CN111537888A - 一种数据驱动的梯次电池soc预测方法 - Google Patents

Abstract

本发明公开一种数据驱动的梯次电池SOC预测方法，从单体电池或电池组的一系列数据，得到电池的SOC变化规律，选取LSTM人工神经网络对电池的状态进行预测或估计，电池的历史数据会被采集到数据库中，然后根据一定的参数优化方法，修正LSTM人工神经网络中的参数，使得神经网络逼近的函数关系更加接近于电池真实的SOC损耗规律，从而更精确地估计电池的SOC状态。

Description

一种数据驱动的梯次电池SOC预测方法

技术领域

本发明涉及电池的SOC预测领域，特别是指一种数据驱动的梯次电池SOC 预测方法。

背景技术

目前，关于电池SOC估计的方法各有优缺点，其中Kalman滤波法将电池看成一个开环***，对电池的SOC变化用线性差分方程进行描述。近年来，一些学者也尝试用人工智能的方法(比如神经网络方法)去进行SOC估计,但是(1)Kalman 滤波方法的缺点：Kalman滤波方法虽然考虑了噪声给电池状态估计带来的影响，但是，一方面，电池的噪声序列并不满足白噪声的假设；二方面，为了保证参数辨识时的收敛性，该方法采用线性模型对电池的动态特性进行建模，带来先天的模型误差。如果将模型描述为非线性模型，则很难保证参数辨识的收敛性。

(2)传统神经网络方法的缺点：过去采用反向传播神经网络作电池的SOC 估计，只能建立各种电池参数和环境参数对于电池SOC的静态关系，然而，对于SOC随时间和电池状态等因素不能很好地描述。若简单修改BP神经网络的结构，引入递归的回路，设计递归神经网络去学习时序数据的规律，由于层数浅又存在递归环节，往往需要通过很多次的尝试才能找到比较好的参数。

综上所述，现有的电池SOC状态估计方法，缺点主要有：

(1)模型的结构过于简单，不能很好地逼近实际的动态。无论是Kalman滤波技术，还是传统的BP神经网络技术，其构造的数据驱动模型，本身比较简单(线型***模型或者是简单的三层神经元逼近结构)，这导致了在数据驱动的过程中，由于模型本身的结构性缺陷，即便找到最优的参数逼近实际***，其误差上界也会比较大。

(2)未考虑环境因素和电池内部因素给模型参数辨识带来的偏差；事实上，电池的Kalman滤波辨识方法，和BP神经网络，均要求外部噪声为零均值噪声且对方差要求很小，在噪声幅值大的环境中效果不好。

(3)未考虑电池的SOC变化规律将随着电池使用的时间变长而发生变化。 Kalman滤波方法和BP神经网络方法的参数修正，一般采用批量修正的方法，一旦电池的寿命衰减，SOC的变化规律发生变化，要重新建立数据驱动模型。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种数据驱动的梯次电池SOC预测方法，旨在从单体电池或电池组的一系列数据，得到电池的 SOC变化规律，选取LSTM人工神经网络对电池的状态进行预测或估计，电池的历史数据会被采集到数据库中，然后根据一定的参数优化方法，修正LSTM人工神经网络中的参数，使得神经网络逼近的函数关系更加接近于电池真实的SOC 损耗规律，从而更精确地估计电池的SOC状态。

本发明采用如下技术方案：

一种数据驱动的梯次电池SOC预测方法，具体步骤如下：

步骤S1：离线采集梯次电池的物理参数，形成梯次电池的原始数据集X；

步骤S2：确定LSTM人工神经网络的超参数；

步骤S3：将原始数据集X分成训练子集X₁，验证子集X₂，测试子集X₃，训练子集用于修正LSTM人工神经网络参数，验证子集用于在训练过程中，实时检测损失函数是否单调递减，若损失函数增加，则本次训练停止，进入下一次训练，测试子集X₃用于验证训练好的网络参数是否满足工程精度要求；

步骤S4：根据训练子集X₁、验证子集X₂和带有一阶动量的最速下降法，反复修正LSTM人工神经网络的参数；

步骤S5：运用测试子集X₃，验证LSTM人工神经网络的逼近效果，设定要求的逼近精度ε，当检测指标符合时，进入步骤6；否则，转回步骤2。

步骤S6：将BenchMark参数集合植入电池能量管理***的储存器当中；

步骤S7：获取梯次电池的测试数据，将所述测试数据输入步骤S1中训练好的LSTM人工神经网络中，得到梯次电池SOC的预测。并不断测试在线数据，对网络参数进行实时修正。

