[发明专利]一种基于循环神经网络的锂离子电池SOC预测方法

说明书

本发明涉及本发明公开了一种基于循环神经网络的锂离子电池SOC预测方法，属于电动汽车电池管理系统领域，本发明首先通过滑动窗口算法改进通过数次试验得到的电池外部参数数据以及此时对应的SOC值共同组成的数据集，然后通过改进的循环神经网络即长短时记忆网络方法建立动力电池SOC估算模型，通过试验反复验证得到网络层函数以及梯度调整方法，最后通过设置不同的学习率验证模型的预测结果。本发明可以准确的预测下一时刻SOC值，并且预测精度高，训练时长较短，成本低，可广泛应用于电动汽车动力电池上的电池管理系统当中。

技术领域

本发明属于电动汽车电池管理系统领域，涉及一种基于循环神经网络的锂离子电池SOC预测方法。

背景技术

当今社会能源问题日益严重，电动汽车以其节能清洁等优势逐渐成为行业主流，而其中的重要部分之一就是电池管理系统(BMS)。电动汽车上一个完整的电池组包含大量的单体电池，每个电池单体又会影响电池组的系统特性。如何准确了解电池当前状态、掌握系统的应用特性，并将其应用于系统的运行维护、管理控制、规划设计等已成为系统的一项重要研究内容。电池当前剩余容量反映了单体性能，与系统荷电状态(SOC)关系密切。准确估计SOC对平衡单体电池之间的差异、优化电池的充放电策略、防止电池使用过热及防止过充、过放等有着重要的意义。

国内外估算SOC的方法常见的有安时积分法、开路电压法、阻抗估算法以及卡尔曼滤波等。安时积分法随着时间延长会产生累计误差，开路电压法无法实现实时估计；开路电压法测试简单直接，但是只能在试验室条件下进行；卡尔曼滤波法虽然适应性好，精度较高，但是受制于模型的本身。由于蓄电池是一个复杂的非线性系统，对起充放电过程中建立准确的数学模型难度较大。

发明内容

有鉴于此，本发明的目的在于提供一种基于循环神经网络的锂离子电池SOC预测方法，通过改善神经网络梯度消失问题，提供一种更加方便、准确率高的预测方法，解决了在电动汽车长期运行中无法准确依据时间进度预测SOC值的问题，保障了整个行车过程中的安全。

为达到上述目的，本发明提供如下技术方案：

一种基于循环神经网络的锂离子电池SOC预测方法，该方法包含如下步骤：

S1：对锂离子电池进行多次循环充放电试验，采集每次循环过程中每个时刻的锂离子电池运行过程的特征参数，并计算每时刻锂离子电池的荷电状态(State Of ChargeSOC)；

S2：将电池的外部特性参数作为长短时记忆模型(Long Short-Term MemoryLSTM)网络结构的输入，并将锂离子电池的SOC作为网络结构的输出；

S3：对采集的输入数据进行预处理，删除冗余数据，并对输入数据做归一化处理；

S4：利用滑动窗口算法将多元时间序列问题转化为监督学习问题，将电池的充放电状态作为输入的标签量，建立输入数据序列；

S5：根据输入输出特性建立全连接的LSTM网络结构，确定隐含层节点数，将预处理过后的电池外部特性数据输入到初始化后的LSTM网络结构中，正向传递训练网络，并根据真实SOC值反向传播调整网络参数和偏差值，从而确定最终适用于预测准确SOC值的LSTM网络结构；

S6：将测试样本输入训练好的LSTM网络结构进行检验，计算预测误差。

进一步，步骤S1中所述特征参数包含电池电流I、电压V、内阻R、温度T、功率P以及电池容量Q。

进一步，步骤S3包含如下步骤：

S31：进行数据清洗，将数据的日期时间信息整合为一个时间日期；

S32：删除重复冗余数据，对于数据中出现的分散的NA值用0值标记；

S33：将数据转置成新的数据集，并进行归一化处理。