一种基于卷积与双向长短时记忆的神经网络模型锂离子电池状态预测方法技术

本发明专利技术属于基于计算模型的计算机系统领域，公开了一种基于卷积与双向长短时记忆的神经网络模型锂离子电池状态预测方法，包括以下步骤：S1：数据获取及数据预处理，S2：采用滑动窗口技术对多个温度和不同驱动循环下的电池放电数据进行构建，S3：搭建卷积与双向长短时记忆网络的神经网络模型即CNN‑BiLSTM模型，S4：模型迁移，S5：根据得到的目标领域CNN‑BiLSTM‑TL网络模型。本发明专利技术能够准确估计SOC和SOE，可以优化电池的充放电控制策略，提高电池的使用寿命和效率，同时是保障电池系统的高效稳定运行的关键。

【技术实现步骤摘要】

本专利技术属于锂离子电池状态预测领域，具体涉及一种基于卷积与双向长短时记忆的神经网络模型锂离子电池状态预测方法。

技术介绍

1、锂离子电池具有循环寿命长、良好的充放电性能、携带方便等优势，被广泛应用于电动车、无人艇、电动船中，同时已成为电动车的主要动力来源。在实际的应用过程中，锂电池作为电动车主要的储能元件和动力源，直接影响着汽车驾驶的性能和安全性。在实际使用过程中，电池存在过充、过放等不安全行为，有导致火灾、爆炸等安全事故频发的风险。而且，充电时间长、续航短、估计精度低等因素也制约了电动汽车技术的发展。此外，由于锂电池系统具有较强的耦合性和非线性，soc（电池的充电状态，表示电池的剩余电量或充入电量与满电量的比值）与soe（电池当前储存的能量与其最大储存能量之间的比值）是bms（电池管理系统）中两个重要的监测参数，是描述电池状态的两个关键参数，它们直接影响着电池的充放电性能和可靠性。提高bms对电池各项状态参数的估计精度，成为了提高新能源汽车安全稳定运行的关键问题。

2、卷积神经网络(convolutional neural network,本文档来自技高网...

【技术保护点】

1.一种基于卷积与双向长短时记忆的神经网络模型锂离子电池状态预测方法，其特征在于：所述锂离子电池状态预测方法包括以下步骤：

2.根据权利要求1所述的一种基于卷积与双向长短时记忆的神经网络模型锂离子电池状态预测方法，其特征在于：所述步骤S1的具体方法为：根据城市道路循环工况，在不同温度下测试的动力电池放电过程中电压以及能量的变化趋势，提取数据集中的放电电流、电池单体温度、电压、SOC参数模型输入参数，电池荷电状态和能量状态预测为目标数据。

3.根据权利要求1所述的一种基于卷积与双向长短时记忆的神经网络模型锂离子电池状态预测方法，其特征在于：所述步骤S2的具体方法为：...

【技术特征摘要】

1.一种基于卷积与双向长短时记忆的神经网络模型锂离子电池状态预测方法，其特征在于：所述锂离子电池状态预测方法包括以下步骤：

2.根据权利要求1所述的一种基于卷积与双向长短时记忆的神经网络模型锂离子电池状态预测方法，其特征在于：所述步骤s1的具体方法为：根据城市道路循环工况，在不同温度下测试的动力电池放电过程中电压以及能量的变化趋势，提取数据集中的放电电流、电池单体温度、电压、soc参数模型输入参数，电池荷电状态和能量状态预测为目标数据。

3.根据权利要求1所述的一种基于卷积与双向长...

【专利技术属性】
技术研发人员：王扬威，傅强，段培永，牟健慧，王波，李俊杰，宁晨光，于程程，郑力，时博，
申请(专利权)人：烟台大学，
类型：发明
国别省市：