基于深度神经网络的车辆电池荷电状态估计方法技术

本发明专利技术公开了一种基于深度神经网络的车辆电池荷电状态估计方法，包括获取电池数据集中电池的电压V、电流I、电池表面温度T和电池当前电量Ah的历史数据，初步处理为原始数据；使用上述处理后的数据制作成神经网络可以训练的数据集，分为训练集和测试集；初始化双向LSTM Encoder‑Decoder深度神经网络模型，并利用上述训练集对网络进行训练，获得训练后的网络模型参数；使用上述模型对测试集进行测试，得到SOC估计的效果；运用到实际的电池SOC估计，输入某一时刻的电压、电流和温度，即可获得对应时刻的SOC估计值。本发明专利技术完全抛弃电池本身领域内的知识，完全由数据驱动，训练后的网络可以用于电池SOC在线估计，及时且精准。

State of charge estimation of vehicle battery based on deep neural network

The invention discloses a vehicle battery state of charge estimation method based on the deep neural network, which includes obtaining the historical data of battery voltage V, current I, battery surface temperature T and battery current capacity ah in the battery data set, and preliminarily processing them as the original data; using the processed data to make the data set that can be trained by the neural network, which is divided into training set and test set; Initialize the bidirectional LSTM encoder \u2011 decoder deep neural network model, and use the above training set to train the network to obtain the parameters of the network model after training; use the above model to test the test set to get the SOC estimation effect; use the actual battery SOC estimation, input the voltage, current and temperature at a certain time to get the SOC estimation value at the corresponding time. The invention completely discards the knowledge in the battery field and is completely driven by data. The trained network can be used for online estimation of battery SOC, which is timely and accurate.

