CN112269134B - 一种基于深度学习的电池soc和soh联合估计方法 - Google Patents

一种基于深度学习的电池soc和soh联合估计方法 Download PDF

Info

Publication number
CN112269134B
CN112269134B CN202010946770.0A CN202010946770A CN112269134B CN 112269134 B CN112269134 B CN 112269134B CN 202010946770 A CN202010946770 A CN 202010946770A CN 112269134 B CN112269134 B CN 112269134B
Authority
CN
China
Prior art keywords
network
data
battery
soh
brnn
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010946770.0A
Other languages
English (en)
Other versions
CN112269134A (zh
Inventor
何志伟
钱智凯
高明煜
董哲康
林辉品
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010946770.0A priority Critical patent/CN112269134B/zh
Publication of CN112269134A publication Critical patent/CN112269134A/zh
Application granted granted Critical
Publication of CN112269134B publication Critical patent/CN112269134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于深度学习的电池SOC和SOH联合估计方法。具体步骤包括电池数据的采集、对数据的预处理、搭建SE‑CNN神经网络和BRNN神经网络、构建并训练估算模型，最后利用训练过的SE‑CNN网络估算电池的SOH值、利用BRNN网络估算电池的SOC值。本发明利用深度学习的参量自学习能力，减少了在估算电池的剩余容量与最大可用容量之比与电池容量和内阻的变化关系过程中的计算量，并考虑SOH和SOC之间的关联，进行联合估计，增强预测模型的稳定性，提高计算的准确性，弥补了现有技术中各种估算方法测量时间长、测量条件要求高、计算量过高以及估算精度低的不足，为各类电池管理***提供一种快速、准确的SOH和SOC估算方法。

