CN114280490A - 一种锂离子电池荷电状态估计方法及*** - Google Patents
一种锂离子电池荷电状态估计方法及*** Download PDFInfo
- Publication number
- CN114280490A CN114280490A CN202111050937.6A CN202111050937A CN114280490A CN 114280490 A CN114280490 A CN 114280490A CN 202111050937 A CN202111050937 A CN 202111050937A CN 114280490 A CN114280490 A CN 114280490A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- data
- charge
- neural network
- 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.)
- Granted
Links
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 157
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000013528 artificial neural network Methods 0.000 claims abstract description 96
- 230000002068 genetic effect Effects 0.000 claims abstract description 79
- 230000000306 recurrent effect Effects 0.000 claims abstract description 65
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000007599 discharging Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims description 51
- 238000002474 experimental method Methods 0.000 claims description 42
- 238000010606 normalization Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 13
- 125000004122 cyclic group Chemical group 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 15
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000010200 validation analysis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Landscapes
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法及***，实现对复杂运行工况下动力电池荷电状态的精确估计。该方法利用锂离子电池充放电过程中产生的电压、电流实时参数训练得到循环神经网络模型，并基于验证组数据对训练好的锂离子电池荷电状态估计模型进行测试评估。该方法使用了自适应灾变遗传算法对神经网络的初始权值和阈值进行优化，有效提高了神经网络最优权值和阈值的全局搜索能力，最终提升锂离子电池荷电状态估计精度与鲁棒性。本发明提出的锂离子电池荷电状态估计方法作为数据驱动建模方法，无需辨识锂离子电池内部各电化学参数，具有更好的实用性，可应用于复杂工况下动力电池荷电状态的实时估计。
Description
技术领域
本发明涉及动力电池荷电状态估计领域，特别是指一种基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法及***。
背景技术
锂离子电池因其能量密度高、重量轻、使用寿命长，在电动汽车领域的使用相当广泛。然而，锂离子电池的安全性依然是其大规模商业应用过程中面临的主要挑战。锂离子电池的荷电状态(State of Charge，SOC)是电池运行的重要参数，对其进行精准估计对电池的安全稳定运行有着非常重要的作用。
SOC的值不能直接进行测量，只能通过监测电压、电流等运行参数对SOC 的值进行估计。常用来进行SOC估计的方法包括原理法、模型法和数据驱动法。原理法包括安时积分法和开路电压法。安时积分法作为开环方法将导致累积误差的产生，开路电压法则可对安时积分法进行修正，但电池的记忆性特点会增大该方法的误差，故综合来看，原理法的估计精度不高。模型法严重依赖对电池模型和电池参数的准确获取。然而，在不同温度和不同循环寿命下，电池内部的物理属性会发生变化，导致电池模型参数发生变化。因此，需要进行大量的实验来对模型参数值进行标定，导致该类方法整体的复杂性增加。
