一种车载动力电池SOC估计方法技术

本发明专利技术公开了一种车载动力电池SOC估计方法，通过对与实车电池同型号的电池进行间歇性放电实验，得到电池在多种SOC和多种放电电流下，暂停放电期间的电压数据。使用这些数据，结合自适应变异粒子群优化算法，形成长短期记忆神经网络模型。实车应用中，在车载动力电池每次暂停放电时，采集电池暂停放电前一采样时刻的电流数据、暂停放电后一段时间内的电压序列数据，输入模型，计算SOC。以所计算的SOC为初始值，在车载动力电池连续放电期间持续更新SOC，直至下次暂停放电时，继续采用模型重新计算SOC。本发明专利技术能够利用车载动力电池暂停放电期间的电流、电压数据，消除电流传感器累积的测量误差对安时积分法的影响，提高车载动力电池SOC估计精度。SOC估计精度。SOC估计精度。

【技术实现步骤摘要】
一种车载动力电池SOC估计方法


[0001]本专利技术涉及电池状态预测领域，具体涉及一种车载动力电池SOC 估计方法。

技术介绍

[0002]SOC作为衡量电动汽车运行状态的重要参数，对电动汽车的续航里程预测和安全可靠运行具有重要作用。常见的SOC估计方法有安时积分法、开路电压法、数据驱动法等。安时积分法原理简单，在给定正确初始值的短期预测中，具有速度快、精度高的优点，故应用最广。然而，安时积分法是开环方法，无反馈纠正能力，故在长期预测中存在SOC估计精度因累计误差而下降的不足。开路电压法需要电池长时间静置才能估计准确，在长距离行车期间难以应用。此外，在SOC处于20％
‑
80％区间内，电池端电压随SOC变化较小，影响了开路电压法的估计精度。数据驱动法以近年来发展迅速的神经网络为主，通过离线结合大数据训练模型确保精度，在线使用模型快速预测确保实时性，兼顾了精度和实时性两个方面。然而，现有基于数据驱动的SOC估计方法，其输入变量一般只有当前的电流、电压和温度，输入数据量过少，容易受到传感器测量误差影响，影响SOC的估计精度和鲁棒本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车载动力电池SOC估计方法，其特征在于，具体步骤如下：S1：通过对与实车电池同型号的电池进行间歇性放电实验，得到电池在多种SOC和多种放电电流下，暂停放电期间的电压数据；S2：将暂停放电期间的电压数据和对应的放电电流数据构成数据集，接着将数据集分为训练集和测试集，然后进行归一化处理；S3：构建与长短期记忆神经网络的待优化参数相适应的粒子群，完成粒子群的初始化，确定长短期记忆神经网络的初始参数结构；S4：根据权重更新公式，确定粒子更新公式；S5：根据粒子更新公式，确定每个粒子的位置和速度；S6：根据适应度公式，确定个体位置极值和群体位置极值；S7：重复S4
‑
S6，直至达到最大迭代次数，得到最优群体位置极值，确定长短期记忆神经网络的最终参数结构，形成长短期记忆神经网络模型，保存在车载电池管理系统中；S8：实车应用中，在车载动力电池每次暂停放电时，采集电池暂停放电前一采样时刻的电流数据、暂停放电后一段时间内的电压序列数据，输入车载电池管理系统，采用步骤S7所述的长短期记忆神经网络模型计算车载动力电池的SOC；S9：以步骤S8所计算的车载动力电池的SOC为初始值，在车载动力电池连续放电期间持续监控电池端电压和输出电流并更新SOC，直至下次暂停放电时，采用步骤S8所述方法重新计算车载动力电池的SOC。2.权利要求1所述的一种车载动力电池SOC估计方法，其特征在于，步骤S8所述的实车应用中，在车载动力电池每次暂停放电时，采集电池暂停放电前一采样时刻的电流数据、暂停放电后一段时间内的电压序列数据，输入车载电池管理系统，采用步骤S7所述的长短期记忆神经网络模型计算车载动力电池的SOC，具体步骤如下：S8
‑
1：车载电池管理系统实时检测车速、车载动力电池的电压和电流，当检测到车速、电流为0时，代表车载动力电池暂停放电，保存暂停放电前一采样时刻的电流并记录为I
rest
，保存暂停放电后一段时间内的电压序列数据并记录为U
rest1
,U
rest2
,
…
,U
restT
。S8
‑
2：将步骤S8
‑
1所述的I
rest
,U
rest1
,U
