[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

本公開提供了一種基于神經網絡的鋰離子電池SOC估計方法及系統，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；其中，所述簡單循環單元神經網絡采用多層SRU結構，每層SRU結構設置有若干隱藏層神經元；所述方案能夠有效簡化鋰離子電池SOC估計模型的網絡結構、解耦對前一時刻隱藏層輸出的依賴，其不同時刻可以并行執行，從而大大降低計算復雜度，提高估計精度。

技術領域

本公開屬于荷電狀態預測技術領域，尤其涉及一種基于深度學習的鋰離子電池SOC估計方法及系統。

背景技術

本部分的陳述僅僅是提供了與本公開相關的背景技術信息，不必然構成在先技術。

鋰離子電池以其在能量密度、功率密度、循環壽命、自放電率等方面具有的獨特優勢被廣泛的應用到很多領域。為確保電池安全、高效地運行，必須配備電池管理系統(Battery?Management?System，BMS)對電池的各種內部狀態做出準確估計和預測。其中，準確的荷電狀態(State?of?Charge，SOC)估計能保障電池的有效運行，甚至避免電池過早失效和安全事故的發生。由于SOC無法通過外部測量手段直接得到，只能通過可測的電壓、電流、溫度等外部數據進行估算和預測，而數據驅動方法直接從電池的測試數據出發、使用理解簡單，應用前景較好。

現有基于深度學習的算法雖然已廣泛應用于語音辨識，圖像處理等其他領域，現有的鋰離子電池SOC估計方法廣泛采用循環神經網絡來實現，循環神經網絡(RecurrentNeuralNetworks，RNN)具有記憶功能，可以捕獲時間序列的更多信息，特別適用于估計SOC這種與先前時刻信息相關的狀態量；但是，發明人發現，傳統循環神經網絡會隨著網絡的加深而出現梯度消失、梯度爆炸等問題而喪失對中長期數據的學習能力，導致SOC估計結果精度不高的問題，而基于長短期記憶單元(LongShort-Term?Memory，LSTM)和門控循環單元(Gated?Recurrent?Unit，GRU)的時間遞歸神經網絡雖然可以解決這方面的問題，但其門限繁雜，每一步更新都要等上一步計算完成才能執行，訓練速度過慢，制約了其適用性和擴展性。

發明內容

本公開為了解決上述問題，提供了一種基于深度學習的鋰離子電池SOC估計方法及系統，所述方案采用基于簡單循環單元神經網絡的鋰離子電池SOC估計方法，有效簡化了網絡結構、解耦對前一時刻隱藏層輸出的依賴，在不同時刻可以并行執行，從而大大降低計算復雜度，提高了估計精度。

根據本公開實施例的第一個方面，提供了一種基于深度學習的鋰離子電池SOC估計方法，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；

其中，所述簡單循環單元神經網絡，采用多層SRU結構，每層SRU結構設置有若干隱藏層神經元。

進一步的，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。

進一步的，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。

進一步的，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。