本发明专利技术涉及一种基于动态应力与深度学习的软包锂离子电池荷电状态估计方法、装置及存储介质，其中方法包括：建立包含动态应力信号的电池充放电数据集，电池充放电数据集包括电流、端电压、动态应力数据和参考荷电状态；离线训练基于动态应力与深度学习的软包锂离子电池荷电状态估计模型：根据深度学习网络所需输入形式将电池充放电数据集里的电流、端电压和动态应力的时间序列特征重组为三维张量样本集，搭建电池荷电状态估计模型的深度学习网络结构，基于参考荷电状态和样本集离线训练电池荷电状态估计模型；在线电池荷电状态估计。与现有技术相比，本发明专利技术具有对不同工况适应性强、在数据长度有限时估计性能良好、对测量噪声干扰鲁棒性强等优点。声干扰鲁棒性强等优点。声干扰鲁棒性强等优点。
【技术实现步骤摘要】
一种软包锂离子电池荷电状态估计方法、装置及存储介质
[0001]本专利技术涉及电动汽车储能电池领域，尤其是涉及一种基于动态应力与深度学习的软包锂离子电池荷电状态估计方法、装置及存储介质。
技术介绍
[0002]目前，低碳愿景推动新能源汽车的发展，其中一条重要路线是纯电动汽车。动力电池负责能量存储和功率输出。锂离子电池由于能量/功率密度高、使用寿命长和环境友好等优点，成为整车厂商、高校与科研机构的研究热点。电池荷电状态定义为剩余电量与最大可用容量之比，用于指示电池剩余电量，是确定剩余可行驶里程、充电/放电功率、安全工作范围的重要状态量。
[0003]常规的荷电状态估计方法包括安时积分法、基于模型的方法和数据驱动方法。安时积分法基于荷电状态定义，是一种开环估计，受初始误差和测量噪声影响很大。基于模型的方法通过建立电池模型并构造自适应滤波器来估计电池荷电状态，估计精度、适应性及对测量噪声的抗干扰能力受模型和观测器的影响大。数据驱动方法基于电池可测量信息和内部状态之间的关系来实现荷电状态估计。
[0004]数据驱动方法的一般思想是在电池充放电时测量电池的电流、电压、温度等，将这些数据直接作为输入，搭建数据驱动模型并训练以获得合适的模型参数，用训练好的模型进行电池荷电状态估计。因此，提高数据驱动方法的估计性能需要考虑的问题主要有两个：一是如何选择并搭建强适应性的数据驱动模型，二是如何获取高质量的电池数据。
[0005]当前常用于荷电状态估计的数据驱动模型主要分为传统机器学习模型和神经网络模型。传统机器学习方法包括高斯过程回归和支持向量机等；神经网络模型包括卷积神经网络和递归神经网络等。与传统的机器学习技术相比，深度学习技术可以处理相对更大的滑动窗口长度，处理时间序列的深度学习模型包括长短期记忆神经网络和门控循环神经网络。
[0006]电池传感技术和多维数据是数据驱动电池状态估计的关键，常规的荷电状态估计方法一般采用电信号和热信号等来实现荷电状态估计。当前常用的基于数据驱动方法的荷电状态估计通常将滑动窗口内的电池电流、电压和温度等测量值作为模型输入。随着先进电池传感技术的发展，有希望利用更多的传感信号来实现电池状态估计，比如电池应力信号。在电池充电和放电期间，锂离子从电极活性材料嵌入嵌出会导致电极材料的结构变化，进而引起电池体积变化，产生应力变化。
[0007]将先进传感技术和机器学习技术结合有希望实现更精细的电池状态估计。目前该方法的问题主要在于：一是当前的数据驱动模型没有考虑电池测量数据的时间序列特性，不能有效利用历史信息；二是目前荷电状态估计中未能有效利用电池的应力信息，无法实现准确、有效和可靠的电池SOC估计。
技术实现思路
[0008]本专利技术的目的就是为了提供一种基于动态应力与深度学习的软包锂离子电池荷电状态估计方法、装置及存储介质，考虑电池测量数据的时间序列特性，效利用电池的应力信息，提高电池荷电状态估计的可靠性。
[0009]本专利技术的目的可以通过以下技术方案来实现：
[0010]一种基于动态应力与深度学习的软包锂离子电池荷电状态估计方法，包括以下步骤：
[0011]步骤1)建立包含动态应力信号的电池充放电数据集，所述电池充放电数据集包括电流、端电压、动态应力数据和参考荷电状态；
[0012]步骤2)离线训练基于动态应力与深度学习的软包锂离子电池荷电状态估计模型；
[0013]步骤21)根据深度学习网络所需输入形式将电池充放电数据集里的电流、端电压和动态应力的时间序列特征重组为三维张量样本集；
[0014]步骤22)搭建电池荷电状态估计模型的深度学习网络结构，基于参考荷电状态和样本集离线训练电池荷电状态估计模型；
[0015]步骤3)在线电池荷电状态估计：
[0016]步骤31)在电池实际充放电过程中在线获取电池电流、端电压和动态应力信号；
[0017]步骤32)根据训练完成的电池荷电状态估计模型，进行动力电池的荷电状态在线估计。
[0018]所述步骤1)包括以下步骤：
[0019]步骤11)采用约束夹具和应变传感器搭建软包电池应力测量实验装置；