【技术实现步骤摘要】
基于深度神经网络的车辆电池荷电状态估计方法
本专利技术涉及电池状态监测
，更具体的说是涉及一种基于深度神经网络的车辆电池荷电状态估计方法。
技术介绍
电动汽车(EV)，由于其污染小、噪音低、能效高、驾驶体验好等特点，已经被广大消费者广泛追捧，加之有着国家政策的支持，其发展潜力巨大。电池作为电动汽车的核心系统，对电池状态进行在线、准确的监控是保证电动汽车安全性的重要手段，其主要通过对电池的荷电状态SOC(state-of-charge，荷电状态)估计来实现。电池的SOC是指当前剩余电荷量占总电荷量百分比，精准有效的估计能够清晰的反应出电池的当前状态，从SOC曲线可以进一步分析出电池是否产生故障或者其他相关问题。目前车辆电池SOC估计的方法主要分为两大类，一类是基于电池领域知识的方法，即根据电池的电化学原理来进行估计；另外一类是数据驱动的方法，即根据电池产生的历史数据，从中学习特征与SOC值的映射关系，这类方法以机器学习、深度学习为主。主流的SOC估计方法包括开路电压法、库伦积分法、卡尔曼滤波法、基于支持向量机和基于神经网络的方法。开路电压法是建立在让电池在稳定状态下足够长时间达到平衡之后的开路电压上，这时候SOC和开路电压会呈现出一种线性关系，不同电池种类会不一样。开路电压法的准确率较高，但是需要电池有长时间的静止过程，这在实际运用中难以实现。库伦积分法是最常见也是最简单的，实现起来消耗低，但是难点在于决定初始的SOC值。一旦初始的SOC值设置的不合适，那么在函数的积分过程中，这个误差就会被逐渐累积放大，慢慢地SOC值就会偏离实际值，导致估计效果不理想。卡尔曼滤波法是过去相当一段时间内SOC值估计的很有效的方法，是国内外研究人员研究的热点，也发展出了一些强有力的变体，如拓展卡尔曼滤波法和无损卡尔曼滤波法。这种方法是递归形式的，可以减少电流的噪声，虽然计算代价比较大，但是可以实时估计并且修正电池SOC值，所得到的效果比较好。支持向量机是传统的机器学习的办法，适用于非线性系统，能够快速准确的实现SOC估计，但存在计算量较大、实际运用中效果不理想的情况。综上所述，传统的SOC估计方法存在估计准确度较低、无法实时估计、计算量大等缺点。而深度神经网络完全抛弃电池相关的电化学复杂的理论知识和各种等效模型，具有强大的拟合非线性系统的能力，训练后的网络能够对电池SOC进行在线估计，因此很适合应用于车辆电池SOC估计领域。因此，如何提供一种基于深度神经网络的车辆电池荷电状态估计方法是本领域技术人员亟需解决的问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于深度神经网络的车辆电池荷电状态估计方法，能够对电池SOC进行实时精准的估计，计算量少。为了实现上述目的，本专利技术采用如下技术方案：一种基于深度神经网络的车辆电池荷电状态估计方法，包括以下步骤：步骤1：采集预设温度下，不同模拟汽车驾驶习惯的负载对电池进行放电操作的历史数据，并对所述历史数据进行初步处理得到原始数据；步骤2：将所述原始数据转换为双向LSTMEncoder-Decoder深度神经网络可以训练的数据集，所述数据集包括训练集和测试集；步骤3：初始化所述双向LSTMEncoder-Decoder深度神经网络，并利用所述训练集对所述双向LSTMEncoder-Decoder深度神经网络进行训练，获得训练后的网络模型参数；步骤4：利用步骤3获得的模型对所述测试集进行测试，得到SOC估计的效果；若效果在可接受误差内直接运用到在线车辆电池荷电状态的估计。进一步，所述历史数据包括电池电压V、电池电流I，电池表面温度T和电池当前电量Ah。进一步，对所述历史数据进行初步处理得到原始数据包括以下步骤：步骤11：对包括电池电压V、电池电流I，电池表面温度T和电池当前电量Ah的历史数据进行重新采样，采样频率为1Hz，得到不同时刻的电池电压Vt、电池电流It、电池表面温度Tt和电池当前电量Aht；步骤12：根据所述电池当前电量和标准电量计算电池的SOC值，并作为网络的标签数据，其计算公式为：其中，Aht表示t时刻测得的电池电量，Ah0表示电池标准电量。进一步，将所述原始数据转换为双向LSTMEncoder-Decoder深度神经网络可以训练的数据集具体包括以下步骤：步骤21：将不同时刻的所述电池电压Vt、所述电池电流It和所述电池表面温度Tt进行归一化，使其分布在[0,1]区间，具体公式为：其中，D表示电压、电流和电池表面温度中任意一个，Dt表示t时刻的数据，Dmin表示最小的数据点，Dmax表示最大的数据点；步骤22：将归一化后的电压V′t、电流I′t和表面温度T′t连接为输入向量Xt＝[V′t,I′t,T′t]，对应的标签为SOCt；步骤23：将归一化的数据转换为所述双向LSTMEncoder-Decoder深度神经网络模型需要的数据结构，其中所述数据结构为[样本数，时间步，特征数]，变形后的单个样本结构为[[V′t,I′t,T′t],[V′t+1,I′t+1,T′t+1],……[V′t+k-1,I′t+k-1,T′t+k-1]]，表示时间步为k时的单个样本输入。进一步，所述训练集：所有模拟汽车驾驶情况下对电池施加负载的随机混合而成的数据集；所述测试集：单个模拟汽车驾驶情况下对电池施加负载的数据集。进一步，所述双向LSTMEncoder-Decoder深度网络模型结构具体为：Encoder部分采用双向LSTM层，Decoder部分采用LSTM层，中间的语义向量C作为Decoder部分的每次输入。进一步，所述步骤3具体包括以下步骤：步骤31：随机设置所述双向LSTMEncoder-Decoder深度神经网络的所有参数，包括权重值和偏置值，完成模型的初始化；步骤32：将所述步骤23得到的训练数据输入所述步骤31得到的深度神经网络中，经过网络的前向传播计算得到预测值SOCt’，其计算公式为：SOC′t＝σ(V′t,I′t,T′t)(3)其中，σ表示神经网络的一次前向传播；步骤33：训练神经网络的损失函数loss，其计算公式为：其中，y表示训练集SOC的标签值，表示训练集SOC的预测值，m表示样本数量，i表示样本序号；步骤34：采用穿过时间的反向传播算法更新网络的权值参数；步骤35：重复步骤32-34，直到神经网络收敛，完成训练，获得网络模型的参数。进一步，所述步骤4具体包括以下步骤：步骤41：将所述测试集的测试数据输入至训练完成的深度神经网络，经过网络的前向传播计算得到预测值SOC″t；步骤42：利用平均绝对误差MAE评价模型性能，其计算公式为：其中，y表示测试集SOC的标签值，表示测试集SOC的预测值，m表示样本数量，i表示样本序号；当测试集的MAE在可接受范围内时表示网络性能卓越，输入当前本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的车辆电池荷电状态估计方法，其特征在于，包括以下步骤：/n步骤1：采集预设温度下，不同模拟汽车驾驶习惯的负载对电池进行放电操作的历史数据，并对所述历史数据进行初步处理得到原始数据；/n步骤2：将所述原始数据转换为双向LSTM Encoder-Decoder深度神经网络可以训练的数据集，所述数据集包括训练集和测试集；/n步骤3：初始化所述双向LSTM Encoder-Decoder深度神经网络，并利用所述训练集对所述双向LSTM Encoder-Decoder深度神经网络进行训练，获得训练后的网络模型参数；/n步骤4：利用步骤3获得的模型对所述测试集进行测试，得到SOC估计的效果；/n若效果在可接受误差内直接运用到在线车辆电池荷电状态的估计。/n