Description

一种基于深度学习的电池SOC和SOH联合估计方法
技术领域
本发明属于动力电池管理技术领域，尤其是涉及一种基于深度学习的电池SOC和SOH联合估计方法。
背景技术
SOC的定义是电池的剩余容量与最大可用容量之比，反映的是电池的剩余电量；SOH通常定义为锂离子电池容量和内阻的变化关系，反映锂离子电池的老化情况。对SOC和SOH准确估计是电池管理***的核心功能之一，对保障电池安全使用，延长电池循环寿命具有重要意义。
电池的SOC与很多因素有关，例如温度、极化效应、电池寿命等，而且具有很强的非线性，对于电池SOC的估计，国内外普遍采用的方法有放电试验法、安时法、开路电压法、内阻法、卡尔曼滤波法、线性模型法和神经网络法，但是这些方法都存在不同程度上的缺陷。
1)放电试验法要求电池处于恒流放电状态，而且需要花费大量测量时间；
2)安时法易受到电流测量精度的影响，在高温或电流波动剧烈情况下精度很差；
3)开路电压法进行电池SOC估计时，电池必须静置较长时间以达到稳定状态，而且只适用于电池电流非剧烈变化状态下的SOC估计，不能满足在线检测的要求；
4)内阻法需要精确测量电池的内阻，一般电池内阻在毫欧级，对测量仪器的要求非常高，难以在实际中加以应用；
5)卡尔曼滤波法是目前采用较多的一种估算方法，它对电池模型依赖性较强，要获得准确的SOC，需要建立较为准确的电池模型，而电池模型的准确程度和复杂度是成正比的；
6)线性模型大致分为等效电路模型和简化电化学模型。等效电路模型多采用较简单的Thevein模型，而如果采用更为复杂的电路模型，模型参数的辨识和状态方程的建立都将是很大的挑战。由于模型的简化，并不能充分反映电池的内部规律，会造成较大的估计误差。
所以现有技术对锂离子电池SOC和SOH的估算，尚未出现全面有效的解决方案，需要在提高准确度和降低计算量这两方面进行优化。
发明内容
针对现有技术的不足，本发明提出一种基于深度学习的电池SOC和SOH联合估计方法，利用深度学习的参量自学习能力，减少估算过程中的计算量，并考虑SOH和SOC之间的关联，进行联合估计，增强预测模型的稳定性，提高计算的准确性，为各类电池管理***提供一种快速、准确的SOH和SOC估算方法。
一种基于深度学习的电池SOC和SOH联合估计方法，该方法具体包括以下步骤：
步骤一、电池数据采集。
1.1、对锂离子电池进行充放电实验，获取锂离子电池SOC和SOH联合估算模型所需的训练数据，包括锂离子电池的电压、电流、温度以及基于电流积分的电量。
1.2、利用对抗网络生成数据样本以扩充样本数据集。对抗网络由生成网络G和判别网络D两部分组成。生成数据样本的方法包括以下步骤：
1.2.1、向生成网络G输入随机噪声z，生成网络G输出结果数据G(z)。
1.2.2、向判别网络D输入生成网络G的结果数据G(z)，判别网络D通过对抗网络的目标函数loss，对比输入数据G(z)与真实的电池数据x，得到结果数据G(z)的准确率，目标函数loss的表达式为：
Figure BDA0002675553260000021
其中，
Figure BDA0002675553260000022
和
Figure BDA0002675553260000023
为期望值，最大化
Figure BDA0002675553260000024
表示D(x)趋近于1；最小化
Figure BDA0002675553260000025
表示D(G(z))趋近于0。D(x)表示判别网络D计算得到的真实数据与生成网络G结果数据G(z)的误差，D(G(z))表示判别网络D判断的结果数据G(z)真实的概率。
1.2.3、当目标函数loss达到最优解时，将生成网络G输出的数据G(z)当作真实的电池数据与实际测得的真实电池数据x组成增强数据集，用于后续进行电池SOC和SOH的联合估计。
步骤二、数据预处理。
通过梯度增强回归树算法对步骤一中得到的增强数据集进行预处理，从而获得相对平滑的数据，处理过程包括以下步骤：
2.1、计算残差的负梯度：
Figure BDA0002675553260000026
其中，xi表示输入向量，yi表示目标向量，F(xi)表示x映射至y的模型函数，设模型函数的初始值F0(x)＝c，c为常数；L(yi,F(xi))表示损失函数，m表示迭代次数。
2.2、使用训练集
Figure BDA0002675553260000027
训练第m个回归树Tm。
2.3、计算回归树Tm的权重因子：
Figure BDA0002675553260000031
2.4、重复步骤2.1至步骤2.3M次。
2.5、更新梯度增强回归树模型：
F(xi)＝F0(x)+υγmTm(xi) (4)
其中υ为设置的收缩系数，用于限制每棵树对算法精度的提升效果，从而获得更好的模型表现并且可以防止过拟合。
