[发明专利]基于深度学习的锂离子电池SOC估计方法及系统

说明书

本公开提供了一种基于神经网络的锂离子电池SOC估计方法及系统，包括：获取锂离子电池的外部状态信息，并进行归一化处理；构建简单循环单元神经网络模型，基于所述外部状态信息，利用预训练的简单循环单元神经网络模型对所述锂离子电池SOC进行估计；其中，所述简单循环单元神经网络采用多层SRU结构，每层SRU结构设置有若干隐藏层神经元；所述方案能够有效简化锂离子电池SOC估计模型的网络结构、解耦对前一时刻隐藏层输出的依赖，其不同时刻可以并行执行，从而大大降低计算复杂度，提高估计精度。

技术领域

本公开属于荷电状态预测技术领域，尤其涉及一种基于深度学习的锂离子电池SOC估计方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

锂离子电池以其在能量密度、功率密度、循环寿命、自放电率等方面具有的独特优势被广泛的应用到很多领域。为确保电池安全、高效地运行，必须配备电池管理系统(Battery Management System，BMS)对电池的各种内部状态做出准确估计和预测。其中，准确的荷电状态(State of Charge，SOC)估计能保障电池的有效运行，甚至避免电池过早失效和安全事故的发生。由于SOC无法通过外部测量手段直接得到，只能通过可测的电压、电流、温度等外部数据进行估算和预测，而数据驱动方法直接从电池的测试数据出发、使用理解简单，应用前景较好。

现有基于深度学习的算法虽然已广泛应用于语音辨识，图像处理等其他领域，现有的锂离子电池SOC估计方法广泛采用循环神经网络来实现，循环神经网络(RecurrentNeuralNetworks，RNN)具有记忆功能，可以捕获时间序列的更多信息，特别适用于估计SOC这种与先前时刻信息相关的状态量；但是，发明人发现，传统循环神经网络会随着网络的加深而出现梯度消失、梯度爆炸等问题而丧失对中长期数据的学习能力，导致SOC估计结果精度不高的问题，而基于长短期记忆单元(LongShort-Term Memory，LSTM)和门控循环单元(Gated Recurrent Unit，GRU)的时间递归神经网络虽然可以解决这方面的问题，但其门限繁杂，每一步更新都要等上一步计算完成才能执行，训练速度过慢，制约了其适用性和扩展性。

发明内容

本公开为了解决上述问题，提供了一种基于深度学习的锂离子电池SOC估计方法及系统，所述方案采用基于简单循环单元神经网络的锂离子电池SOC估计方法，有效简化了网络结构、解耦对前一时刻隐藏层输出的依赖，在不同时刻可以并行执行，从而大大降低计算复杂度，提高了估计精度。

根据本公开实施例的第一个方面，提供了一种基于深度学习的锂离子电池SOC估计方法，包括：

获取锂离子电池的外部状态信息，并进行归一化处理；

构建简单循环单元神经网络模型，基于所述外部状态信息，利用预训练的简单循环单元神经网络模型对所述锂离子电池SOC进行估计；

其中，所述简单循环单元神经网络，采用多层SRU结构，每层SRU结构设置有若干隐藏层神经元。

进一步的，所述简单循环单元神经网络模型采用采用2层SRU结构，其中每层有32个隐藏层神经元个数；采用Adam优化，学习率设置为0.001；模型评价指标选择为均方差损失函数；Batch-size设置为1500；Epoch设置为400。

进一步的，所述简单循环单元神经网络模型的训练具体如下：

利用预先建立的数据集对模型进行训练，为了模拟实际应用情况，在训练阶段，多工况的混合数据被用于模型训练，所述多工况下的UDDS工况、FUDS工况、DST工况和脉冲充放电的数据用来训练网络模型，并且为了提高训练准确性，将数据进行了顺序的随机打乱。

进一步的，所述获取锂离子电池的外部状态信息，包括在不同温度点下的容量测试、工况测试数据，并经预处理后获得的一一对应的电压、电流和温度值。