【技术实现步骤摘要】
基于深度神经网络的锂离子电池表面温度估计方法及系统
[0001]本专利技术涉及电动汽车的锂离子电池状态监测
，具体涉及一种基于深度神经网络的锂离子电池表面温度估计方法及系统
。
技术介绍
[0002]自
21
世纪以来，电动汽车的快速发展使其逐渐成为人们日常生活中最常见的交通工具之一
。
然而，随之而来的是一系列前所未有的挑战
。
一方面，大量燃油消耗引起了能源危机的忧虑
。
另一方面，汽车尾气的排放不仅引发了温室效应，还给环境带来了严重的污染，对人类的健康和社会生活构成了严重的威胁
。
因此，电动汽车由于其无污染和零排放等众多优点，得到了越来越多国家政府和企业的重视，逐步在全球范围内得到广泛的推广
。
从各国战略目标来看，电动汽车的发展被广泛认为是保障能源安全和实现低碳经济转型的重要手段之一
。19
世纪诞生的第一辆电动汽车由于电池容量小
、
体积大等问题，未能促进电动汽车的发展与普
【技术保护点】
【技术特征摘要】
1.
一种基于深度神经网络的锂离子电池表面温度估计方法，其特征在于，包括以下步骤：步骤
S1
：获取固定环境温度的多种驾驶循环方式下电池的电荷状态作为训练数据集；获取固定环境温度的多种标准驾驶循环方式下电池的电荷状态作为验证数据集；获取变化环境温度的混合驾驶循环方式下电池的电荷状态作为测试数据集；步骤
S2
：将所述训练数据集输入到前馈神经网络模型，得到初级前馈神经网络模型；步骤
S3
：将所述训练数据集输入到与优化后的前馈神经网络模型中进行训练，输出权值；所述优化后的前馈神经网络模型是基于初级前馈神经网络模型加入了指定滤波频率的滤波器构成；步骤
S4
：将权值加载至优化后的前馈神经网络模型中，对目标电池的表面进行温度估计
。2.
如权利要求1所述的基于深度神经网络的锂离子电池表面温度估计方法，其特征在于：所述指定滤波频率的获得方法为：获取滤波器的滤波电压
V
f
和滤波电流
I
f
，使得输入为
{V
f1
,I
f1
,SOC,T
a
}
，其中
SOC
为电荷状态，
T
a
为环境温度；在
0.01mHz
～
100mHz
的滤波频率范围内，将
{V
f1
,I
f1
,SOC,T
a
}
输入到与滤波器结合的前馈神经神经网络模型进行训练，使得误差最小，得到所述指定滤波频率
。3.
如权利要求1所述的基于深度神经网络的锂离子电池表面温度估计方法，其特征在于：所述多种标准驾驶循环方式包括：城市测功机驾驶时间表
、
统一的测功机驾驶计划
、
高速公路燃油经济性测试和补充联邦测试程序
。4.
如权利要求1所述的基于深度神经网络的锂离子电池表面温度估计方法，其特征在于：所述混合驾驶循环方式是由所述多种标准驾驶循环方式的...
【专利技术属性】
技术研发人员：姚俊峰，王晖南，肖春，张建民，高波，刘佳易，高飞，赵园，
申请(专利权)人：国网山西省电力公司营销服务中心，
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。