【技术实现步骤摘要】
基于CNN
‑
LSTM模型的锂电池核电状态预测方法
[0001]本专利技术属于锂电池
,特别涉及一种基于CNN
‑
LSTM模型的锂电池 核电状态预测方法。
技术介绍
[0002]能源危机和环境污染的问题日益严重,锂电池由于具有能量密度大、循环 寿命长且随发展逐渐增大的可存储容量等优点,逐渐受到了以新能源汽车为主 的行业的青睐。当前频发的新能源汽车自燃事件往往和锂电池工作状态的错误 评估有关,为了保证锂电池能在各领域中得到安全且高效的使用,就需要用到 有效的电池管理系统对其进行检测与控制。其中电池核电状态(SOC)作为判 断锂电池当前工作状态的重要参数,对其进行在线实时且精准的预测可以更好 的观察到电池当前工作状态,保证电池在安全的条件下进行高效的使用,进而 达到可及时预防安全事故的目的。
[0003]由于锂电池在使用过程中是一个复杂的电化学反应过程,且受应用环境、 老化等因素的影响,故实现快速且精确的电池核电状态估计具有很大挑战性。 当前常用的锂电池核电状态预测方法可分为等效电路模型法和数据驱动法。等 效电路模型法具有难以建立适用于各种工况的电池等效电路、模型参数辨识难 度大、运算量大等缺陷。数据驱动法则具备无需考虑锂电池复杂的电化学特性 和建立复杂的电路模型;且随着锂电池的大量应用,越来越多与锂电池状态预 测相关研究的开展,并公布大量实验相关开源数据集,解决了数据驱动法对数 据需求量大的问题。因此本专利提出一种基于CNN
‑
LSTM神经网络模型的锂 ...
【技术保护点】
【技术特征摘要】
1.一种基于CNN
‑
LSTM模型的锂电池核电状态预测方法,其特征在于,该方法包括以下步骤:S1:对现有开源锂电池数据集进行筛选,选择适用于锂电池核电状态预测的数据集;S2:查看并分析数据集中电池充放电容量与各特征之间的关系,确定采用电池当前电压、电流和温度作为核电状态预测的特征参数;S3:对选取的特征数据集进行数据预处理和数据分割,依据所选特征将数据集划分为训练集和测试集;S4:构建CNN、LSTM与FC的组合模型,其中数据流向为锂电池数据输入CNN,运算结果输入LSTM,最后通过FC整合并输出核电状态预测值;S5:将上述训练集对搭建的模型进行训练,在训练过程中依据模型训练收敛速度和预测误差作为模型评估标准;S6:通过收敛速度与预测误差对模型进行层级优化和超参数优化,并保存最优模型;S7:把验证集数据输入保存模型中进行模型预测性能评估。2.根据权利要求1所述的一种基于CNN
‑
LSTM模型的锂电池核电状态预测方法,其特征在于:所述步骤S1中,数据集的选择要适用于锂电池核电状预测,最终选择马里兰大学锂电池数据集CALCE中的CS2系列数据集,该数据集测试内容包含在室温(25℃)环境条件下,对CS2系列锂电池进行充放电,直至电池达到寿命终止,即电池最大容量降低至额定容量的30%,其中充电方式以恒流模式将电池充电至两端电压达4.2V,后以恒压模式充电至电流小于20mA;放电时以恒流模式进行,放电至电池两端电压到2.7V。且该数据集有包括电池端电压、电流、环境温度以及电池核电状态等17个参数可供选择使用,因此满足研究所需。3.根据权利要求1所述的一种基于CNN
‑
LSTM模型的锂电池核电状态预测方法,其特征在于:所述步骤S2中,数据集的分析过程中,通过将数据集中的元素与锂电池核电状态进行绘图,查看各元素与锂电池核电状态之间的相关性。经对比后发现锂电池当前端电压、端电流以及环境温度更适用于锂电池核电状态预测,尤其是电池端电压与电池核电状态呈现正相关特性。因此选其作为锂电池核电状态的预测参数。4.根据权利要求1所述的一种基于CNN
‑
LSTM模型的锂电池核电状态预测方法,其特征在于:所述步骤S3中,对特征数据集进行数据预处理需三个步骤完成;其一是去除数据集中的异常点,在数据预处理过程中的去除数据集中的异常点,由于电池的满充容量会随充放电次数的增加而逐渐减小,但数据中存在某些异常下降或上升过大的数据,这些数据直接输入网络进行运算会导致模型在识别数据特征时出错,故需将该部分数据认作异常点而去除,而去除的方法可表示为:以充放电周期数为序,每个充放电周期的电池满充容量为x
i
,对全部充放电周期的所有x
i
数据求和后求其均值u,在通过求得的平均值来计算整个电池使用生涯满充容量的方差
α,最后通过均值和均方根误差找出所有数据中的最大Max和最小Min范围。若存在该范围以外数据则去除该周期数据点。而数据中还存在部分异常波动较小的数据,这是由...
【专利技术属性】
技术研发人员:王巍,丁辉,赵汝法,夏旭,刘斌政,稅绍林,张涛洪,袁军,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。