[0020]步骤12)根据电池推荐的环境温度和充放电电流设计电池充放电实验，按设定的工况进行测试，在测试过程中记录电池电流、端电压和动态应力，并计算电池参考荷电状态，构建电池充放电数据集。
[0021]所述步骤11)中，实验室环境下通过约束夹具和应力传感器进行平面应力测量，车载应用中将应力传感器布置在两个软包电池之间测量平面应力。
[0022]所述步骤12)中，测试过程中记录的动态应力S
d
是与电池运行状态相关的应力，为总应力S
t
减去初始静态应力S
s
后的值：
[0023]S
d
＝S
t
‑
S
s
[0024]其中，所述总应力是在充电/放电期间由压力传感器直接在电池表面上测量的瞬时应力，静态应力是在充分的休息时间使电池达到平衡状态后获得的应力；
[0025]电池参考荷电状态根据定义计算：
[0026][0027]其中，SOC
k
和I
k
分别是k时刻的电池荷电状态和电流，Δt是采样时间，C
m
是电池容量。
[0028]所述步骤12)中，设定的工况包括：长期充放电工况、短期充放电工况、脉冲充放电工况和动态行驶工况。
[0029]所述步骤21)中，k时刻的电池充放电数据为x
k
＝[I
k
,V
k
,F
k
]，其中，I
k
是k时刻的电流，V
k
是k时刻的端电压，F
k
是k时刻的动态应力；
[0030]采用长度为n的滑动窗口，得到用于训练深度学习网络的输入为X
k
＝[x
k
‑
n+1
,
…
,x
k
‑1,x
k
]，数据长度记为N
data
，则获得的样本量为：
[0031]N
samples
＝N
data
‑
n+1
[0032]将数据重组为三维张量形式：[N
samples
,n,N
features
]，其中，N
features
表示特征数量。
[0033]所述步骤22)中，深度学习网络包括一层输入层、两层LSTM隐藏层、一层全连接层和一层输出层，其中LSTM网络激活过程如下：
[0034][0035]其中，f
t
遗忘门、i
t
是输入门，o
t
是输出门，是更新过程的候选状态，W
x
是权重，b
x本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于动态应力与深度学习的软包锂离子电池荷电状态估计方法，其特征在于，包括以下步骤：步骤1)建立包含动态应力信号的电池充放电数据集，所述电池充放电数据集包括电流、端电压、动态应力数据和参考荷电状态；步骤2)离线训练基于动态应力与深度学习的软包锂离子电池荷电状态估计模型；步骤21)根据深度学习网络所需输入形式将电池充放电数据集里的电流、端电压和动态应力的时间序列特征重组为三维张量样本集；步骤22)搭建电池荷电状态估计模型的深度学习网络结构，基于参考荷电状态和样本集离线训练电池荷电状态估计模型；步骤3)在线电池荷电状态估计：步骤31)在电池实际充放电过程中在线获取电池电流、端电压和动态应力信号；步骤32)根据训练完成的电池荷电状态估计模型，进行动力电池的荷电状态在线估计。2.根据权利要求1所述的一种基于动态应力与深度学习的软包锂离子电池荷电状态估计方法，其特征在于，所述步骤1)包括以下步骤：步骤11)采用约束夹具和应变传感器搭建软包电池应力测量实验装置；步骤12)根据电池推荐的环境温度和充放电电流设计电池充放电实验，按设定的工况进行测试，在测试过程中记录电池电流、端电压和动态应力，并计算电池参考荷电状态，构建电池充放电数据集。3.根据权利要求2所述的一种基于动态应力与深度学习的软包锂离子电池荷电状态估计方法，其特征在于，所述步骤11)中，实验室环境下通过约束夹具和应力传感器进行平面应力测量，车载应用中将应力传感器布置在两个软包电池之间测量平面应力。4.根据权利要求2所述的一种基于动态应力与深度学习的软包锂离子电池荷电状态估计方法，其特征在于，所述步骤12)中，测试过程中记录的动态应力S
d
是与电池运行状态相关的应力，为总应力S
t
减去初始静态应力S
s
后的值：S
d
＝S
t
‑
S
s
其中，所述总应力是在充电/放电期间由压力传感器直接在电池表面上测量的瞬时应力，静态应力是在充分的休息时间使电池达到平衡状态后获得的应力；电池参考荷电状态根据定义计算：其中，SOC
k
和I
k
分别是k时刻的电池荷电状态和电流，Δt是采样时间，C
m
是电池容量。5.根据权利要求2所述的一种基于动态应力与深度学习的软包锂离子电池荷电状态估计方法，其特征在于，所述步骤12)中，设定的工况包括：长期充放电工况、短期充放电工况、脉冲充放电工况和动态行驶工况。6.根据权利要求1所述的一种基于动态应力与深度学习的软包锂...
【专利技术属性】
技术研发人员：魏学哲，陶思怡，戴海峰，姜波，
申请(专利权)人：同济大学，
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。