rest2
,
…
,U
restT
进行归一化处理；S8
‑
3：将步骤S8
‑
2处理后的数据，输入步骤S7所述的长短期记忆神经网络模型，得到车载动力电池暂停放电时的SOC值并记录为SOC
rest
。3.如权利要求1所述的一种车载动力电池SOC估计方法，其特征在于，步骤S1所述的通过对与实车电池同型号的电池进行间歇性放电实验，得到电池在多种SOC和多种放电电流下，暂停放电期间的电压数据，具体步骤如下：S1
‑
1：在0至100％区域中均匀选取(M+1)个数据，作为暂停放电的SOC点，在0至最大放电电流I
max
之间均匀选取N个数据，作为给定放电电流。将所有暂停放电的SOC点和所有放电电流分别组合，得到M
×
N种工况。S1
‑
2：针对步骤S1
‑
1所述的M
×
N种工况，逐个工况进行恒流放电实验，并记录数据。具体方式为，首先以第n个给定放电电流，将动力电池由第(m+1)个SOC值放电至第m个SOC值，然后暂停放电，并将第m个SOC值记录为SOC
n,m
，将第n个给定放电电流记录为I
n,m
，将暂停放电后整个电压回升过程的电压序列数据记录为U
n,m,1
，U
n,m,2
，
…
,U
n,m,T
，其中n＝1,2,...,N，m＝1,2,...,M。
4.如权利要求1所述的一种车载动力电池SOC估计方法，其特征在于，步骤S2所述的将暂停放电期间的电压数据和对应的放电电流数据构成数据集，接着将数据集分为训练集和测试集，然后进行归一化处理，具体步骤如下：S2
‑
1：将步骤S1
‑
2所述的给定放电电流I
n,m
，以及该放电电流所对应的暂停放电后整个电压回升过程的电压序列数据U
n,m,1
，U
n,m,2
，
…
,U
n,m,T
定义为输入数据集，将步骤S1
‑
2所述的SOC值SOC
n,m
定义为输出数据集，其中n＝1,2,...,N，m＝1,2,...,M；S2
‑
2：把数据集按一定比例划分为训练集和测试集；S2
‑
3：将所述电流、电压、SOC进行归一化处理。5.如权利要求1所述的一种车载动力电池SOC估计方法，其特征在于，所述长短期记忆神经网络的计算过程如下：i＝σ(W
ix
[I
t
,U
1,t
,U
2,t
，
…
,U
T,t
]+W
ih
h
t
‑1+b
i
)f＝σ(W
fx
[I
t
,U
1,t
,U
2,t
，
…
,U
T,t
]+W
fh
h
t
‑1+b
f
)o＝σ(W
ox
[I
t
,U
1,t
,U
2,t
，
…
,U
T,t
]+W
oh
h
t
‑1+b
o
)z＝tanh(W
zx
[I
t
,U
1,t
,U
2,t
，
…
,U
T,t
]+W
zh
h
t
‑1+b
z
)c
t
＝f
⊙
c
t
‑1+i
⊙
zh
t
＝o
⊙
tanh(c
t
)其中，[I
t
,U
1,t
,U
2,t
，
…
,U
T,t
]表示在第t次暂停放电期间的输入，h
t
‑1、h
t
分别表示在第(t
‑
1)次、第t次的短期记忆信息，c
t
‑1、c
t
分别表示在第(t
‑
1)次、第t次的长期记忆信息，W
ix
、W
fx
、W
ox
、W
zx
分别表示输入门、遗忘门、输出门、输入节点与模型输入之间的权值，W
ih
、W
fh
、W
oh
、W
zh
分别表示输入门、遗忘门、输出门、输入节点与短期记忆信息之间的权值，b
i
、b
f
、b
o
、b
z
分别表示输入门、遗忘门、输出门、输入节点的偏置，i、f、o、z分别表示长短期记忆单元内输入门、遗忘门、输出门、输入节点的输出，σ、tanh、
⊙
分别表示Sigmoid函数、双曲正切函数、哈达玛积。6.如权利要求1所述的一种车载动力电池SOC估计方法，其特征在于，步骤S3
‑
S7的具体特征如下：步骤S3所述的与长短期记忆神经网络的待优化参数相适应的粒子群，其中的第i个粒子对应的位置向量为X
i
＝[α,β1,β2,
…
,β
j
,
…
,β
c
,γ]
T
，i＝1,2,
…
,Z，...

【专利技术属性】
技术研发人员：江泽煜，陈思哲，王玉乐，王裕，常乐，章云，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：