一种基于融合制造技术

本发明专利技术提供一种基于融合

【技术实现步骤摘要】
一种基于融合DAE
‑
Bi
‑
LSTM的SOC估计方法


[0001]本专利技术涉及电池管理系统
(BMS)

，具体涉及一种基于融合
DAE
‑
Bi
‑
LSTM
的
SOC
估计方法
。

技术介绍

[0002]SOC(State of Charge)
即电池荷电状态，用于反映电池的剩余容量，其在数值上定义为当前时刻剩余电量和电池充满电时电量的比值
。
在电池管理系统中，
SOC
的准确估计是对电池进行管理的前提，对电池稳定
、
安全运行具有十分重要的意义
。
[0003]SOC
易受温度和负载等外部环境等影响，且
SOC
的估算是非线性的，因此，准确估计
SOC
具备较大难度
。
安时积分法
、
电池模型法和数据驱动法是常用的
SOC
估计方法
。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于融合
DAE
‑
Bi
‑
LSTM
的
SOC
估计方法，其特征在于，包括以下步骤：步骤1，采集锂离子电池的采集数据，根据采集数据获取估算模型所需的训练数据；步骤2，将训练数据进行数据预处理以得到预处理结果数据；步骤3，构建降噪自编码器，输入预处理后的电池数据，降低电池数据中的噪声，并提取其特征信息；步骤4，构建若干
Bi
‑
LSTM
模型，初始化每个模型的权重，输入降噪自编码器提取的特征，利用每个时刻的前向
、
后向隐状态信息，提取时序信息，将特征通过非线性变化后映射为最终输出，得到预测结果；步骤5，构造融合
DAE
‑
Bi
‑
LSTM
模型，利用
Adaboost
算法对若干
Bi
‑
LSTM
模型进行集成，根据每个
Bi
‑
LSTM
模型的误差更新权值分布，利用权值将若干
Bi
‑
LSTM
模型的预测结果进行融合，得到最终估计的
SOC
值
。2.
根据权利要求1所述的一种基于融合
DAE
‑
Bi
‑
LSTM
的
SOC
估计方法，其特征在于，步骤1具体为对锂离子电池在不同温度下进行通放电实验，对不同时刻锂离子电池的放电电流
、
放电电压
、
电池表面温度进行采集得到采集数据，将采集数据根据安时积分法计算得到电池的放电容量和真实
SOC
值，将电池的放电容量和真实
SOC
值根据时间整理得到训练数据
。3.
根据权利要求1所述的一种基于融合
DAE
‑
Bi
‑
LSTM
的
SOC
估计方法，其特征在于，步骤2具体为对训练数据中存在的数据缺失值和异常值采用最小二乘法进行拟合后进行插值填补，然后进行
Min
‑
Max
归一化，具体为式中，
x
为待归一化的数据，
x
new
为归一化后的数据，
x
min
为数据的最小值，
x
max
为数据的最大值
。4.
根据权利要求1所述的一种基于融合
DAE
‑
Bi
‑
LSTM
的
SOC
估计方法，其特征在于，步骤3中的所述降噪自编码器包括输入层
、
处理层
、
隐藏层和重构层，通过对输入数据进行降噪处理，按照一定概率对输入数据的维度节点清零，调整模型参数以最小化损失函数得到最优模型，损失函数具体为：式中，
x
为输入的原始样本数据，为降噪自编码器生成的重构样本数据，
A
为训练数据集，为单个样本的重构误差，用输入层和重构层间的均方误差表示，具体为：
5.
根据权利要求1所述的一种基于融合
DAE
‑
Bi
‑
LSTM
的
SOC
估计方法，其特征在于，步骤4具体为：构建若干
Bi
‑
LSTM
模型，每个
Bi
‑
LSTM
模型作为弱学习器结构设置相同，均包括两个传播方向相反的
LSTM
，每个
LSTM
均包括输入门
、
遗忘门和输出门，其中，遗忘门用于对过去的信息进行筛选，输入门用于对当前时刻信息进行筛选，输出门用于对当前时刻记忆单元的信息进行筛选，计算过程表示为：
f
t
＝
σ
(W
xf
x
t
+W
hf
h
t
‑1+b
f
)i
t
＝
σ
(W
xi
x
t
+W
hi
h
t
‑1+b
i
)
o
t
＝
σ
(W
xo
x
t
+W
ho

【专利技术属性】
技术研发人员：徐鹏生，李蕊，迟永泽，
申请(专利权)人：林源电力南京有限公司，
类型：发明
国别省市：