【技术特征摘要】
1.一种基于深度神经网络的车辆电池荷电状态估计方法，其特征在于，包括以下步骤：
步骤1：采集预设温度下，不同模拟汽车驾驶习惯的负载对电池进行放电操作的历史数据，并对所述历史数据进行初步处理得到原始数据；
步骤2：将所述原始数据转换为双向LSTMEncoder-Decoder深度神经网络可以训练的数据集，所述数据集包括训练集和测试集；
步骤3：初始化所述双向LSTMEncoder-Decoder深度神经网络，并利用所述训练集对所述双向LSTMEncoder-Decoder深度神经网络进行训练，获得训练后的网络模型参数；
步骤4：利用步骤3获得的模型对所述测试集进行测试，得到SOC估计的效果；
若效果在可接受误差内直接运用到在线车辆电池荷电状态的估计。


2.根据权利要求1所述的一种基于深度神经网络的车辆电池荷电状态估计方法，其特征在于，所述历史数据包括电池电压V、电池电流I，电池表面温度T和电池当前电量Ah。


3.根据权利要求2所述的一种基于深度神经网络的车辆电池荷电状态估计方法，其特征在于，对所述历史数据进行初步处理得到原始数据包括以下步骤：
步骤11：对包括电池电压V、电池电流I，电池表面温度T和电池当前电量Ah的历史数据进行重新采样，采样频率为1Hz，得到不同时刻的电池电压Vt、电池电流It、电池表面温度Tt和电池当前电量Aht；
步骤12：根据所述电池当前电量和标准电量计算电池的SOC值，并作为网络的标签数据，其计算公式为：



其中，Aht表示t时刻测得的电池电量，Ah0表示电池标准电量。


4.根据权利要求3所述的一种基于深度神经网络的车辆电池荷电状态估计方法，其特征在于，将所述原始数据转换为双向LSTMEncoder-Decoder深度神经网络可以训练的数据集，具体包括以下步骤：
步骤21：将不同时刻的所述电池电压Vt、所述电池电流It和所述电池表面温度Tt进行归一化，使其分布在[0,1]区间，具体公式为：



其中，D表示电压、电流和电池表面温度中任意一个，Dt表示t时刻的数据，Dmin表示最小的数据点，Dmax表示最大的数据点；
步骤22：将归一化后的电压Vt'、电流I’t和表面温度Tt'连接为输入向量Xt＝[Vt',I’t,Tt']，对应的标签为SOCt；
步骤23：将归一化的数据转换为所述双向LSTMEncoder-Decoder深度神经网络模型需要的数据结构，其中所述...

【专利技术属性】
技术研发人员：杨顺昆，何霍亮，边冲，张宇涵，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11