一种基于机器学习的电池系统支路电流估计方法技术方案

本发明专利技术公开了一种基于机器学习的电池系统支路电流估计方法，包括以下步骤：包括进行DST，FUDS，UDDS，HPPC四个工况下的离线测试，将整合的数据集进行归一化，设置BP神经网络的参数，对BP神经网络进行训练，得到训练好的BP神经网络，得到支路电流估计值。对比现有技术，本发明专利技术的有益效果在于：使用BP神经网络进行支路电流估计，BP神经网络算法比深度学习算法结构简单、训练学习快，占用内存小，更适合移动载运装备。装备。装备。

【技术实现步骤摘要】
一种基于机器学习的电池系统支路电流估计方法


[0001]本专利技术涉及电池
，具体是一种基于机器学习的电池系统支路电流估计方法。

技术介绍

[0002]锂离子电池因其能量密度高、循环寿命长、重量轻而在电动汽车中得到广泛的应用。在车用锂离子电池的使用中，为了满足高功率输出的需求，成百上千个单体电池通常串并联使用。但是由于各个电池单体的制造过程不可避免的存在不同，所以在使用过程中每个单体电池的容量、温度、老化程度等特性会存在差异，这些差异会导致并联电池组的支路电流不同，进而会使不同电池单体的充放电深度存在差异，并且随着时间的推移，并联电池之间的差异会进一步增大，从而影响电池组的使用寿命并且存在安全隐患。
[0003]目前，关于电池并联支路电流估计的研究较少，现有技术中有通过并联电池组等效电路模型来估计支路电流，并联电池组等效电路模型通过电池单体的等效电路模型和基尔霍夫电流电压定律建立，其中电池单体模型参数可以通过试验标定获得，并联电池组模型是根据状态空间理论，选取了单体电池开路电压V
oc
和极化压降V
p
作为状态量，此模型可用于实时分析并联电池组内部的不均衡电流分配情况。但是，基于等效电路模型的支路电流估计方法存在缺点，例如，无论简单还是复杂的等效电路模型均需要预先确定电池单体的参数，但是在实际应用中，很难由外部可观测的参数来获取并联单体电池内部的实时参数。而且，各种不一致性也增加了电池参数的不确定性。

