锂离子电池荷电状态估计方法、存储介质技术

本发明专利技术涉及一种锂离子电池荷电状态估计方法,首先、采集不同工况下锂离子电池放电数据，并对数据进行归一化处理后划分为训练集和测试集；其次：构建包括输入层、LSTM层、全连接层和输出层的LSTM预测模型；然后、使用粒子群优化算法和训练数据对LSTM预测模型的超参数进行寻优，在满足预测模型评价标准的基础上确定LSTM的最优参数，最终获得锂离子电池荷电状态估计模型，最后利用训练好的LSTM模型对测试集进行预测，得到锂离子电池荷电状态估计结果。构建锂离子电池荷电状态LSTM预测模型，并通过粒子群优化算法(PSO)对LSTM神经网络的超参数进行寻优，进一步提高了LSTM的预测效果和稳定性。

【技术实现步骤摘要】
锂离子电池荷电状态估计方法、存储介质
本专利技术涉及锂电池
，尤其是一种锂电池荷电状态估计方法、存储介质，具体的涉及一种基于PSO-LSTM的锂离子电池荷电状态估计方法及存储介质。
技术介绍
电池管理系统是新能源整车系统的核心，同时也是新能源汽车技术的发展瓶颈，估算出电池的荷电状态是电池管理系统的关键问题，作为电池管理系统最基本的参数，锂离子电池荷电状态(SOC)的准确估计不仅可以避免电池过充、过放等非正常工作方式，延长电池的寿命，防止安全事故的发生，还对新能源汽车续航里程的预测具有重要意义，目前常用的电荷估算方法为安时积分法，即如果充放电起始状态记为SOC0,那么当前状态的SOC为SOC0是电池电荷状态的初始电量值；CE是电池的额定容量；I(t)为电池在t时刻的充放电电流；t为充放电的时间；η为充放电效率系数，又被称作库伦效率系数，代表了充放电过程中电池内部的电量耗散，一般以充电放电的倍率和温度修正系数为主,其中若充放电流测量有误，则SOC计算就会有误差，随着使用时间的延长，误差会越来越大，就无法准确的估算荷电状态。长短时记忆神经网络(LSTM)是循环神经网络(RNN)的变体，有效地解决了传统神经网络容易陷入局部最小值、梯度消失和爆炸的问题。同时，对于时间序列数据的处理具有较强的建模和分析能力，适合应用于具有时间依赖性响应的电池动态系统。粒子群优化算法(PSO)是基于群智能理论的优化算法，通过群体中个体间的合作与竞争来实现复杂空间最优解的搜索。在迭代过程中计算每个粒子的适应值，通过比较得到个体及全局最优值，进一步更新每个粒子的速度与位置以得到全局最优解。使用粒子群优化算法优化LSTM参数有效的克服了随机确定参数而导致预测模型拟合能力不够、预测精度低的问题，减少工作量。
技术实现思路
针对上述问题，为了更好的估算锂离子电池荷电状态，本方案提供了一种锂离子电池荷电状态估计方法、存储介质，构建锂离子电池荷电状态LSTM预测模型，并通过粒子群优化算法(PSO)对LSTM神经网络的超参数进行寻优，进一步提高了LSTM的预测效果和稳定性。此外，为提高网络的抗干扰能力，在输入层注入随机噪声，提高了鲁棒性。本专利技术提供如下技术方案：一种锂离子电池荷电状态估计方法,包括如下步骤：步骤1：采集不同工况下锂离子电池放电数据，并对数据进行归一化处理后划分为训练集和测试集，步骤2：构建包括输入层、LSTM层、全连接层和输出层的LSTM预测模型，步骤3：使用粒子群优化算法和训练数据对LSTM预测模型的超参数进行寻优，在满足预测模型评价标准的基础上确定LSTM的最优参数，最终获得锂离子电池荷电状态估计模型，步骤4：利用训练好的LSTM模型对测试集进行预测，得到锂离子电池荷电状态估计结果。所述步骤1中，采集锂离子电池在放电过程中不同时刻的电流I(t)、电压U(t)和SOC'(t)作为样本数据，采样间隔时间为m，对样本数据归一化采用min-max标准化，将样本数据映射到[-1，1]之间，公式如下：其中，xnorm是归一化后的数据，x为原始样本数据，xmax为样本数据的最大值，xmin为样本数据的最小值。将步骤1归一化处理后的样本数据的80％作为训练集数据，20％作为测试集数据。所述步骤2中，LSTM预测模型的输入向量为xt＝[U(t)，I(t)]；输出向量为yt＝[SOC(t)]。为提高网络的抗干扰能力在输入向量中注入随机噪声R(t)，此时输入向量为xt＝[U(t)，I(t)，R(t)]。所述步骤3包括如下步骤：步骤31：将LSTM模型中隐藏层神经元个数(ls)、学习率(lr)、训练次数(ep)、学习率下降因子(lrdf)、学习率下降周期(lrdp)作为优化对象，并确定其搜索范围，步骤32：初始化粒子群参数。确定粒子维数D、种群大小N、迭代次数M、学习因子c1和c2、惯性权重w，在允许的范围内随机产生初始搜索点速度和位置，步骤33：根据各粒子对应的超参数构建LSTM预测模型，对训练集数据进行模型预测，将预测结果的均方误差作为粒子的适应度值，如下式所示。同时，根据适应度函数更新粒子个体极值(pij)和全局极值(pgi)，式中T是数据序列长度，SOC'(t)是t时刻真实值，SOC(t)为t时刻的预测值，步骤34：利用以下公式更新粒子速度(vij)和位置(xij)：vij(t+1)＝w·vij(t)+c1r1[pij(t)-xij(t)]+c2r2[pgi(t)-xij(t)]xij(t+1)＝xij(t)+vij(t+1)步骤35：判断算法是否满足终止条件：若是，则结束算法并输出最优结果；否则返回到步骤33，步骤36：输入粒子群算法优化好的参数组合，对LSTM神经网络进行设置；将预测的均方根误差作为LSTM神经网络的优化目标，采用Adam优化算法更新网络权值。步骤4中，采用训练好的LSTM神经网络模型对测试集进行SOC预测，预测结果采用最大绝对误差(ME)，平均绝对误差(MAE)和均方根误差(RMSE)三项评价指标进行评价，其中：ME＝max(|SOC'(t)-SOC(t)|)一种存储介质，存储程序，所述程序被处理器执行时，实现权利要求1～6中任一项的的锂离子电池荷电状态估计方法。通过上述描述可以看出，本方案将粒子群优化算法与LSTM算法相结合，对LSTM模型的超参数进行寻优，有效的克服了随机确定LSTM参数而导致预测模型拟合能力不够、预测精度低的问题，使得锂离子电池的数据特性与网络拓扑更加匹配。另外，在输入数据中加入随机噪声，提高了网络的鲁棒性。该方法计算工作量小，具有强实时性和适应性等优点，对锂离子电池荷电状态精确估计具有重要意义。。附图说明图1是本专利技术具体实施方式的估计方法流程图。图2是长短时记忆神经网络的结构示意图。图3是本专利技术具体实施方式一的恒流条件下的电流电压数据示意图。图4是本专利技术具体实施方式一的UDDS工况下的电流电压数据示意图。图5是本专利技术具体实施方式二提供的25℃下两种工况下的SOC估计结果示意图。图6是是本专利技术具体实施方式二提供的25℃下两种工况下的SOC估计结果灰度图。图7是本专利技术具体实施方式二提供的25℃下两种工况下的SOC估计误差结果示意图。图8是本专利技术具体实施方式二提供的25℃下两种工况下的SOC估计误差结果灰度图。图9是本专利技术具体实施方式二提供的25℃下两种工况加入随机噪声时SOC估计结果示意图。图10是本专利技术具体实施方式二提供的25℃下两种工况加入随机噪声时SOC估计结果灰度图。图11分别是本专利技术具体实施方式二提供的25℃下两种工况加入随机噪声时SOC估计误差结果示意图。具体实施方式下面将结合本专利技术具体实施方式中的附图，对本专利技术具体实施方式中的技术方案进行清楚、本文档来自技高网...