数据驱动法不需要对电池进行建模，并且具有较高的估计精度，基础方法为误差反向传播(Back Propagation，BP)神经网络。但是利用BP神经网络进行SOC估计的精度不高，主要原因是电池的SOC不仅和当前测量参数有关，还会受到过去测量参数影响，而BP神经网络不具备记忆性，造成SOC估计精度下降。循环神经网络(Recurrent Neural Network，RNN)具备良好的记忆性，可有效提升BP神经网络的估计精度。但是，循环神经网络存在梯度消失和梯度***等梯度问题。
为了解决循环神经网络的梯度问题，通常采用增加门结构的方法和优化神经网络参数以对RNN算法进行修正。长短期记忆和门控循环单元(是门结构的代表)。使用门结构的方法可以在提高SOC估计精度的前提下解决RNN的梯度问题，但是门结构的引入也增加了RNN的复杂性，使其很难运用于在实际应用中。因此，合理地选择RNN的参数是解决RNN梯度问题的有效手段。
另外，循环神经网络的初始参数值严重影响着SOC估计精度，因此，利用算法优化循环神经网络的初始值可以有效提高神经网络的精度。常见用于优化神经网络初始值的算法包括粒子群算法、思维进化算法等。遗传算法可以有效地优化神经网络，提高神经网络的精度，但遗传算法容易出现早熟等问题，严重影响着遗传算法的精度。传统的方法是在交叉变异过程中加入灾变算子，来增加遗传算法的全局搜索能力，但是合适的灾变规模一直是亟待解决的问题。
发明内容
本发明针对现有锂离子电池荷电状态估计方法存在的不足，提出一种基于自适应灾变遗传优化循环神经网络锂锂离子电池荷电状态估计方法。该方法对遗传算法做出自适应改进并再利用自适应灾变遗传算法对循环神经网络进行预训练，融合成为自适应灾变遗传优化循环神经网络，提升锂离子电池荷电状态估计精度并实现良好的算法鲁棒性。
本发明是通过如下技术方案实现的：
一方面，本发明提供一种基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法，包括如下步骤：
S1、采集锂离子电池充放电过程中的运行参数：使锂离子电池进行充放电，采集锂离子电池充放电过程中的电压和电流数据；
S2、对采集的电压和电流数据进行归一化处理；
S3、将处理的数据输入到自适应灾变遗传优化循环神经网络进行训练，获得训练好的锂离子电池荷电状态估计模型；
S4、将验证组数据输入至训练好的锂离子电池荷电状态估计模型中，得到锂离子电池荷电状态估计值。
进一步地，步骤S1中，电压和电流数据收集包括以下步骤：
S11：基于电动汽车的常规运行工况对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；基于电动巴士现场运行工况对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；在不同温度下对锂离子电池进行充放电实验，使用电池实验***以1Hz 的采样频率对数据进行采集；
S12：将采集电压和电流实时数据进行分组，设置训练数据组与验证数据组，并对两组数据进行标签。
进一步地，步骤S2中，电压和电流数据归一化处理包括：
S21：基于Min-Max归一化方法对锂离子电池实验数据进行归一化处理，将锂离子电池充放电实验中数值差别较大的电压和电流数据大小范围映射到0-1 之间，具体归一化计算方法如下：
其中，Si代表采集的锂离子电池充放电电压或电流数据；Smax代表采集数据中电压或电流数据中的最大值；Smin代表采集数据中电压或电流数据中的最小值；
代表归一化的电压或电流数据；
S22：基于归一化的电压、电流数据，构建自适应灾变遗传优化循环神经网络的输入向量Xin＝[V(k)I(k)]，其中V(k)为归一化的锂离子电池输出电压，I(k)为归一化的锂离子电池输出电流。
进一步地，步骤S3中，将处理的数据输入到自适应灾变遗传优化循环神经网络进行训练并获得训练好的锂离子电池荷电状态估计模型的步骤包括：
S31：根据锂离子电池数据确定循环神经网络结构，并由循环神经网络结构编码得到遗传算法初始种群结构，其中，种群长度L为：
L＝L1L2+L2L3+L2L2+L2+L3
其中，L1、L2、L3分别为循环神经网络的输入层、隐含层以及输出层节点数；选择的三层神经网络的输入为电压电流，输出为荷电状态；另外，L1＝2， L2＝8，L3＝1；
S32：初始化自适应灾变遗传算法参数；
S33：将个体解码得到循环神经网络权值和阈值，利用锂离子电池数据得到网络的荷电状态输出，以网络输出与荷电状态的真实值的误差绝对值为适应度函数；
S34：运行自适应灾变遗传算法，找到最优个体并输出，将个体编码解码，得到循环神经网络的最优初始权值和阈值。
进一步地，S34中，自适应灾变遗传算法中自适应灾变规模c的选取规则如下：
式中，cmax和cmin为最大和最小灾变规模，k和K为当前迭代次数和最大迭代次数。
另一方面，本发明提供一种基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计***，包括：
运行参数采集模块，用于采集锂离子电池充放电过程中的运行参数：使锂离子电池进行充放电，采集锂离子电池充放电过程中的电压和电流数据；
归一化处理模块，用于对采集的电压和电流数据进行归一化处理；
估计模型训练模块，用于将处理的数据输入到自适应灾变遗传优化循环神经网络进行训练，获得训练好的锂离子电池荷电状态估计模型；
荷电状态估计模块，用于将验证组数据输入至训练好的锂离子电池荷电状态估计模型中，得到锂离子电池荷电状态估计值。
进一步地，所述运行参数采集模块包括：