步骤三、搭建SE-CNN神经网络。
3.1、构建CNN神经网络。
3.1.1、构建一个包括一个输入层、四个卷积层、四个池化层、一个Flatten层、一个全连接层以及一个输出层的CNN神经网络。
3.1.2、引入Inception结构，Inception结构包括4个基本结构，即1*1卷积、3*3卷积、5*5卷积和3*3最大池化。在3*3卷积与5*5卷积结构前都增加1个1*1卷积、在3*3最大池化之后加入1个1*1卷积来减少参数量，避免因参数量过大导致模型的计算量过大而引起的效率过低问题。将增加了卷积后的4个基本结构的运算结果进行通道上组合。
3.1.3、将平均绝对误差作为目标函数，并采用RAdam自适应优化器最小化目标函数，进行CNN神经网络的迭代次数设置。
3.2、构建SE模块，SE模块包括以下操作：
3.2.1、进行压缩操作，顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，这个实数表征在特征通道上响应的全局分布。
3.2.2、进行激励操作，通过参数w来为每个特征通道生成权重，其中参数w被学习用来显式地建模特征通道间的相关性。
3.2.3、进行重标定操作，将激励操作输出的权重作为经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定。
3.3、将构建的SE模块嵌入到CNN神经网络中，得到SE-CNN神经网络。
步骤四、搭建BRNN网络。
3.1、将两个RNN网络上下叠加，得到BRNN网络，BRNN网络包括一个输入层、一个向前隐含层、一个向后隐含层和一个输出层。对于每个时刻t，输入BRNN网络的信号将被同时输入到两个方向相反的RNN网络，而BRNN网络的输出信号由这两个RNN网络共同决定。
3.2、分别对BRNN网络的输入层、向前隐含层、向后隐含层和输出层的六个权值进行设置，所述的六个权值分别为：输入层到向前隐含层、向后隐含层的(w1,w3)，隐含层到隐含层的(w2,w5)，向前隐含层、向后隐含层到输出层的(w4,w6)。
3.3、将平均绝对误差作为目标函数，采用RAdam自适应优化器最小化目标函数，然后对BRNN网络的步长和迭代次数进行设置。
步骤五、构建并训练估算模型。
5.1、将步骤三中构建的SE-CNN网络用于锂离子电池SOH的估算，设置目标函数与优化算法进行训练，学习网络参数。
5.2、将步骤四中构建的BRNN网络用于锂离子电池SOC的估算，设置目标函数与优化算法进行训练，学习网络参数。
步骤六、对锂离子电池SOC和SOH进行联合估算。
6.1、将锂离子电池恒流-恒压满充过程中所获取的电压、电流和温度的全过程量和基于电流积分的电量
Figure BDA0002675553260000041
输入步骤5.1中训练后的SE-CNN网络，输出得到当前状态下的锂离子电池SOH值。
6.2、将6.1中输出得到的t时刻锂离子电池SOH估算值以及t时刻至t0时刻一段时间内的电压、电流、温度测量量和基于电流积分的电量
Figure BDA0002675553260000042
输入步骤5.2中训练后的BRNN网络，输出得到t时刻锂离子电池SOC估算值。
本发明具有以下有益效果：
1、深度学习属于端到端的学习，将数据输入后就可以得到结果，方便快捷，提高计算速度。
2、深度学习可以通过优化损失函数去学习规则，无需用户手动设计。
3、挖掘数据潜在特征，改良软件算法，有效提高SOC的估计精度。
附图说明
图1为本发明方法中SE-CNN网络的结构图；
图2为本发明方法中BRNN网络的结构图；
图3为锂离子电池SOC和SOH联合估算模型结构图；
具体实施方式
以下结合附图对本发明作进一步的解释说明；
步骤一、电池数据采集；
1.1、对锂离子电池进行充放电实验，获取锂离子电池SOC和SOH联合估算模型所需的训练数据，包括锂离子电池的电压、电流、温度以及基于电流积分的电量；
1.2、利用对抗网络生成数据样本以扩充样本数据集；对抗网络由生成网络G和判别网络D两部分组成；生成数据样本的方法包括以下步骤：
1.2.1、向生成网络G输入随机噪声z，生成网络G输出结果数据G(z)；
1.2.2、向判别网络D输入生成网络G的结果数据G(z)，判别网络D通过对抗网络的目标函数loss，对比输入数据G(z)与真实的电池数据x，得到结果数据G(z)的准确率，目标函数loss的表达式为：
Figure BDA0002675553260000051
其中，
Figure BDA0002675553260000052
和
Figure BDA0002675553260000053
为期望值，最大化
Figure BDA0002675553260000054
表示D(x)趋近于1；最小化