所述步骤S1中，梯次电池的物理参数包括梯次电池的电压、电流、温度、功率。

所述步骤S1中，梯次电池的原始数据集X通过电池测试仪采集得到，具体采集步骤为：

步骤S11.在电池测试仪中设定充放电截止SOC；

步骤S12.采集电池的电压、电流、温度、功率和仪器的温度的数据；

步骤S13.电池充放电达到SOC设定值，完成一次数据采集；

步骤S14.重复前面三步，得到多组数据，数据集X＝{X⁽¹⁾,X⁽²⁾,…,X^(M)}，其中 M为数据的总组数，其中第i组数据包含从开始采集时到结束采集时的1Hz采样数据和SOC推算值，记为

其中每一个采样时刻的采样数据由电压、电流、温度、功率，即：

所述步骤S2中，确定LSTM人工神经网络的超参数，具体包括：LSTM模块的个数，非线性层的神经元个数，激励函数的形式。

所述步骤S2中，LSTM人工神经网络的输入层和输出层的映射关系为：

i_kτ＝σ_g(W_ix_kτ+R_ih_(k-1)τ+b_i)

f_kτ＝σ_g(W_fx_kτ+R_fh_(k-1)τ+b_f)

g_kτ＝σ_c(W_gx_kτ+R_gh_(k-1)τ+b_g)

o_kτ＝σ_g(W_ox_kτ+R_oh_(k-1)τ+b_o)

激励函数选为

将

作为网络的输入，

作为LSTM模块的输入，取

作为输出，W_i、W_f、W_g、W_o、R_i、R_f、R_g、R_o、b_i、b_f、b_g、b_o均为模型中的参变量，其中n为输入参量的个数，N为网络中LSTM模块的个数；i_kτf_kτg_kτo_kτ为模型中的运算公式。

所述步骤S4中带有一阶动量的最速下降法为SGDM方法，以W表示LSTM 网络中的参数，将参数修正的法则表示为：

其中J_c为雅可比矩阵，μ为正常数，I为单位矩阵，e为网络输出样本数据之间的误差。

所述步骤S5中的当检测指标符合时，具体为检测指标：

其中，m_i:输入神经网络的测试集序列的长度；m_t:选取用来作为测试集的样本个数；J_t：检测的性能指标，下表t为target的含义；

训练好的LSTM 神经网络，在采用第i个子集的输入样本时，得到的网络输出；

数据集中，第i个子集的输出样本在kτ的值；ε：工程师设定的指标，表征网络输出，和采样数据的接近程度，ε越小，表示对性能要求越高。

所述步骤S7中，还包括：将实时获取的梯次电池的测试数据更新数据集X，并根据更新后的数据集，重新修正LSTM人工神经网络的参数。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

一方面，本发明从描述电池动态的数学模型的结构入手，选取LSTM网络作为建模的工具，去更精确地估计电池的SOC状态。另一方面，本发明在考虑模型复杂性的同时，考虑了电池动态模型参数辨识的可行性和有效性，通过设计LSTM 网络的长度，使得网络参数修正时更多地学习到***的噪声，间接抵消了噪声带来的干扰；同时，本发明的在线参数修正机制，通过保持数据的分布规律，在线参数修正的过程中，最大限度保证了电池模型中参数的有效性。

附图说明

图1为LSTM人工神经网络模型；

图2为LSTM模块的结构图。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

步骤S1：离线收集梯次电池的数据集，通过离线数据训练LSTM人工神经网络参数，离线采集电池的电压、电流、温度、功率随时间变化的数据，形成原始数据集X。

采用离线的方法，预先采集电池的运行轨迹数据，其目的在于，通过离线采集数据，使得数据满足独立、均匀分布的假设，为后续找到神经网络的最优值做准备；

电池的原始数据集可通过电池测试仪采集得到。其采集过程为：

步骤S11.在电池测试仪中设定充放电截止SOC，该容量可以随机选取(但应保证电池不会过充过放)；

步骤S12.开始采样，以1min的采样时间采集电池的电压、电流、温度、功率和仪器的温度的数据；

步骤S13.电池充放电达到SOC设定值，完成一次数据采集；

步骤S14.重复前面三步，得到多组数据。由步骤1中可得到：数据集 X＝{X⁽¹⁾,X⁽²⁾,…,X^(M)},其中M为数据的总组数，其中第i组数据的包含从开始采集时到结束采集时的1Hz采样数据和SOC推算值，记为