【技术保护点】
1.一种锂离子电池荷电状态估计方法,其特征在于包括如下步骤：/n步骤1：采集不同工况下锂离子电池放电数据，并对数据进行归一化处理后划分为训练集和测试集，/n步骤2：构建包括输入层、LSTM层、全连接层和输出层的LSTM预测模型，/n步骤3：使用粒子群优化算法和训练数据对LSTM预测模型的超参数进行寻优，在满足预测模型评价标准的基础上确定LSTM的最优参数，最终获得锂离子电池荷电状态估计模型，/n步骤4：利用训练好的LSTM模型对测试集进行预测，得到锂离子电池荷电状态估计结果。/n

【技术特征摘要】
1.一种锂离子电池荷电状态估计方法,其特征在于包括如下步骤：
步骤1：采集不同工况下锂离子电池放电数据，并对数据进行归一化处理后划分为训练集和测试集，
步骤2：构建包括输入层、LSTM层、全连接层和输出层的LSTM预测模型，
步骤3：使用粒子群优化算法和训练数据对LSTM预测模型的超参数进行寻优，在满足预测模型评价标准的基础上确定LSTM的最优参数，最终获得锂离子电池荷电状态估计模型，
步骤4：利用训练好的LSTM模型对测试集进行预测，得到锂离子电池荷电状态估计结果。


2.根据权利要求1所述的锂离子电池荷电状态估计方法，其特征是：
所述步骤1中，采集锂离子电池在放电过程中不同时刻的电流I(t)、电压U(t)和SOC'(t)作为样本数据，采样间隔时间为m，
对样本数据归一化采用min-max标准化，将样本数据映射到[-1，1]之间，公式如下：



其中，xnorm是归一化后的数据，x为原始样本数据，xmax为样本数据的最大值，xmin为样本数据的最小值。


3.根据权利要求2所述的锂离子电池荷电状态估计方法，其特征是：
将归一化处理后的样本数据的80％作为训练集数据，20％作为测试集数据。


4.根据权利要求3所述的锂离子电池荷电状态估计方法，其特征是：
所述步骤2中，LSTM预测模型的输入向量为xt＝[U(t)，I(t)]；输出向量为yt＝[SOC(t)]。为提高网络的抗干扰能力在输入向量中注入随机噪声R(t)，此时输入向量为xt＝[U(t)，I(t)，R(t)]。


5.根据权利要求4所述的锂离子电池荷电状态估计方法，其特征是：
所述步骤3具体为：
步骤31：将LSTM模型中隐藏层神经元个数(ls)、学习率(l...

【专利技术属性】
技术研发人员：刘树林，俞晓冬，董霞，任晓庆，李文，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东;37