[发明专利]一种基于分类的锂离子电池SOC预估方法

说明书

本发明提供了一种基于分类的锂离子电池SOC预估方法，首先将数据聚类，确定不同的模式对应的类别，然后对每一个类别，训练一个SOC预测LSTM模型。当获取到新的数据后，将数据分到前面获取的某一类中，然后运行该类对应的预测模型，用于SOC预测。如果新的数据不能分类到任何一类中，作为异常数据处理，如果异常数据较多，则考虑重新聚类，及时更新聚类的类别。这种方式可以有效提高SOC预测的准确性和可靠性。

技术领域

本发明涉及一种基于分类的锂离子电池SOC预估方法，属于锂离子电池技术领域。

背景技术

随着新能源优势逐步体现，电动汽车近年来得到了迅猛发展。电池是电动汽车的关键，而BMS（电池管理系统）是电池安全可靠运行的关键，可以避免电池过放电、过充电、过温度等异常情况出现，往往搭配锂离子电池组同时出现。SOC（荷电状态，又称剩余电量）是监测电池剩余电量的关键指标，准确估计SOC是电动汽车可靠和安全运行的决定条件。由于电池性能受到电池投运年限、环境温度变化、充放电等多种情况的影响，因此预测SOC非常困难。LSTM由于其时序性、非线性等特征，可以用来预测SOC，但是在电池复杂状况下会影响预测的准确性。

发明内容

本发明目的是提供了一种基于分类的锂离子电池SOC预估方法，有效提高SOC预测的准确性和可靠性。

本发明为实现上述目的，通过以下技术方案实现：

一种基于分类的锂离子电池SOC预估方法，包括以下步骤：

1）收集训练数据，从锂离子电池历史运行数据中收集电流、电压、环境温度数据以及SOC数据；

2）训练数据预处理，使用分位数方法剔除异常值，使用数据平滑方法补充缺失值，并将数据归一化；

3）构造训练集数据，选择合适的满足预测要求的时间长度T，按照设定的T对训练数据进行切分，使用SOC作为因变量；

4）使用Snob聚类算法对训练集数据进行聚类，并获取每类的类中心的特征数据；

5）LSTM模型训练，针对每类数据，训练一个LSTM模型；

6）推理数据分类，将推理时系统获取的时序数据进行分类，分到上述第四步获取的某一类中，或者作为异常数据；

7）推理数据预测，基于第六步的分类结果，选择所属类的LSTM模型，进行模型预测。

优选的，推理数据分类具体如下：对获取的时序数据自动进行数据预处理，并计算时序数据和所有类的类中心特征数据的距离，选择距离最近的类，如果与最近的类的距离小于设定阈值，则将时序数据分到该类，否则，作为异常数据，超出了模型预测范畴。

本发明的优点在于：本发明可以有效提高SOC预测的准确性和可靠性。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明流程结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于分类的锂离子电池SOC预估方法，用于复杂环境下SOC预测。第一，收集训练数据，从锂离子电池历史运行数据中收集电流、电压以及环境温度数据，尽量做到数据多样性。第二，对训练数据进行数据预处理，使用分位数方法剔除异常值，使用数据平滑方法补充缺失值，并将数据归一化。第三，构造训练集数据，选择合适的满足预测要求的时间长度T，按照设定的T对训练数据进行切分，使得每条数据长度为T，作为自变量，同时选取该时刻的SOC作为因变量。第四，使用Snob聚类算法对训练集数据进行聚类，Snob聚类算法使用最小消息长度标准来估计混合模型的结构，并且可以不指定类别数量，自动尝试发现类别数量，并获取每类的类中心的特征数据。第五，RNN模型训练，针对每类数据，训练一个RNN模型，这里我们选择使用LSTM模型。第六，推理数据分类，推理时，对获取的时序数据自动进行数据预处理，并计算时序数据和所有类的类中心特征数据的距离，选择距离最近的类，如果与最近的类的距离小于设定阈值，则将时序数据分到该类，否则，作为异常数据，超出了模型预测范畴。第七，推理数据预测，推理时，如果找到了最近的类，选择对应类的LSTM模型，进行预测。