一种基于LSTM-EKF算法的锂电池SOC估计方法和系统技术方案

本发明专利技术公开了基于LSTM

【技术实现步骤摘要】
一种基于LSTM
‑
EKF算法的锂电池SOC估计方法和系统


[0001]本专利技术属于深度学习和非线性系统估计
，更具体地，涉及一种基于长短期记忆神经网络(Long and Short
‑
term Memory，简称LSTM)与扩展卡尔曼滤波(Extended Kalman Filter，简称EKF)算法的锂电池荷电状态(State Of Charge，简称SOC)估计方法和系统。

技术介绍

[0002]随着“双碳”战略目标的提出，能源产业绿色低碳转型发展成为全球以及我国高度关注的热点和重点，同时新型储能技术得到极大的发展空间。在新型储能
，电化学储能技术成为发展的重点，锂离子锂电池作为新型电化学能源之一，具有充电快、能量密度高等优点，已经在智能电网、储能电站等领域被广泛应用。锂电池的荷电状态(state of charge，SOC)，是检测锂电池管理系统安全的关键参数，反映储能锂电池的负荷状态，锂电池SOC估计避免了锂电池出现过充放电为储能系统带来安全隐患，是锂电池管理系统对锂电池能量管理和控制的关键技术之一。
[0003]现有的锂电池的SOC估计方法可分为四类：查表法、安时积分法、基于模型的估算方法、以及基于数据的估算方法；查表法是考虑到锂电池的开路电压(Open Circuit Voltage，简称OCV)与锂电池内部的锂离子存在着一定的映射关系，建立OCV
‑
SOC查找表，然后通过测量锂电池在工作时的开路电压，根据OVC与SOC之间的映射关系估计SOC；安时积分法主要对锂电池放电电流进行测量，并且将电流以时间进行积分计算，算出一段时间内放出的电量，然后估计锂电池的SOC；基于模型的估算方法是为了实现对锂电池SOC的动态估计，提出了将非线性观测器与锂电池模型相结合，使用闭环结构，对锂电池SOC进行估计；基于数据的估算方法是通过锂电池的参数例如电流、电压、温度等大量离线数据进行训练，得到锂电池参数与SOC之间的映射关系。
[0004]然而，上述集中锂电池SOC估计方法均存在一些不可忽略的问题：第一、查表法估计锂电池的SOC过度依赖查表的准确度，不能进行实时估计，并且锂电池的开路电压需要较长时间的静置才能达到稳定状态；第二、安时积分法是一种开环估计方法，传感器的测量值对其影响较大；第三、基于模型的估算方法在实际的工程应用方面，存在模型搭建过于复杂、参数识别难度大的问题，且SOC的估算精度过于依赖模型的精度和参数辨识的准确程度；第四、基于数据的估算方法对数据高度依赖，因此数据的质量对模型的准确性起到了确定性的作用，数据集的大小以及数据的准确性对模型的性能有很大的影响，存在鲁棒性差和泛化能力弱的问题。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于长短期记忆神经网络与扩展卡尔曼滤波联合算法的锂电池SOC估计方法和系统，其目的在于，解决现有查表法估计锂电池的SOC所存在的过度依赖查表的准确度、不能进行实时估计、并且锂电池的开路
电压需要较长时间的静置才能达到稳定状态的技术问题；已经现有安时积分法存在的传感器的测量值对其影响较大的技术问题；以及现有基于模型的估算方法在实际的工程应用方面存在模型搭建过于复杂、参数识别难度大的技术问题，以及SOC的估算精度过于依赖模型的精度和参数辨识的准确程度的技术问题，以及现有基于数据的估算方法由于对数据高度依赖，导致数据集的大小以及数据的准确性对模型的性能有很大的影响，进而导致鲁棒性差和泛化能力弱的技术问题。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种基于LSTM
‑
EKF算法的锂电池SOC估计方法，包括以下步骤：
[0007](1)利用Matlab/Simulink工具对锂电池进行建模仿真处理，以获得该锂电池的Thevenin等效电路。
