[发明专利]一种基于深度神经网络的锂电池包多个电池单体SOC实时联合预测方法

摘要

本发明公开了一种基于深度神经网络的锂电池包多个电池单体SOC实时联合预测方法，属于电动汽车电池技术领域，包括步骤：采集电动汽车锂电池包中每个电池单体的历史充放电数据以及对应的SOC数据；初始化深度神经网络；对电动汽车锂电池包的历史充放电数据以及对应的SOC数据进行归一化处理；建立的深度神经网络进行训练；获取锂电池包中每个电池单体有用的历史充放电数据以及当前数据作为深度神经网络的输入，采用训练后的深度神经网络进行联合预测，从而获得最后的预测结果。本发明具有较强的非线性拟合能力，可以很好拟合锂电池包的动态特性，非常适合实际中动力电池汽车需应对的动态工况。

主权项

1.一种基于深度神经网络的锂电池包多个电池单体SOC实时联合预测方法，其特征在于，包括步骤：(1)采集锂电池包中每个电池单体的历史充放电数据以及对应的SOC数据；(2)将数据集中的每个电池单体的电压、电流和温度的历史数据作为深度神经网络的输入数据；同时将每个电池单体的电压、电流和温度对应的SOC值历史数据作为深度神经网络的输出数据；对深度神经网络进行初始化，根据输入输出矩阵确定最优的卷积层个数、各层节点数并初始赋值卷积层过滤器；确定最优的池化层个数、各层节点数并初始赋值池化层过滤器；确定最优的全连接层个数及各层的节点数；(3)对深度神经网络的输入数据与输出数据进行归一化处理；具体步骤为：根据下式，对电动汽车锂电池包每个电池单体的历史充放电数据以及SOC数据进行归一化处理：上式中，表示归一化处理后的数据，x_i表示实际输入的历史充放电数据或者SOC数据，为自然数，i表示序号，x_max表示所在数据序列中的最大值，x_min表示所在数据序列中的最小值。(4)根据归一化处理后的数据对建立的深度神经网络进行训练，将归一化后的输入和输出数据分别作为深度神经网络的输入层和输出层；具体步骤为：建立深度神经网络的输入层。该深度神经网络的输入层的形式类似于RGB图片，是由每个电池单体的电压、电流和温度组成的三层矩阵。卷积层的前向传播过程。卷积层结构的前向传播过程就是通过将一个过滤器从神经网络当前层的左上角移动到右下角，并且在移动中计算每一个对应的单位矩阵得到的。过滤器可以将一个输入节点矩阵变化为一个输出节点矩阵。假设使用(x,y,z)表示过滤器中节点的位置，表示对于输出节点矩阵中的第i个节点，过滤器输入节点(x,y,z)的权重，使用b_i表示第i个输出节点对应的偏置项参数，那么输出矩阵中的第i个节点的取值g(i)为：其中ax,y,z为过滤器中节点(x,y,z)的取值，f为激活函数。过滤器每移动一次，可以计算得到一个值。将这些数值拼接成一个新的矩阵，就完成了卷积层前向传播的过程。在卷积层之间加上一个池化层。通过池化层，可以进一步缩小最后全连接层中节点的个数，从而达到减少整个神经网络中参数的目的。设定池化层的尺寸、是否使用全0填充以及过滤器移动的步长。池化层前向传播的过程也是通过移动一个类似过滤器的结构完成的，不过池化层过滤器中的计算不是节点的加权和，而是采用更加简单的最大值或平均值运算。在经过多轮卷积层和池化层的处理后，在深度神经网络的最后由全连接层来给出最后的分类结果。全连接层的输入是拉直后的一组向量，向量长度设为a1,输出是一组长度为a2的向量，最后一层全连接层的输出向量长度为锂电池包中电池单体的数目，而输出向量中的数值为锂电池包每个电池单体对应的SOC数值；如果输出数值与真实数值之间的误差大于设定误差，则更改卷积层、池化层和全连接层中的权重，再进行前向传播，直到输出数值与真实数值之间的误差小于设定误差；(5)获取锂电池包中每个电池单体归一化后的历史充放电数据以及当前数据作为深度神经网络的输入，采用训练后的深度神经网络进行联合预测，从而获得最后的预测结果。该神经网络的输出层是一行SOC数值，这些SOC数值与各电池单体一一对应；应用一个深度神经网络，同时预测多个电池单体SOC数值。