其中每一个采样时刻的采样数据由电压、电流、温度、功率，即：

步骤2：确定LSTM人工神经网络模型的超参数。包括LSTM模块的个数，非线性层的神经元个数，及其激励函数的形式等，如图1为LSTM人工神经网络模型；LSTM模块的结构如下图2所示：其中；

c_t-1和h_t-1是源自于上一个LSTM模块的输入，c_t和h_t是源自于当前LSTM模块的输出，也作为下一个神经网络的输入。图中的圆圈，表示一个“门”，所谓的“门”，就是某一种运算，其中运算的公式，就是表示输入层和输出层的映射关系，i_kτf_kτg_kτo_kτ为模型中的运算公式，如f_kτ表示圈圈f的运算公式；

其中输入层和输出层的映射关系为：

i_kτ＝σ_g(W_ix_kτ+R_ih_(k-1)τ+b_i)

f_kτ＝σ_g(W_fx_kτ+R_fh_(k-1)τ+b_f)

g_kτ＝σ_c(W_gx_kτ+R_gh_(k-1)τ+b_g)

o_kτ＝σ_g(W_ox_kτ+R_oh_(k-1)τ+b_o)

当然，每一个运算公式，里面的变量，分两部分，一部分是自变量，一部分是参变量自变量，x_kτ、h_(k-1)τ为自变量，是从输入样本或者上一个LSTM模块的输出传递过来的参变量：W_i、W_f、W_g、W_o、R_i、R_f、R_g、R_o、b_i、b_f、b_g、b_o均为模型中的参变量，是要通过数据，训练得到的；将

作为网络的输入，

作为LSTM模块的输入，取

作为输出，其中n为输入参量的个数，N为网络中LSTM模块的个数；在实施例中，选取n＝30,N＝150；激励函数选为

步骤S3：将原始数据集X分成训练子集X₁，验证子集X₂，测试子集X₃。其中，训练子集用于修正LSTM人工神经网络参数，验证子集用于在训练过程中，实时地检测损失函数是否单调递减，若损失函数增加，则本次训练停止，进入下一次训练。测试子集X₃用于验证训练好的网络参数是否满足工程精度要求。

步骤S4：根据X₁、X₂和带有一阶动量的最速下降法，反复修正LSTM人工神经网络的参数。在本发明中，采用带有一阶动量的最速下降法(SGDM方法)。以W表示LSTM网络中的参数，将参数修正的法则一般性地表示为

其中J_c为雅可比矩阵，μ为正常数，I为单位矩阵，e为网络输出样本数据之间的误差。

步骤S5：运用检测数据集，验证LSTM人工神经网络的逼近效果；设定要求的逼近精度ε，当检测指标

时，进入步骤1.6；否则，转回步骤1.2。

m_i:输入神经网络的测试集序列的长度；m_t:选取用来作为测试集的样本个数；J_t：检测的性能指标，下表t为target的含义；

训练好的LSTM神经网络，在采用第i个子集的输入样本时，得到的网络输出；

数据集中，第i 个子集的输出样本在kτ的值；ε：工程师设定的指标，表征网络输出，和采样数据的接近程度，ε越小，表示对性能要求越高。

步骤S6：将BenchMark参数集合植入电池能量管理***的储存器当中；

Benchmark参数由独立、均匀分布的离线数据得到，作为基准参数；在数据满足独立分布的前提下，得到的LSTM网络参数遍布所有状态下的估计。

步骤S7：获取梯次电池的测试数据，将数据输入步骤S1中训练好的LSTM人工神经网络中，并不断测试在线数据，对网络参数进行实时修正。

运行电池，并实时测量电池的电压、电流、环境温度，并将这些参数输入到LSTM人工神经网络当中，得到电池SOC的新估计与预测。在电池的运行过程中，将实时测量的数据更新到数据缓冲区中。当将数据缓冲区的数据加入数据集，并且丢弃距离当前时刻最远时间的相同数量数据时，数据集的分布仍满足独立、均匀的假设时，更新数据集X，保持数据集X的容量为一常值，并根据更新后的数据集，重新修正LSTM人工神经网络的参数，保证在线修正的参数的有效性与Benchmark参数一致。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (8)