Figure BDA0002675553260000055
表示D(G(z))趋近于0；D(x)表示判别网络D计算得到的真实数据与生成网络G结果数据G(z)的误差，D(G(z))表示判别网络D判断的结果数据G(z)真实的概率；
1.2.3、当目标函数loss达到最优解时，将生成网络G输出的数据G(z)当作真实的电池数据与实际测得的真实电池数据x组成增强数据集，用于后续进行电池SOC和SOH的联合估计；
步骤二、数据预处理；
通过梯度增强回归树算法对步骤一中得到的增强数据集进行预处理，从而获得相对平滑的数据，处理过程包括以下步骤：
2.1、计算残差的负梯度：
Figure BDA0002675553260000056
其中，xi表示输入向量，yi表示目标向量，F(xi)表示x映射至y的模型函数，设模型函数的初始值F0(x)＝c，c为常数；L(yi,F(xi))表示损失函数，m表示迭代次数；
2.2、使用训练集
Figure BDA0002675553260000057
训练第m个回归树Tm；
2.3、计算回归树Tm的权重因子：
Figure BDA0002675553260000061
2.4、重复步骤2.1至步骤2.3M次；
2.5、更新梯度增强回归树模型：
F(xi)＝F0(x)+υγmTm(xi) (4)
其中υ为设置的收缩系数，用于限制每棵树对算法精度的提升效果，从而获得更好的模型表现并且可以防止过拟合；
步骤三、搭建SE-CNN神经网络。
3.1、构建CNN神经网络。
3.1.1、构建一个包括一个输入层、四个卷积层、四个池化层、一个Flatten层、一个全连接层以及一个输出层的CNN神经网络。
3.1.2、引入Inception结构，Inception结构包括4个基本结构，即1*1卷积、3*3卷积、5*5卷积和3*3最大池化；在3*3卷积与5*5卷积结构前都增加1个1*1卷积、在3*3最大池化之后加入1个1*1卷积来减少参数量，避免因参数量过大导致模型的计算量过大而引起的效率过低问题；将增加了卷积后的4个基本结构的运算结果进行通道上组合；
3.1.3、将平均绝对误差作为目标函数，并采用RAdam自适应优化器最小化目标函数，进行CNN神经网络的迭代次数设置；
3.2、构建SE模块，SE模块包括以下操作：
3.2.1、进行压缩操作，顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，这个实数表征在特征通道上响应的全局分布。
3.2.2、进行激励操作，通过参数w来为每个特征通道生成权重，其中参数w被学习用来显式地建模特征通道间的相关性。
3.2.3、进行重标定操作，将激励操作输出的权重作为经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定。
3.3、将构建的SE模块嵌入到CNN神经网络中，得到SE-CNN神经网络，如图1所示。
步骤四、搭建BRNN网络。
3.1、将两个RNN网络上下叠加，得到BRNN网络，如图2所示，BRNN网络包括一个输入层、一个向前隐含层、一个向后隐含层和一个输出层。对于每个时刻t，输入BRNN网络的信号将被同时输入到两个方向相反的RNN网络，而BRNN网络的输出信号由这两个RNN网络共同决定。
3.2、分别对BRNN网络的输入层、向前隐含层、向后隐含层和输出层的六个权值进行设置，所述的六个权值分别为：输入层到向前隐含层、向后隐含层的(w1,w3)，隐含层到隐含层的(w2,w5)，向前隐含层、向后隐含层到输出层的(w4,w6)。
3.3、将平均绝对误差作为目标函数，采用RAdam自适应优化器最小化目标函数，然后对BRNN网络的步长和迭代次数进行设置。
步骤五、构建并训练估算模型。
5.1、将步骤三中构建的SE-CNN网络用于锂离子电池SOH的估算，设置目标函数与优化算法进行训练，学习网络参数。
5.2、将步骤四中构建的BRNN网络用于锂离子电池SOC的估算，设置目标函数与优化算法进行训练，学习网络参数。
步骤六、如图3所示，对锂离子电池SOC和SOH进行联合估算。
6.1、将锂离子电池恒流-恒压满充过程中所获取的电压、电流和温度的全过程量和基于电流积分的电量
Figure BDA0002675553260000071
输入步骤5.1中训练后的SE-CNN网络，输出得到当前状态下的锂离子电池SOH值。
6.2、将6.1中输出得到的t时刻锂离子电池SOH估算值以及t时刻至t0时刻一段时间内的电压、电流、温度测量量和基于电流积分的电量
Figure BDA0002675553260000072
输入步骤5.2中训练后的BRNN网络，输出得到t时刻锂离子电池SOC估算值，与现有技术相比，本实施例得到的锂离子电池的SOC估计精度提高了5％。

