一种基于EKF-LSTM的锂电池荷电状态联合预测测量方法技术

本发明专利技术提供了一种基于拓展卡尔曼滤波算法和LSTM网络对锂离子电池荷电状态的联合预测方法，引入神经网络算法通过对EKF算法的预测值和预测误差进行补偿，从而提高对荷电状态的预测精度。本发明专利技术建立等效电路模型后，根据采集设备获得的锂离子电池内外参数，对数据预处理后进行加权平均，联立卡尔曼滤波算法和长短期记忆网络，将拓展卡尔曼滤波算法的预测值和误差值作为神经网络的训练样本，进一步提高预测精度，结果证明，本发明专利技术的荷电状态联合预测法能实时地跟踪实际值，在电流波动较大时能也能较为准确的显示电源当前状态并得到准确的荷电状态的预测值，在降低了噪声对预测结果的干扰的同时降低了计算量，利于电池管理系统的集成。的集成。

【技术实现步骤摘要】
一种基于EKF
‑
LSTM的锂电池荷电状态联合预测测量方法


[0001]本专利技术涉及计算机应用领域，具体涉及一种基于扩展卡尔曼和神经网络学习对锂离子电池通过数据采集设备采集数据进行荷电状态联合测量和预测的方法。

技术介绍

[0002]计算机技术在工业生产和日常生活中具有广泛应用，通过对数据采集设备采集的电池数据进行处理获得待预荷电状态的基础信息，因此，数据的使用和模型的精度对电池管理系统具有重要的意义；相比传统铅酸电池，锂离子电池在循环寿命、能量密度比和伏安特性曲线等性能上有着无可比拟的优势，作为判断电池使用周期的一个重要指标，荷电状态是电池管理系统进行电池管理的主要依据；准确地估计电池SOC十分重要，SOC的变化不仅能够反映电池的状态，还能为能量管理系统实现能量均衡分配提供重要依据，有效的延长电池的使用寿命；常用的SOC估算基于电流、电压和内阻等参数采用开路电压法、安时积分法和电量累计法等方法进行估算，这些方法虽然实现简单，但存在不可在线检测的缺点，不利用对电池进行集中管理系统。随着智能算法的不断发展，卡尔曼滤波、神经网络和模糊控制等方法也在电池SOC估算中得到应用，目前对SOC预测的研究主要是结合各种预测模型的优点，因此，通过硬件和联合算法对荷电状态进行预测，对提高SOC预测精度和管理系统的运行效率，具有一定的现实意义。

技术实现思路

[0003]该方法应用电池管理系统，具体为电池荷电状态监测管理系统，所述系统包含有数据采集设备、多芯线束、通讯总线、RS485接口和锂离子电池，通过多芯线束连接电池和数据采集设备，并集成连接至通讯总线，计算机和通讯总线通过连接RS485接口获取数据采集设备采集的锂离子电池内外参数数值。本专利技术的目的在于克服传统单一的荷电状态预测的方法容易造成的预测精度低、计算量大和管理系统效率低等问题，提供了一种基于基于EKF
‑
LSTM 的锂电池荷电状态联合预测方法，旨在通过数据采集设备和优化后的联合算法提高预测模型的预测精度，同时提高管理系统的运行效率，抑制卡尔曼滤波算法的误差，通过如下技术方案实现：1)搭建电池管理系统，通过数据采集设备获取相关参数，并将数据上传至计算机中，从而对数据进行处理，在锂离子电池不同的循环周期，通过计算机控制所述的数据采集设备分别进行数据采样，得到各种基于不同循环周期下的电流数据；2)通过构建高阶RC等效电路模型，如图1所示，得到荷电状态SOC的相关表达式并进行离散化，当锂离子电池无N论处于何时，都能得到其关于下一时刻的计算值；3)对数据进行预处理，所得数据依次通过高斯拟合和无效值剔除，基于加权平均方法对采集数据赋予不同的权重；4)算EKF算法中的观测噪声和过程噪声，将步骤3)中SOC相关表达式与EKF进行联立求解，获取当前时刻协方差、卡尔曼增益、状态空间值、模型准确度I和关于等效电路模型
的状态空间矩阵，矩阵的维数等于等效电路模型的阶数加上相关SOC表达式的数目；5)将EKF算法按照步骤4)不断更新协方差，卡尔曼增益和状态空间值，输出荷电状态预测值SOCEKF和预测误差值z，若步骤4)模型准确度I阈值，则采用其对应数据采集设备的测量值对预测值SOCEKF进行替换，不断获取管理系统的计算出基于EKF的在线监测值和预测值；6)如图2所示，引入LSTM网络对EKF进行优化，LSTM网络在隐状态下学习电池的运行特性，将步骤5)计算出的SOCEKF和误差值z作为神经网络的输入，将输出值反归一化，得到对应的输出值，对SOCEKF进行误差补偿得到锂离子电池荷电状态。图3是联合预测模型后的荷电状态预测图，图4 是误差分析结果。本专利技术涉及计算机应用领域，具体涉及一种基于扩展卡尔曼和神经网络学习对锂离子电池通过数据采集设备采集数据进行荷电状态联合测量和预测的方法。
附图说明
为了更清楚地说明本申请中的技术方案，下面将对说明书中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术专利中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。图1为本专利技术专利的高阶RC等效电路图；图2为本专利技术专利的EKF
‑
LSTM荷电状态预测流程图；图3为本专利技术专利的联合预测模型的荷电状态预测图；图4为本专利技术专利的误差结果预测图。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EKF
‑
LSTM的锂电池荷电状态联合预测测量方法，其特征在于，该方法应用电池管理系统，具体为电池荷电状态监测管理系统，所述系统包含有数据采集设备、多芯线束、通讯总线、RS485接口和锂离子电池，其中数据采集设备获得采集到的锂离子电池内外参数，通过多芯线束连接电池和数据采集设备，并集成连接至通讯总线，RS485接口采用TCP/IP协议，计算机和通讯总线通过连接RS485接口获取数据采集设备采集的锂离子电池内外参数数值；1)通过构建高阶RC等效电路模型，得到荷电状态SOC的相关表达式并进行离散化，当锂离子电池无N论处于何时，都能得到其关于下一时刻的计算值；2)对采集数据中的偏差数据采用高斯拟合，无效数据采用剔除的方式进行预处理，再将处理后的多维数据赋予不同权重，还需要将数据标准化为具有零均值和单位方差，使用相同的权重来标准化测试数据，采用加权平均的方式通过公式(1)获取锂离子电池的SOC指标式中x是电池SOC的评估指标，值越小，说明设备的状态越好，r
q
是第q个变量的监测值，Q是监测变量的总数，ω
q
则是对第q个监测变量赋予的权重；计算EKF算法中的观测噪声和过程噪声，将步骤SOC评估指标x与EKF进行联立求解，获取当前时刻协方差、卡尔曼增益、状态空间值...

【专利技术属性】
技术研发人员：傅军栋，陈浩杰，孙翔，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：