方差損失函數；Batch-size設置為1500；Epoch設置為400；選用ReLU激活函數；

所述SOC估計單元中，所述簡單循環單元神經網絡模型的訓練具體如下：

利用預先建立的數據集對模型進行訓練，為了模擬實際應用情況，在訓練階段，多工況的混合數據被用于模型訓練，所述多工況下的UDDS工況、FUDS工況、DST工況和脈沖充放電的數據用來訓練網絡模型，并且為了提高訓練準確性，將數據進行了順序的隨機打亂。

5.如權利要求4所述的一種基于深度學習的鋰離子電池SOC估計系統，其特征在于，所述數據獲取單元中，所述獲取鋰離子電池的外部狀態信息，包括在不同溫度點下的容量測試、工況測試數據，并經預處理后獲得的一一對應的電壓、電流和溫度值。

6.如權利要求4所述的一種基于深度學習的鋰離子電池SOC估計系統，其特征在于，所述數據獲取單元中，由于測得的電池數據指標電壓、電流、溫度有不同的量綱和量綱單位，為了消除指標之間的量綱影響，通過數據進行歸一化處理，解決數據指標之間的可比性問題，所述歸一化處理采用線性歸一化方法。