Claims (1)

1.一种基于深度学习的电池SOC和SOH联合估计方法，其特征在于：该方法具体包括以下步骤：
步骤一、电池数据采集；
1.1、对锂离子电池进行充放电实验，获取锂离子电池SOC和SOH联合估算模型所需的训练数据，包括锂离子电池的电压、电流、温度以及基于电流积分的电量；
1.2、利用对抗网络生成数据样本以扩充样本数据集；对抗网络由生成网络G和判别网络D两部分组成；生成数据样本的方法包括以下步骤：
1.2.1、向生成网络G输入随机噪声z，生成网络G输出结果数据G(z)；
1.2.2、向判别网络D输入生成网络G的结果数据G(z)，判别网络D通过对抗网络的目标函数loss，对比输入数据G(z)与真实的电池数据x，得到结果数据G(z)的准确率，目标函数loss的表达式为：
Figure FDA0003899273480000011
其中，
Figure FDA0003899273480000012
和
Figure FDA0003899273480000013
为期望值，最大化
Figure FDA0003899273480000014
表示D(x)趋近于1；最小化
Figure FDA0003899273480000015
表示D(G(z))趋近于0；D(x)表示判别网络D计算得到的真实数据与生成网络G结果数据G(z)的误差，D(G(z))表示判别网络D判断的结果数据G(z)真实的概率；
1.2.3、当目标函数loss达到最优解时，将生成网络G输出的数据G(z)当作真实的电池数据与实际测得的真实电池数据x组成增强数据集；
步骤二、数据预处理；
通过梯度增强回归树算法对步骤一中得到的增强数据集进行预处理，处理过程包括以下步骤：
2.1、计算残差的负梯度：
Figure FDA0003899273480000016
其中，xi表示输入向量，yi表示目标向量，F(xi)表示x映射至y的模型函数，设模型函数的初始值F0(x)＝c，c为常数；L(yi,F(xi))表示损失函数，m表示迭代次数；
2.2、使用训练集
Figure FDA0003899273480000017
训练第m个回归树Tm；
2.3、计算回归树Tm的权重因子：
Figure FDA0003899273480000021
2.4、重复步骤2.1至步骤2.3M次；
2.5、更新梯度增强回归树模型：
F(xi)＝F0(x)+υγmTm(xi) (4)
其中υ为设置的收缩系数；
步骤三、搭建SE-CNN神经网络；
3.1、构建CNN神经网络；
3.1.1、构建一个包括一个输入层、四个卷积层、四个池化层、一个Flatten层、一个全连接层以及一个输出层的CNN神经网络；
3.1.2、引入Inception结构，Inception结构包括4个基本结构，即1*1卷积、3*3卷积、5*5卷积和3*3最大池化；在3*3卷积与5*5卷积结构前都增加1个1*1卷积、在3*3最大池化之后加入1个1*1卷积来减少参数量；将增加了卷积后的4个基本结构的运算结果进行通道上组合；
3.1.3、将平均绝对误差作为目标函数，并采用RAdam自适应优化器最小化目标函数，进行CNN神经网络的迭代次数设置；
3.2、构建SE模块，SE模块包括以下操作：
3.2.1、进行压缩操作，顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，这个实数表征在特征通道上响应的全局分布；
3.2.2、进行激励操作，通过参数w来为每个特征通道生成权重，其中参数w被学习用来显式地建模特征通道间的相关性；
3.2.3、进行重标定操作，将激励操作输出的权重作为经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定；
3.3、将构建的SE模块嵌入到CNN神经网络中，得到SE-CNN神经网络；
步骤四、搭建BRNN网络；
4.1、将两个RNN网络上下叠加，得到BRNN网络，BRNN网络包括一个输入层、一个向前隐含层、一个向后隐含层和一个输出层；对于每个时刻t，输入BRNN网络的信号将被同时输入到两个方向相反的RNN网络，而BRNN网络的输出信号由这两个RNN网络共同决定；
4.2、分别对BRNN网络的输入层、向前隐含层、向后隐含层和输出层的六个权值进行设置，所述的六个权值分别为：输入层到向前隐含层、向后隐含层的w1、w3，隐含层到隐含层的w2、w5，向前隐含层、向后隐含层到输出层的w4、w6；
4.3、将平均绝对误差作为目标函数，采用RAdam自适应优化器最小化目标函数，然后对BRNN网络的步长和迭代次数进行设置；
步骤五、构建并训练估算模型；
5.1、将步骤三中构建的SE-CNN网络用于锂离子电池SOH的估算，设置目标函数与优化算法进行训练，学习网络参数；
5.2、将步骤四中构建的BRNN网络用于锂离子电池SOC的估算，设置目标函数与优化算法进行训练，学习网络参数；
步骤六、对锂离子电池SOC和SOH进行联合估算；
6.1、将锂离子电池恒流-恒压满充过程中所获取的电压、电流和温度的全过程量和基于电流积分的电量
Figure FDA0003899273480000031
输入步骤5.1中训练后的SE-CNN网络，输出得到当前状态下的锂离子电池SOH值；
6.2、将6.1中输出得到的t时刻锂离子电池SOH估算值以及t时刻至t0时刻一段时间内的电压、电流、温度测量量和基于电流积分的电量
Figure FDA0003899273480000032
SOHt输入步骤5.2中训练后的BRNN网络，输出得到t时刻锂离子电池SOC估算值。
CN202010946770.0A 2020-09-10 2020-09-10 一种基于深度学习的电池soc和soh联合估计方法 Active CN112269134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010946770.0A CN112269134B (zh) 2020-09-10 2020-09-10 一种基于深度学习的电池soc和soh联合估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010946770.0A CN112269134B (zh) 2020-09-10 2020-09-10 一种基于深度学习的电池soc和soh联合估计方法