[0008](2)对步骤(1)得到的Thevenin等效电路进行离线参数辨识，以得到Thevenin等效电路中的参数数据；
[0009](3)根据步骤(2)得到的Thevenin等效电路中的参数数据建立锂电池状态方程和观测方程，并对锂电池状态方程和观测方程进行离散化处理，以得到EKF算法中的系数矩阵。
[0010](4)对步骤(3)得到的系数矩阵进行EKF算法的迭代递推处理，以得到状态变量(SOC(t)、U
b
(t))的估计值卡尔曼增益矩阵、以及状态变量(SOC(t)、U
b
(t))估计值的更新误差其中SOC(t)是t时刻Thevenin等效电路中锂电池的SOC值，U
b
(t)是t时刻Thevenin等效电路中极化电容C
b
的端电压；
[0011](5)将步骤(4)得到的状态变量(SOC(t)、U
b
(t))的估计值、卡尔曼增益矩阵、状态变量(SOC(t)、U
b
(t))估计值的更新误差、以及锂电池在HPPC工况下的电压值和电流值输入训练好的LSTM神经网络中，以得到锂电池SOC的补偿值。
[0012](6)将步骤(5)得到的锂电池SOC的补偿值和步骤(4)得到的状态状态变量(SOC(t)、U
b
(t))的估计值进行求和，以得到锂电池SOC的估计值。
[0013]优选地，步骤(2)中的参数数据包括欧姆内阻R
a
、极化内阻R
b
和极化电容C
b
的值，且步骤(2)具体包括以下子步骤：
[0014](2
‑
1)用恒流恒压的充电方式将锂电池充满，随后将锂电池静置1小时时间，然后以锂电池容量一半的电流放电，以使得其SOC减少10％，随后将锂电池静置1小时时间，然后，以锂电池容量一半的电流放电，以使得其SOC再减少10％，随后将锂电池静置1小时时间，
…
，重复上述过程，直到锂电池SOC＝0或者达到放电截止电压为止，从而得到锂电池的电流电压变化图；
[0015](2
‑
2)对步骤(2
‑
1)得到的电流电压变化图进行参数辨识，以获得Thevenin等效电路中的欧姆电阻R
a
、极化电阻R
b
和极化电容C
b
；
[0016]优选地，步骤(2
‑
2)具体为，
[0017]首先，通过欧姆定律计算得到欧姆电阻R
a
：
[0018][0019]式中，U
A
、U
B
、U
C
、U
D
为电流电压变化图中A、B、C、D点的电压，I是锂电池的放电电流；
[0020]然后，根据欧姆定律计算得到内阻电压R
b
的值，并获取B
‑
C阶段的零状态响应：
[0021][0022][0023]式中，U
...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM
‑
EKF算法的锂电池SOC估计方法，其特征在于，包括以下步骤：(1)利用Matlab/Simulink工具对锂电池进行建模仿真处理，以获得该锂电池的Thevenin等效电路。(2)对步骤(1)得到的Thevenin等效电路进行离线参数辨识，以得到Thevenin等效电路中的参数数据；(3)根据步骤(2)得到的Thevenin等效电路中的参数数据建立锂电池状态方程和观测方程，并对锂电池状态方程和观测方程进行离散化处理，以得到EKF算法中的系数矩阵。(4)对步骤(3)得到的系数矩阵进行EKF算法的迭代递推处理，以得到状态变量(SOC(t)、U
b
(t))的估计值卡尔曼增益矩阵、以及状态变量(SOC(t)、U
b
(t))估计值的更新误差其中SOC(t)是t时刻Thevenin等效电路中锂电池的SOC值，U
b
(t)是t时刻Thevenin等效电路中极化电容C
b
的端电压；(5)将步骤(4)得到的状态变量(SOC(t)、U
b
(t))的估计值、卡尔曼增益矩阵、状态变量(SOC(t)、U
b
(t))估计值的更新误差、以及锂电池在HPPC工况下的电压值和电流值输入训练好的LSTM神经网络中，以得到锂电池SOC的补偿值。(6)将步骤(5)得到的锂电池SOC的补偿值和步骤(4)得到的状态状态变量(SOC(t)、U