数据采集单元，用于基于电动汽车的常规运行工况对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；基于电动巴士现场运行工况对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；在不同温度下对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；
数据分组单元，用于将采集电压和电流实时数据进行分组，设置训练数据组与验证数据组，并对两组数据进行标签。
进一步地，所述归一化处理模块包括：
归一化处理单元，用于基于Min-Max归一化方法对锂离子电池实验数据进行归一化处理，将锂离子电池充放电实验中数值差别较大的电压和电流数据大小范围映射到0-1之间，具体归一化计算方法如下：
其中，Si代表采集的锂离子电池充放电电压或电流数据；Smax代表采集数据中电压或电流数据中的最大值；Smin代表采集数据中电压或电流数据中的最小值；
代表归一化的电压或电流数据；
输入向量构建单元，用于基于归一化的电压和电流数据，构建自适应灾变遗传优化循环神经网络的输入向量Xin＝[V(k)I(k)]，其中V(k)为归一化的锂离子电池输出电压，I(k)为归一化的锂离子电池输出电流。
进一步地，所述估计模型训练模块包括：
种群结构获取单元，用于根据锂离子电池数据确定循环神经网络结构，并由循环神经网络结构编码得到遗传算法初始种群结构，其中，种群长度L为：
L＝L1L2+L2L3+L2L2+L2+L3
其中，L1、L2、L3分别为循环神经网络的输入层、隐含层以及输出层节点数；选择的三层神经网络的输入为电压电流，输出为荷电状态；另外，L1＝2， L2＝8，L3＝1；
参数初始化单元，用于初始化自适应灾变遗传算法参数；
适应度函数获取单元，用于将个体解码得到循环神经网络权值和阈值，利用锂离子电池数据得到网络的荷电状态输出，以网络输出与荷电状态的真实值的误差绝对值为适应度函数；
最优值获取单元，用于运行自适应灾变遗传算法，找到最优个体并输出，将个体编码解码，得到循环神经网络的最优初始权值和阈值。
进一步地，最优值获取单元中，自适应灾变遗传算法中自适应灾变规模c 的选取规则如下：
式中，cmax和cmin为最大和最小灾变规模，k和K为当前迭代次数和最大迭代次数。
与现有技术相比，本发明的有益效果至少包括：
本发明利用锂离子电池充放电过程中产生的电压、电流实时参数训练得到循环神经网络模型，并基于验证组数据对训练好的锂离子电池荷电状态估计模型进行测试评估。本发明使用了自适应灾变遗传算法对神经网络的初始权值和阈值进行优化，有效提高了神经网络最优权值和阈值的全局搜索能力，最终提升锂离子电池荷电状态估计精度与鲁棒性。本发明提出的锂离子电池荷电状态估计方法作为数据驱动建模方法，无需辨识锂离子电池内部各电化学参数，具有更好的实用性，可应用于复杂工况下动力电池荷电状态的实时估计。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法的流程图；
图2为本发明基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法中自适应灾变遗传优化循环神经网络训练流程图；
图3为本发明基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法中自适应灾变遗传算法流程图；
图4(a)为本发明提出的自适应灾变遗传优化循环神经网络应用于锂离子电池动态应力测试(DST)工况下SOC估计效果及其与传统方法的对比图；
图4(b)为本发明提出的自适应灾变遗传优化循环神经网络应用于锂离子电池动态应力测试(DST)工况下SOC估计误差绝对值及其与传统方法的对比图；
图5(a)为本发明提出的自适应灾变遗传优化循环神经网络应用于北京动态应力测试(BJDST)工况下SOC估计效果及其与传统方法的对比图；
图5(b)为本发明提出的自适应灾变遗传优化循环神经网络应用于北京动态应力测试(BJDST)工况下SOC估计误差绝对值及其与传统方法的对比图；
图6(a)为本发明25度条件下训练好的荷电状态估计模型在45度条件下的SOC估计效果图；
图6(b)为本发明25度条件下训练好的荷电状态估计模型在45度条件下的SOC估计误差绝对值图；
图7为本发明基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例公开了一种基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法，本实施方案选用三星INR 18650-20R锂离子电池测试数据集，该数据集包含INR 18650-20R锂离子电池在0℃、25℃、45℃温度条件下的充放电数据，并在各等级温度下分别测试了锂离子电池模拟动态应力测试 (DST)工况、北京动态应力测试(BJDST)工况等多种工况下的充放电数据。
本实施例公开了一种基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法，如图1所示，具体包括以下步骤：
S1、采集锂离子电池充放电过程中的运行参数；
S2、对采集的电压、电流数据进行归一化处理；
S3、将处理的数据输入到自适应灾变遗传优化循环神经网络进行训练，获得训练好的锂离子电池荷电状态估计模型；
S4、将验证组数据输入至训练好的锂离子电池荷电状态估计模型中，得到锂离子电池荷电状态估计值。