1.一种数据驱动的梯次电池SOC预测方法，其特征在于，具体步骤如下：

步骤S1：离线采集梯次电池的物理参数，形成梯次电池的原始数据集X；

步骤S2：确定LSTM人工神经网络的超参数；

步骤S3：将原始数据集X分成训练子集X₁，验证子集X₂，测试子集X₃，训练子集用于修正LSTM人工神经网络参数，验证子集用于在训练过程中，实时检测损失函数是否单调递减，若损失函数增加，则本次训练停止，进入下一次训练，测试子集X₃用于验证训练好的网络参数是否满足工程精度要求；

步骤S4：根据训练子集X₁、验证子集X₂和带有一阶动量的最速下降法，反复修正LSTM人工神经网络的参数；

步骤S5：运用测试子集X₃，验证LSTM人工神经网络的逼近效果，设定要求的逼近精度ε，当检测指标符合时，进入步骤6；否则，转回步骤2。

步骤S6：将BenchMark参数集合植入电池能量管理***的储存器当中；

步骤S7：获取梯次电池的测试数据，将所述测试数据输入步骤S1中训练好的LSTM人工神经网络中，得到梯次电池SOC的预测。

2.根据权利要求1所述的一种数据驱动的梯次电池SOC预测方法，其特征在于，所述步骤S1中，梯次电池的物理参数包括梯次电池的电压、电流、温度、功率。

3.根据权利要求1所述的一种数据驱动的梯次电池SOC预测方法，其特征在于，所述步骤S1中，梯次电池的原始数据集X通过电池测试仪采集得到，具体采集步骤为：

步骤S11.在电池测试仪中设定充放电截止SOC；

步骤S12.采集电池的电压、电流、温度、功率和仪器的温度的数据；

步骤S13.电池充放电达到SOC设定值，完成一次数据采集；

步骤S14.重复前面三步，得到多组数据，数据集X＝{X⁽¹⁾,X⁽²⁾,…,X^(M)}，其中M为数据的总组数，其中第i组数据包含从开始采集时到结束采集时的1Hz采样数据和SOC推算值，记为

其中每一个采样时刻的采样数据由电压、电流、温度、功率，即：

。

4.根据权利要求1所述的一种数据驱动的梯次电池SOC预测方法，其特征在于，所述步骤S2中，确定LSTM人工神经网络的超参数，具体包括：LSTM模块的个数，非线性层的神经元个数，激励函数的形式。

5.根据权利要求4所述的一种数据驱动的梯次电池SOC预测方法，其特征在于，所述步骤S2中，LSTM人工神经网络的输入层和输出层的映射关系为：

i_kτ＝σ_g(W_ix_kτ+R_ih_(k-1)τ+b_i)

f_kτ＝σ_g(W_fx_kτ+R_fh_(k-1)τ+b_f)

g_kτ＝σ_c(W_gx_kτ+R_gh_(k-1)τ+b_g)

o_kτ＝σ_g(W_ox_kτ+R_oh_(k-1)τ+b_o)

激励函数选为

将

h_(k-1)τ作为自变量，

作为LSTM模块的输入，取

作为输出，W_i、W_f、W_g、W_o、R_i、R_f、R_g、R_o、b_i、b_f、b_g、b_o均为模型中的参变量，其中n为输入参量的个数，N为网络中LSTM模块的个数；i_kτf_kτg_kτo_kτ为模型中的运算公式。

6.根据权利要求1所述的一种数据驱动的梯次电池SOC预测方法，其特征在于，所述步骤S4中带有一阶动量的最速下降法为SGDM方法，以W表示LSTM网络中的参数，将参数修正的法则表示为：

其中J_c为雅可比矩阵，μ为正常数，I为单位矩阵，e为网络输出样本数据之间的误差。

7.根据权利要求1所述的一种数据驱动的梯次电池SOC预测方法，其特征在于，所述步骤S5中的当检测指标符合时，具体为检测指标：

其中，m_i:输入神经网络的测试集序列的长度；m_t:选取用来作为测试集的样本个数；J_t：检测的性能指标，下表t为target的含义；

训练好的LSTM神经网络，在采用第i个子集的输入样本时，得到的网络输出；

数据集中，第i个子集的输出样本在kτ的值；ε：工程师设定的指标，表征网络输出，和采样数据的接近程度，ε越小，表示对性能要求越高。

8.根据权利要求1所述的一种数据驱动的梯次电池SOC预测方法，其特征在于，所述步骤S7中，还包括：将实时获取的梯次电池的测试数据更新数据集X，并根据更新后的数据集，重新修正LSTM人工神经网络的参数。

Images