Publications (2)

Publication Number Publication Date
CN112269134A CN112269134A (zh) 2021-01-26
CN112269134B true CN112269134B (zh) 2022-12-02

Family

ID=74349483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010946770.0A Active CN112269134B (zh) 2020-09-10 2020-09-10 一种基于深度学习的电池soc和soh联合估计方法

Country Status (1)

Country Link
CN (1) CN112269134B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113093014B (zh) * 2021-03-31 2022-05-27 山东建筑大学 一种基于阻抗参数的soh与soc的在线协同估计方法及***
CN113391225B (zh) * 2021-05-19 2022-06-03 北京航空航天大学 一种考虑容量退化的锂电池荷电状态估计方法
CN113740739B (zh) * 2021-07-22 2023-05-02 西安交通大学 一种车载起动型免维护铅酸蓄电池剩余寿命预测方法
CN113884905B (zh) * 2021-11-02 2022-06-14 山东大学 基于深度学习的动力电池荷电状态估计方法及***
CN114236410B (zh) * 2021-11-24 2022-06-24 广东工业大学 基于新型生成式对抗神经网络的锂电池soh估计方法
CN114114052A (zh) * 2021-11-25 2022-03-01 福州大学 基于冲击响应特性的电池soh和soc快速估计方法
CN114662653B (zh) * 2022-02-24 2024-06-04 苏州恒美电子科技股份有限公司 一种基于生成式对抗网络的Double-LSTM电池容量估算方法
CN117148161A (zh) * 2023-08-29 2023-12-01 深圳市今朝时代股份有限公司 一种基于云端神经网络的电池soc估算方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353313A (zh) * 2015-09-28 2016-02-24 欣旺达电子股份有限公司 电池荷电状态的估算方法和装置
CN106918789A (zh) * 2017-05-10 2017-07-04 成都理工大学 一种soc‑soh联合在线实时估计和在线修正方法
CN107037374A (zh) * 2017-05-04 2017-08-11 广东电网有限责任公司电力科学研究院 一种锂离子电池的soc和soh联合估计方法
JP2017223537A (ja) * 2016-06-15 2017-12-21 本田技研工業株式会社 電池状態推定装置および電池状態推定方法
CN108520986A (zh) * 2018-05-10 2018-09-11 杭州电子科技大学 一种基于生成对抗网络的动力电池配组方法
CN109802430A (zh) * 2018-12-29 2019-05-24 上海电力学院 一种基于LSTM-Attention网络的风电电网控制方法
CN110554324A (zh) * 2019-08-26 2019-12-10 华中科技大学 一种soc和soh联合估计方法
CN110658459A (zh) * 2019-09-12 2020-01-07 北京航空航天大学 基于双向循环神经网络的锂离子电池荷电状态估计方法
CN110888058A (zh) * 2019-12-02 2020-03-17 西安科技大学 一种基于动力电池soc和soh联合估计的算法
CN111007399A (zh) * 2019-11-15 2020-04-14 浙江大学 基于改进生成对抗网络的锂电池荷电状态预测方法
CN111044928A (zh) * 2019-12-31 2020-04-21 福州大学 一种锂电池健康状态估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10324135B2 (en) * 2016-06-06 2019-06-18 Mitsubishi Electric Research Laboratories, Inc. Methods and systems for data-driven battery state of charge (SoC) estimation