在具体实施时，在本发明提供的基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法中，采集锂离子电池充放电过程中的运行参数包括如下步骤：
S11：基于电动汽车的常规运行工况对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；基于某电动巴士现场运行工况对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；在不同温度下对锂离子电池进行充放电实验，使用电池实验***以1Hz 的采样频率对数据进行采集；
S12：将采集电压、电流实时数据进行分组，设置训练数据组与验证数据组，并对两组数据进行标签。
在具体实施时，在本发明提供的基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法中，对采集的电压、电流数据进行归一化处理包括以下步骤：
S21：基于Min-Max归一化方法对锂离子电池实验数据进行归一化处理，将锂离子电池充放电实验中数值差别较大的电压和电流数据大小范围映射到0-1 之间，具体归一化计算方法如下：
其中，Si代表采集的锂离子电池充放电电压或电流数据；Smax代表采集数据中电压或电流数据中的最大值；Smin代表采集数据中电压或电流数据中的最小值；
代表归一化的电压或电流数据。
S22：基于归一化的电压、电流数据，构建自适应灾变遗传优化循环神经网络的输入向量Xin＝[V(k)I(k)]，其中V(k)为归一化的锂离子电池输出电压，I(k)为归一化的锂离子电池输出电流。
在具体实施时，在本发明提供的基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法中，将处理的数据输入到自适应灾变遗传优化循环神经网络进行训练，获得训练好的锂离子电池荷电状态估计模型，如图2所示，具体包括以下步骤：
S31：根据锂离子电池数据确定RNN结构，并由RNN结构编码得到遗传算法初始种群结构，其中，种群长度L为：
L＝L1L2+L2L3+L2L2+L2+L3
其中，L1、L2、L3分别为RNN的输入层、隐含层以及输出层节点数。选择的三层神经网络的输入为电压电流，输出为SOC。另外，L1＝2，L2＝8，L3＝1。
S32：初始化自适应灾变遗传算法(ACGA)参数；
S33：将个体解码得到RNN权值和阈值，利用锂离子电池数据得到网络的 SOC输出，以网络输出与SOC的真实值的误差绝对值为适应度函数；
S34：运行ACGA，如图3所示，找到最优个体并输出，将个体编码解码，得到RNN的最优初始权值和阈值，其中自适应灾变遗传算法中灾变规模c选取为：
实例中，取cmax＝50，cmin＝5，K＝1000。
S4、将验证组数据输入至训练好的荷电状态估计模型中，得到锂离子电池荷电状态估计值。
本发明使用均方根误差和平均绝对误差作为网络的评价指标，其表达式如下：
式中，yk和
分别为实际值和估计值，RMSE为均方根误差，MAE为平均绝对误差。
表1、2分别为本发明提供的自适应灾变遗传优化循环神经网络 (ACGA-RNN)与循环神经网络(RNN)、遗传算法神经网络(GA-RNN)在 25℃温度条件下分别基于测试数据集DST、BJST的估计均方根误差与平均绝对误差对比。可以看出，本发明提供的基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法比传统方法有着最佳的预测精度以及稳定性，其估计均方根误差与平均绝对误差均低于2％。图4与图5分别为测试数据集DST、BJST下锂离子荷电状态估计效果对比。可以看出，相较于RNN与GA-RNN，本发明提供的锂离子电池荷电状态估计方法荷电状态预测值与实际值最接近，放电过程中预测误差绝对值也最小。
表3为基于25℃温度条件下DST测试数据集训练好的锂离子电池荷电状态估计模型应用于45℃温度条件下DST测试数据集时的预测误差结果。从表3 中可以看出，基于25℃温度条件下DST测试数据集训练好的锂离子电池荷电状态估计模型在45℃温度条件的测试工况仍保持了较佳的预测准确度，远低于国家标准中对SOC估计误差5％的要求。图6为本发明提供的锂离子电池荷电状态估计模型在45℃温度条件下预测效果与实际值的对比图。可以看出，本发明提供的锂离子荷电状态估计方法在不同温度条件下依然展现出良好的准确性，说明了本发明提供的方法在实际应用中具有着优秀的适应性以及重要应用价值。
表1 DST工况锂离子电池荷电状态估计结果
| 估计方法 | RMSE(％) | MAE(％) |
| RNN | 4.68 | 3.68 |
| GA-RNN | 3.45 | 2.49 |
| ACGA-RNN | 1.98 | 1.48 |
表2 BJDST工况锂离子电池荷电状态估计结果
| 估计方法 | RMSE(％) | MAE(％) |
| RNN | 4.76. | 4.21 |
| GA-RNN | 3.32 | 2.75 |
| ACGA-RNN | 1.97 | 1.72 |
表3不同温度条件下荷电状态估计结果
| 温度 | RMSE(％) | MAE(％) |
| 25度 | 1.98 | 1.48 |
| 45度 | 2.12 | 1.72 |