b
(t))的估计值进行求和，以得到锂电池SOC的估计值。2.根据权利要求1所述的基于LSTM
‑
EKF算法的锂电池SOC估计方法，其特征在于，步骤(2)中的参数数据包括欧姆内阻R
a
、极化内阻R
b
和极化电容C
b
的值，且步骤(2)具体包括以下子步骤：(2
‑
1)用恒流恒压的充电方式将锂电池充满，随后将锂电池静置1小时时间，然后以锂电池容量一半的电流放电，以使得其SOC减少10％，随后将锂电池静置1小时时间，然后，以锂电池容量一半的电流放电，以使得其SOC再减少10％，随后将锂电池静置1小时时间，
…
，重复上述过程，直到锂电池SOC＝0或者达到放电截止电压为止，从而得到锂电池的电流电压变化图；(2
‑
2)对步骤(2
‑
1)得到的电流电压变化图进行参数辨识，以获得Thevenin等效电路中的欧姆电阻R
a
、极化电阻R
b
和极化电容C
b
。3.根据权利要求1或2所述的基于LSTM
‑
EKF算法的锂电池SOC估计方法，其特征在于，步骤(2
‑
2)具体为，首先，通过欧姆定律计算得到欧姆电阻R
a
：式中，U
A
、U
B
、U
C
、U
D
为电流电压变化图中A、B、C、D点的电压，I是锂电池的放电电流；然后，根据欧姆定律计算得到内阻电压R
b
的值，并获取B
‑
C阶段的零状态响应：C阶段的零状态响应：
式中，U
L
(t)是t时刻Thevenin等效电路中锂电池的端电压，U
OC
(t)是t时刻Thevenin等效电路中锂电池的开路电压，为指数函数，τ是Thevenin等效电路中RC回路的时间常数；最后，利用τ＝R
b
×
C
b
计算得到极化电容C
b
，并获取D
‑
E阶段的零输入响应：E阶段的零输入响应：。4.根据权利要求1至3中任意一项所述的基于LSTM
‑
EKF算法的锂电池SOC估计方法，其特征在于，步骤(3)包括以下子步骤：(3
‑
1)根据步骤(2)得到的Thevenin等效电路中的欧姆电阻R
a
、极化电阻R
b
和极化电容C
b
，并基于基尔霍夫定律建立第一状态方程和观测方程，并根据安时积分法建立第二状态方程；具体而言，第一状态方程如下：其中i(t)是t时刻Thevenin等效电路中锂电池工作时的电流。观测方程为：U
L
(t)＝U
oc
(t)
‑
U
b
(t)
‑
i(t)
·
R
a
第二状态方程为：其中SOC(t0)是Thevenin等效电路中锂电池SOC的初始值，Q0是Thevenin等效电路中锂电池的初始荷电量。(3
‑
2)对步骤(3
‑
1)得到的第一状态方程、第二状态方程和观测方程进行离散化处理，以得到EKF算法中的系数矩阵A、B、C。5.根据权利要求4所述的基于LSTM
‑
EKF算法的锂电池SOC估计方法，其特征在于，步骤(3
‑
2)具体为：首先，选择锂电池的SOC值和t时刻极化电容C
b
的两端电压U
b
(t)作为EKF系统的状态变量，对步骤(3
‑
1)得到的第一状态方程和第二状态方程进行离散化处理，以得到离散状态方程：其中t表示时间，
△
t表示t时刻到t+1时刻的时间段。然后，选择t时刻锂电池的端电压U
L
(t)作为观测变量，对步骤(3
‑
1)得到的观测方程进
行离散化处理，以得到离散观测方程：然后，根据以上得到的离散状态方程和离散观测方程获取EKF中的系数矩阵A、B、C、D：。6.根据权利要求5所述的基于LSTM
‑
EKF算法的锂电池SOC估计方法，其特征在于，步骤(4)具体为，首先，根据EKF算法的原理确定状态方程的初始值和协方差的初始值p0：式中，E(*)为期望，为状态变量(SOC(t)、U
b
(t))的初始值，SOC 的初始值设为1，极化电压U
...

【专利技术属性】
技术研发人员：刘健，余紫荻，邓阳杰，魏小萌，鲁宇辰，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：