技术实现思路

[0004]为解决现有技术中的不足，本专利技术提供一种基于机器学习的电池系统支路电流估计方法，该方法不需要确定电池单体的参数，仅依靠不同工况下的并联电池组的干路电流和支路电压便可以估计支路电流。
[0005]本专利技术为实现上述目的，通过以下技术方案实现：
[0006]一种基于机器学习的电池系统支路电流估计方法，包括以下步骤：
[0007]S1、获取DST，FUDS，UDDS，HPPC四个动态工况下的并联电池组的干路电流和支路的电压和电流；
[0008]S2、将其中三个工况下的干路电流和两个支路电压以及两个支路电流依次整合到一个干路电流数据集I、两个支路电压数据集V1、V2，以及两个支路电流数据集I1，I2，并将整合的数据集进行归一化；
[0009]S3、训练BP神经网络；
[0010]S4、将剩余一个工况下的干路电流I
’
和两条支路的电压V
’1、V
’2作为输入特征输入已经训练好的BP神经网络中，得到估计结果后将结果进行反归一化，得到支路电流估计值I
’1、I
’2。
[0011]进一步的，S3中采用以下方法训练BP神经网络：
[0012]S3.1设置BP神经网络的参数
[0013]S3.2将干路电流数据集I和两个支路电压数据集V1、V2作为输入，支路电流数据集I1，I2作为输出，对BP神经网络进行训练，得到训练好的BP神经网络。
[0014]进一步的，S1步骤中记载的数据通过以下方法获得：在并联的电池组的干路和两条支路分别串联电流传感器，在两条支路分别并联电压传感器，以此得到并联电池组的干路电流和两条支路的电压和电流。
[0015]进一步的，S2中采用Min
‑
Max标准化方法实现数据集归一化。
[0016]对比现有技术，本专利技术的有益效果在于：
[0017]1、本专利技术使用BP神经网络进行支路电流估计，BP神经网络算法比深度学习算法结构简单、训练学习快，占用内存小，更适合移动载运装备。
[0018]2、与解析模型相比本专利技术也无需确定电池单体的参数，仅依靠不同工况下的并联电池组的干路电流和支路电压便可以估计电池系统的支路电流。
附图说明
[0019]附图1是本专利技术并联电池组模型；
[0020]附图2是本专利技术神经网络的结构图；
[0021]附图3是本专利技术支路电流估计流程图；
[0022]附图4是本专利技术实验结果图。
具体实施方式
[0023]下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
[0024]本专利技术公开了一种储能电池系统并联支路电流估计及矫正方法，包括以下步骤：
[0025]S1、获取DST，FUDS，UDDS，HPPC四个动态工况下的并联电池组的干路电流和支路的电压和电流；
[0026]S2、将其中三个工况下的干路电流和两个支路电压以及两个支路电流依次整合到一个干路电流数据集I、两个支路电压数据集V1、V2，以及两个支路电流数据集I1，I2，并将整合的数据集进行归一化；
[0027]S3、设置BP神经网络的参数，将干路电流数据集I和两个支路电压数据集V1、V2作为输入，支路电流数据集I1，I2作为输出，对BP神经网络进行训练，得到训练好的BP神经网络；
[0028]S4、将剩余一个工况下的干路电流I
’
和两条支路的电压V
’1、V
’2作为输入特征输入已经训练好的BP神经网络中，得到估计结果后将结果进行反归一化，得到支路电流估计值I
’1、I
’2。
[0029]其中，S1步骤中记载的数据通过以下方法获得：在并联的电池组的干路和两条支路分别串联电流传感器，在两条支路分别并联电压传感器，以此得到并联电池组的干路电流和两条支路的电压和电流。
[0030]为了能够更清楚的了解本方法，下面结合附图对本方法进一步说明：
[0031]本专利技术公开了一种基于机器学习的电池系统支路电流估计方法，如图1所示，并联
电池组选用了2节标称容量分别为30.244Ah的锂离子电池Cell1和29.927Ah的锂离子电池Cell2，实验中在干路串联电流传感器，在两条支路分别并联电压传感器，以此得到并联电池组的干路电流和两条支路的电压，Arbin采样时间固定为1s，dspace采样时间固定为50ms。
[0032]如图3得到支路电流估计流程图：S1、获取DST，FUDS，UDDS，HPPC四个动态工况下的并联电池组的干路电流和支路的电压和电流；
[0033]S2、将FUDS，UDDS，HPPC三个工况下的干路电流和两个支路的电压和电流整合到一起成为一个干路电流数据集I、两个支路电压数据集V1、V2，以及两个支路电流数据集I1，I2，并将整合的数据集进行归一化，采用Min
‑
Max标准化方法实现数据集归一化
[0034]S3、设置BP神经网络的参数，将干路电流数据集I和两个支路电压数据集V1、V2作为输入，支路电流数据集I1，I2作为输出，对BP神经网络进行训练，得到训练好的BP神经网络；
[0035]S4、将DST工况下的干路电流I<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的电池系统支路电流估计方法，其特征在于，包括以下步骤：S1、获取DST，FUDS，UDDS，HPPC四个动态工况下的并联电池组的干路电流和支路的电压和电流；S2、将其中三个工况下的干路电流和两个支路电压以及两个支路电流依次整合到一个干路电流数据集I、两个支路电压数据集V1、V2，以及两个支路电流数据集I1，I2，并将整合的数据集进行归一化；S3、训练BP神经网络；S4、将剩余一个工况下的干路电流I
’
和两条支路的电压V
’1、V
’2作为输入特征输入已经训练好的BP神经网络中，得到估计结果后将结果进行反归一化，得到支路电流估计值I
’1、I
’2。2.根据权利要求1所述一种基于机...

【专利技术属性】
技术研发人员：于全庆，刘玉坤，穆浩，龙胜文，李俊夫，
申请(专利权)人：北京空间飞行器总体设计部，
类型：发明
国别省市：