本发明公开一种基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法，该方法使用了自适应灾变遗传算法对神经网络的初始权值和阈值进行优化，有效提高了神经网络最优权值和阈值的全局搜索能力，最终提升锂离子电池荷电状态估计精度与鲁棒性。本发明提出的锂离子电池荷电状态估计方法作为数据驱动建模方法，无需辨识锂离子电池内部各电化学参数，具有更好的实用性，可应用于复杂工况下动力电池荷电状态的实时估计。
实施例2
如图7所示，本发明提供一种基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计***，包括运行参数采集模块、归一化处理模块、估计模型训练模块和荷电状态估计模块；
所述运行参数采集模块用于采集锂离子电池充放电过程中的运行参数：使锂离子电池进行充放电，采集锂离子电池充放电过程中的电压和电流数据；
所述归一化处理模块用于对采集的电压和电流数据进行归一化处理；
所述估计模型训练模块用于将处理的数据输入到自适应灾变遗传优化循环神经网络进行训练，获得训练好的锂离子电池荷电状态估计模型；
所述荷电状态估计模块用于将验证组数据输入至训练好的锂离子电池荷电状态估计模型中，得到锂离子电池荷电状态估计值。
具体地，所述运行参数采集模块包括数据采集单元和数据分组单元；
所述数据采集单元用于基于电动汽车的常规运行工况对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；基于电动巴士现场运行工况对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；在不同温度下对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；
所述数据分组单元用于将采集电压和电流实时数据进行分组，设置训练数据组与验证数据组，并对两组数据进行标签。
具体地，所述归一化处理模块包括归一化处理单元和输入向量构建单元；
所述归一化处理单元用于基于Min-Max归一化方法对锂离子电池实验数据进行归一化处理，将锂离子电池充放电实验中数值差别较大的电压和电流数据大小范围映射到0-1之间，具体归一化计算方法如下：
其中，Si代表采集的锂离子电池充放电电压或电流数据；Smax代表采集数据中电压或电流数据中的最大值；Smin代表采集数据中电压或电流数据中的最小值；
代表归一化的电压或电流数据；
所述输入向量构建单元用于基于归一化的电压和电流数据，构建自适应灾变遗传优化循环神经网络的输入向量Xin＝[V(k)I(k)]，其中V(k)为归一化的锂离子电池输出电压，I(k)为归一化的锂离子电池输出电流。
具体地，所述估计模型训练模块包括种群结构获取单元、参数初始化单元、适应度函数获取单元和最优值获取单元；
所述种群结构获取单元用于根据锂离子电池数据确定RNN结构，并由RNN 结构编码得到遗传算法初始种群结构，其中，种群长度L为：
L＝L1L2+L2L3+L2L2+L2+L3
其中，L1、L2、L3分别为RNN的输入层、隐含层以及输出层节点数；选择的三层神经网络的输入为电压电流，输出为SOC；另外，L1＝2，L2＝8，L3＝1；
所述参数初始化单元用于初始化自适应灾变遗传算法(ACGA)参数；
所述适应度函数获取单元用于将个体解码得到RNN权值和阈值，利用锂离子电池数据得到网络的SOC输出，以网络输出与SOC的真实值的误差绝对值为适应度函数；
所述最优值获取单元用于运行ACGA，找到最优个体并输出，将个体编码解码，得到RNN的最优初始权值和阈值。
具体地，最优值获取单元中，自适应灾变遗传算法中自适应灾变规模c的选取规则如下：
式中，cmax和cmin为最大和最小灾变规模，k和K为当前迭代次数和最大迭代次数。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法，其特征在于，包括如下步骤：
S1、采集锂离子电池充放电过程中的运行参数：使锂离子电池进行充放电，采集锂离子电池充放电过程中的电压和电流数据；
S2、对采集的电压和电流数据进行归一化处理；
S3、将处理的数据输入到自适应灾变遗传优化循环神经网络进行训练，获得训练好的锂离子电池荷电状态估计模型；
S4、将验证组数据输入至训练好的锂离子电池荷电状态估计模型中，得到锂离子电池荷电状态估计值。
2.如权利要求1所述的基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法，其特征在于，步骤S1中，电压和电流数据采集包括以下步骤：
S11：基于电动汽车的常规运行工况对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；基于电动巴士现场运行工况对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；在不同温度下对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；
S12：将采集电压和电流实时数据进行分组，设置训练数据组与验证数据组，并对两组数据进行标签。
3.如权利要求1所述的基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法，其特征在于，步骤S2中，电压和电流数据归一化处理包括：
S21：基于Min-Max归一化方法对锂离子电池实验数据进行归一化处理，将锂离子电池充放电实验中数值差别较大的电压和电流数据大小范围映射到0-1之间，具体归一化计算方法如下：