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353313A (zh) * 2015-09-28 2016-02-24 欣旺达电子股份有限公司 电池荷电状态的估算方法和装置
JP2017223537A (ja) * 2016-06-15 2017-12-21 本田技研工業株式会社 電池状態推定装置および電池状態推定方法
CN107037374A (zh) * 2017-05-04 2017-08-11 广东电网有限责任公司电力科学研究院 一种锂离子电池的soc和soh联合估计方法
CN106918789A (zh) * 2017-05-10 2017-07-04 成都理工大学 一种soc‑soh联合在线实时估计和在线修正方法
CN108520986A (zh) * 2018-05-10 2018-09-11 杭州电子科技大学 一种基于生成对抗网络的动力电池配组方法
CN109802430A (zh) * 2018-12-29 2019-05-24 上海电力学院 一种基于LSTM-Attention网络的风电电网控制方法
CN110554324A (zh) * 2019-08-26 2019-12-10 华中科技大学 一种soc和soh联合估计方法
CN110658459A (zh) * 2019-09-12 2020-01-07 北京航空航天大学 基于双向循环神经网络的锂离子电池荷电状态估计方法
CN111007399A (zh) * 2019-11-15 2020-04-14 浙江大学 基于改进生成对抗网络的锂电池荷电状态预测方法
CN110888058A (zh) * 2019-12-02 2020-03-17 西安科技大学 一种基于动力电池soc和soh联合估计的算法
CN111044928A (zh) * 2019-12-31 2020-04-21 福州大学 一种锂电池健康状态估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的锂离子电池SOC和SOH联合估算;李超然 等;《中国电机工程学报》;20200410;正文第1-12页 *

Also Published As

Publication number Publication date
CN112269134A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN112269134B (zh) 一种基于深度学习的电池soc和soh联合估计方法
CN113009349B (zh) 一种基于深度学习模型的锂离子电池健康状态诊断方法
CN110286332B (zh) 一种基于多新息理论的电动汽车动力电池soc估计方法
CN111832220A (zh) 一种基于编解码器模型的锂离子电池健康状态估算方法
CN110596593A (zh) 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法
CN110554324B (zh) 一种soc和soh联合估计方法
CN110824363B (zh) 一种基于改进ckf的锂电池soc和soe联合估算方法
CN112630659A (zh) 一种基于改进bp-ekf算法的锂电池soc估算方法
CN112345939B (zh) 基于连续脉冲响应的锂离子电池模型参数辨识方法
CN113064093A (zh) 储能电池荷电状态与健康状态联合估算方法及***
CN111579993B (zh) 一种基于卷积神经网络的锂电池容量在线估计方法
CN111428433B (zh) 基于混合滤波的锂离子电池状态计算方法
CN114660464A (zh) 一种锂离子电池荷电状态估算方法
CN110082682A (zh) 一种锂电池荷电状态估计方法
CN110443724A (zh) 一种基于深度学习的电力***快速状态估计方法
CN112580284A (zh) 一种混合电容器等效电路模型及在线参数辨识方法
CN114280490B (zh) 一种锂离子电池荷电状态估计方法及***
Yao et al. Novel lithium-ion battery state-of-health estimation method using a genetic programming model
CN109633449A (zh) 基于灰色向量机的矿用锂电池寿命预测方法及管理***
CN114217234B (zh) 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法
Li et al. State of charge estimation of lithium-ion batteries based on PSO-TCN-Attention neural network
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
Xu et al. A hybrid method for lithium-ion batteries state-of-charge estimation based on gated recurrent unit neural network and an adaptive unscented Kalman filter
CN113420444A (zh) 一种基于参数在线辨识的锂离子电池soc估计方法
CN109738808B (zh) 基于模拟退火算法优化后的bp神经网络来估算soc的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant