[发明专利]一种基于LSTM的车载锂电池的状态预测方法

说明书

本发明涉及一种基于LSTM的车载锂电池的状态预测方法，锂电池检测技术领域。包括如下步骤：步骤1：对车载数据进行预处理：步骤2：建立LSTM神经网络模型，对所述LSTM神经网络模型进行训练和优化；步骤3：通过步骤2中的LSTM神经网络模型对车载锂电池的状态进行估算和预测。本发明提高了车载锂电池SOC的预测精度，预测效果显著，为提高新能源汽车的续航能力和峰值速度提供技术基础。

技术领域

本发明涉及一种基于LSTM的车载锂电池的状态预测方法，属于锂电池检测技术领域。

背景技术

电池管理系统(BMS)通过对电池组中各个电芯的工作电压、电流、温度等参数量的采集实现了整车电池组的状态预估、热管理与均衡控制等功能，这些功能保障着电动汽车可以运行在安全区间。电池的状态预估、均衡控制一直是动力电池领域的难题。其中，状态预估包括了荷电状态(SOC)预估以及健康状态(SOH)预估。目前，我国在该领域的研究还存在诸多还未攻克的技术问题，如何从理论与实际相结合的角度研究锂离子电池的建模、如何高精度地辨识出模型参数实现电池的状态预估对促进我国在新能源汽车研究领域的发展具有重要的现实意义。

发明内容

本发明的目的在于，克服现有技术中存在的问题，提供一种基于LSTM的车载锂电池的状态预测方法，能够准确反映车载锂电池的工作状态。

为了解决上述问题，本发明的基于LSTM的车载锂电池的状态预测方法包括如下步骤：

步骤1：对车载数据进行预处理：

步骤2：建立LSTM神经网络模型，对所述LSTM神经网络模型进行训练和优化；

步骤3：通过步骤2中的LSTM神经网络模型对车载锂电池的状态进行估算和预测。

进一步的，步骤1具体包括如下步骤：

步骤1.1：采集车载锂电池的车载数据，所述车载数据包括车载外电压、车载电流、外电压变化率和电流变化率，公式如下：

式中：ΔV为外电压变化率，ΔI为电流变化率，V为车载外电压，I为车载电流；

步骤1.2：对采集到的车载数据包括归一化处理，使车载数据映射结果处于[0,1]范围内，公式如下：

式中，max为所采集样本数据的最大值，min为所采集样本数据的最小值，x为ΔV或ΔI。

进一步的，所述LSTM神经网络模型包括LSTM神经网络结构，所述LSTM神经网络结构包括输入层、输出层和若干个隐藏层，所述输入层的参数为车载外电压、车载电流、外电压变化率和电流变化率，所述输出层的参数为SOC估算数据，每个隐藏层前一时刻的细胞状态C_t和隐藏层输出h_t经过前向计算和反向传播过程中内置梯度的计算，不断的更新所建模型的权重参数。

进一步的，步骤2中的评价指标如下：

式中，SOC_i为真实值，为模型的估算值，K代表样本数量。

进一步的，所述C_t和h_t的计算方式如下：

h_t＝o_t*tanh(C_t)