其中，Si代表采集的锂离子电池充放电电压或电流数据；Smax代表采集数据中电压或电流数据中的最大值；Smin代表采集数据中电压或电流数据中的最小值；
代表归一化的电压或电流数据；
S22：基于归一化的电压和电流数据，构建自适应灾变遗传优化循环神经网络的输入向量Xin＝[V(k)I(k)]，其中V(k)为归一化的锂离子电池输出电压，I(k)为归一化的锂离子电池输出电流。
4.如权利要求1所述的基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法，其特征在于，步骤S3中，将处理的数据输入到自适应灾变遗传优化循环神经网络进行训练并获得训练好的锂离子电池荷电状态估计模型包括以下步骤：
S31：根据锂离子电池数据确定循环神经网络结构，并由循环神经网络结构编码得到遗传算法初始种群结构，其中，种群长度L为：
L＝L1L2+L2L3+L2L2+L2+L3
其中，L1、L2、L3分别为循环神经网络的输入层、隐含层以及输出层节点数；选择的三层神经网络的输入为电压电流，输出为荷电状态；另外，L1＝2，L2＝8，L3＝1；
S32：初始化自适应灾变遗传算法参数；
S33：将个体解码得到循环神经网络权值和阈值，利用锂离子电池数据得到网络的荷电状态输出，以网络输出与荷电状态的真实值的误差绝对值为适应度函数；
S34：运行自适应灾变遗传算法，找到最优个体并输出，将个体编码解码，得到循环神经网络的最优初始权值和阈值。
5.如权利要求4中所述的基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计方法，其特征在于，步骤S34，自适应灾变遗传算法中自适应灾变规模c的选取规则如下：
式中，cmax和cmin为最大和最小灾变规模，k和K为当前迭代次数和最大迭代次数。
6.一种基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计***，其特征在于，包括：
运行参数采集模块，用于采集锂离子电池充放电过程中的运行参数：使锂离子电池进行充放电，采集锂离子电池充放电过程中的电压和电流数据；
归一化处理模块，用于对采集的电压和电流数据进行归一化处理；
估计模型训练模块，用于将处理的数据输入到自适应灾变遗传优化循环神经网络进行训练，获得训练好的锂离子电池荷电状态估计模型；
荷电状态估计模块，用于将验证组数据输入至训练好的锂离子电池荷电状态估计模型中，得到锂离子电池荷电状态估计值。
7.如权利要求6所述的基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计***，其特征在于，所述运行参数采集模块包括：
数据采集单元，用于基于电动汽车的常规运行工况对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；基于电动巴士现场运行工况对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；在不同温度下对锂离子电池进行充放电实验，使用电池实验***以1Hz的采样频率对数据进行采集；
数据分组单元，用于将采集电压和电流实时数据进行分组，设置训练数据组与验证数据组，并对两组数据进行标签。
8.如权利要求6所述的基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计***，其特征在于，所述归一化处理模块包括：
归一化处理单元，用于基于Min-Max归一化方法对锂离子电池实验数据进行归一化处理，将锂离子电池充放电实验中数值差别较大的电压和电流数据大小范围映射到0-1之间，具体归一化计算方法如下：
其中，Si代表采集的锂离子电池充放电电压或电流数据；Smax代表采集数据中电压或电流数据中的最大值；Smin代表采集数据中电压或电流数据中的最小值；
代表归一化的电压或电流数据；
输入向量构建单元，用于基于归一化的电压和电流数据，构建自适应灾变遗传优化循环神经网络的输入向量Xin＝[V(k)I(k)]，其中V(k)为归一化的锂离子电池输出电压，I(k)为归一化的锂离子电池输出电流。
9.如权利要求6所述的基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计***，其特征在于，所述估计模型训练模块包括：
种群结构获取单元，用于根据锂离子电池数据确定循环神经网络结构，并由循环神经网络结构编码得到遗传算法初始种群结构，其中，种群长度L为：
L＝L1L2+L2L3+L2L2+L2+L3
其中，L1、L2、L3分别为循环神经网络的输入层、隐含层以及输出层节点数；选择的三层神经网络的输入为电压电流，输出为荷电状态；另外，L1＝2，L2＝8，L3＝1；
参数初始化单元，用于初始化自适应灾变遗传算法参数；
适应度函数获取单元，用于将个体解码得到循环神经网络权值和阈值，利用锂离子电池数据得到网络的荷电状态输出，以网络输出与荷电状态的真实值的误差绝对值为适应度函数；
最优值获取单元，用于运行自适应灾变遗传算法，找到最优个体并输出，将个体编码解码，得到循环神经网络的最优初始权值和阈值。
10.如权利要求9中所述的基于自适应灾变遗传优化循环神经网络的锂离子电池荷电状态估计***，其特征在于，最优值获取单元中，自适应灾变遗传算法中自适应灾变规模c的选取规则如下：
