【技术实现步骤摘要】
一种基于GRU
‑
RNN的电动汽车锂离子电池的SOC估计方法
[0001]本专利技术涉及电动汽车锂离子电池的SOC估计领域,尤其涉及一种基于GRU
‑
RNN的电动汽车锂离子电池的SOC估计方法。
技术介绍
[0002]近年来,随着节能减排策略的发展,电动汽车(EV)逐渐取代传统的发动机汽车,并在汽车市场上发挥着最重要的作用。锂离子电池(LiB)已被广泛应用于电动汽车,具有高能量/功率密度,低自放电和长循环寿命的特点。电池管理系统(BMS)作为电动汽车电池组的重要组成部分,主要负责监视电池的状态以及管理能量,可以有效地延长电池的循环寿命并确保充电和放电期间的安全性。
[0003]荷电状态(SOC)作为BMS中的关键参数之一,用于量化电池的剩余电量并预估剩余行驶里程。SOC还被用于电芯的主动均衡过程,以确保电池容量的一致性,从而提高电池组的能量利用率。SOC的定义为剩余容量占其标称容量的百分比。但是SOC无法直接测量,需要通过可测量的其他变量(例如电流,电压和温度)间接估算。由于电动汽车锂离子电池在极端动态工作条件下有强烈的非线性和时变特性,准确估算SOC面临着巨大挑战。
[0004]现有商用的SOC估计算法多以库伦计数(安时积分)法结合卡尔曼滤波方法为主,其中对电池建立的等效电路模型会有些许不同,后端采用的滤波算法都是基于基本的卡尔曼滤波改进而来。这种方案的优点是算法成本较低,容易实现,但是缺点也非常明显,滤波算法想要达到不错的估计精度对参数的要求很高,需要大量调参经 ...
【技术保护点】
【技术特征摘要】
1.一种基于GRU
‑
RNN的电动汽车锂离子电池的SOC估计方法,其特征在于,包括以下步骤:步骤1:采集不同工况以及不同环境温度下锂离子电池充放电过程中的历史数据;步骤2:对采集的历史数据进行预处理,转换为符合GRU
‑
RNN网络模型输入的标准数据,构建GRU
‑
RNN神经网络的训练集和测试集;并构建基于GRU
‑
RNN的SOC估计网络模型;步骤3:使用步骤2中构建的训练集训练GRU
‑
RNN网络模型,设置初始的模型参数,使用误差反向传播算法训练网络模型;步骤4:使用步骤2中构建的测试集评估训练后的GRU
‑
RNN网络模型在SOC估计精度和鲁棒性方面的表现,如果估计误差未达期望目标,则调整网络模型参数重复步骤3~步骤4,直至SOC评估结果满足预期要求。步骤5:将训练好的满足要求的GRU
‑
RNN网络模型部署在实际的电池管理系统中,在线估计电动汽车锂离子电池SOC。2.根据权利要求1所述的一种基于GRU
‑
RNN的电动汽车锂离子电池的SOC估计方法,其特征在于,步骤1中,所述不同工况以及不同环境温度下的锂离子电池充放电过程中的历史数据在实验室环境下获取,并将获取的历史数据数据按照时间戳一一对应记录保存。3.根据权利要求2所述的一种基于GRU
‑
RNN的电动汽车锂离子电池的SOC估计方法,其特征在于,所述步骤1中,使用硬件传感器以10Hz的频率测量电池组中各个电池的端电压、电流以及环境温度,通过专业电池测试仪测算电池在充放电过程中的实时功率以及减少的容量值(Ah)。在实验室的条件下分别设置0℃、10℃、25℃的恒定环境温度,基于预设的功率配置曲线对电池进行充放电操作,以模拟电动汽车在不同工况下行驶的情况,分别记录此过程中的电池数据,制作电池数据集。4.根据权利要求3述的一种基于GRU
‑
RNN的电动汽车锂离子电池的SOC估计方法,其特征在于,所述步骤2中,使用Python程序对采集的历史数据进行预处理,包含如下步骤:步骤21:电池在k时刻的电池测量数据包括端电压V
k
、电流I
k
和环境温度值T
k
,被描述为三维的向量x
k
=[V
k
,I
k
,T
k
],通过标准化处理将其转换成符合标准正态分布的均值为0方差为1的数据,计算公式为:其中,μ表示历史测量数据整体的均值,σ表示方差,x
k
′
表示进行标...
【专利技术属性】
技术研发人员:马龙华,冯火青,张震,虞斌超,陈照锋,
申请(专利权)人:杭州六纪科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。