一种基于GRU-RNN的电动汽车锂离子电池的SOC估计方法技术

本发明专利技术公开了一种基于GRU

【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，需要大量调参经验。基于数据驱动的神经网络方法不依赖任何锂离子电池内部复杂的电化学模型，直接在电池的测量值和SOC之间建立映射关系，模拟电池的高度非线性特征。深度学习技术近年来随着GPU算力的提升和涌现出的海量数据迅速发展，各种各样的机器学习框架层出不穷，大大简化了神经网络应用于实际问题中的流程。
[0005]因此，将深度学习技术应用在锂离子电池的SOC估计中，具有很大的前景。

技术实现思路

[0006]本专利技术目的在于针对现有技术的不足，提出一种基于GRU
‑
RNN的电动汽车锂离子电池的SOC估计方法，使用GRU
‑
RNN在具有时间依赖性的测量数据中捕获电池的非线性动态特征，能够更加精确、简便、鲁棒地估计SOC。
[0007]本专利技术的目的是通过以下技术方案来实现的：一种基于GRU
‑
RNN的电动汽车锂离子电池的SOC估计方法，包括以下步骤：
[0008]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；
[0009]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；
[0010]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；
[0011]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。
[0012]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。
[0013]进一步地，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。
[0014]进一步地，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。
[0015]进一步地，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：
[0016]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：
[0017][0018]其中，μ表示历史测量数据整体的均值，σ表示方差，x
k
′
表示进行标准化后的电池历史数据。
[0019]步骤22：对在测试过程中测算得出的电池减少的容量值(Ah)进行归一化处理，转换为范围为0～100％的SOC真实值SOC
k
，计算公式为：
[0020][0021]其中，C
max
表示电池的最大容量，C
k
表示从初始充满电的状态到k时刻消耗的容量值。
[0022]步骤23：使用滑动窗口算法，将T个连续时间步的电池测量数据x
k
以及对应的电池SOC真实值SOC
k
打包成适合GRU
‑
RNN的数据集，挑选数据集中的一部分用于神经网络模型的训练，另一部分作为评估网络模型的测试集。
[0023]进一步地，所述步骤2中，SOC估计网络模型基于PyTorch深度学习框架进行搭建；具体网络模型结构包括输入层、GRU
‑
RNN层、Dropout层、全连接层和输出层；GRU
‑
RNN层负责捕获输入序列中的隐含时间依赖性，Dropout层在训练过程中随机选择一部分神经元并将其输出设置为0，减轻GRU
‑
RNN模型的过拟合现象。全连接层和输出层则是将GRU
‑
RNN层的高维隐藏状态通过线性变换映射为预测的SOC值。
[0024]进一步地，在步骤3中训练网络模型时，首先初始化GRU
‑
RNN中隐藏神经元的状态，并随机初始化网络模型的权值。在使用反向传播算法训练网络模型的过程中，引入Adam随机梯度下降算法，根据设定的学习率迭代调整模型权重使误差最小化，训练过程中的损失
函数选择为MSE Loss：
[0025][0026]其中SOC
k
为k时刻的真实SOC值，SOC
k
′
为网络模型预测的SOC值,N表示样本的总数。
[0027]在迭代训练的过程中Loss值逐渐减小，最后趋于稳定，代表网络模型收敛，设置5本文档来自技高网...

【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：