式中，cmax和cmin为最大和最小灾变规模，k和K为当前迭代次数和最大迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111050937.6A CN114280490B (zh) | 2021-09-08 | 2021-09-08 | 一种锂离子电池荷电状态估计方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111050937.6A CN114280490B (zh) | 2021-09-08 | 2021-09-08 | 一种锂离子电池荷电状态估计方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114280490A true CN114280490A (zh) | 2022-04-05 |
| CN114280490B CN114280490B (zh) | 2024-02-09 |
Family
ID=80868517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111050937.6A Active CN114280490B (zh) | 2021-09-08 | 2021-09-08 | 一种锂离子电池荷电状态估计方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114280490B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935721A (zh) * | 2022-05-30 | 2022-08-23 | 深圳先进技术研究院 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
| CN117949832A (zh) * | 2024-03-27 | 2024-04-30 | 湖南大学 | 一种基于优化神经网络的电池soh分析方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060129962A (ko) * | 2005-06-13 | 2006-12-18 | 주식회사 엘지화학 | 배터리 잔존량 추정 장치 및 방법 |
| CN1890574A (zh) * | 2003-12-18 | 2007-01-03 | 株式会社Lg化学 | 使用神经网络评估电池的充电状态的设备和方法 |
| CN106405433A (zh) * | 2016-11-04 | 2017-02-15 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的soc估计方法及*** |
| CN110175672A (zh) * | 2019-05-30 | 2019-08-27 | 北斗航天信息网络技术有限公司 | 基于扩展卡尔曼滤波和遗传bp神经网络组合的电池充电状态评估***及评估方法 |
| CN111103553A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 一种自适应grnn的电动汽车锂离子电池健康状态的估算方法 |
| CN111325443A (zh) * | 2020-01-21 | 2020-06-23 | 南京航空航天大学 | 一种基于灾变机制的改进遗传算法求解柔性作业车间调度的方法 |
| US20200200825A1 (en) * | 2018-12-20 | 2020-06-25 | Toyota Jidosha Kabushiki Kaisha | Battery capacity estimation method and battery capacity estimation device |
| CN112067998A (zh) * | 2020-09-10 | 2020-12-11 | 昆明理工大学 | 一种基于深度神经网络的锂离子电池荷电状态估计方法 |
| CN112083331A (zh) * | 2020-08-09 | 2020-12-15 | 昆明理工大学 | 一种提升锂离子电池荷电状态估计精度的融合方法 |
| CN112180259A (zh) * | 2020-08-21 | 2021-01-05 | 湖南大学 | 一种基于遗传算法的锂离子电池参数拟合方法 |
| CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
| CN112307667A (zh) * | 2020-10-28 | 2021-02-02 | 广东电网有限责任公司 | 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 |
| CN113177737A (zh) * | 2021-05-26 | 2021-07-27 | 南京恩瑞特实业有限公司 | 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及*** |
| CN113253116A (zh) * | 2021-05-18 | 2021-08-13 | 齐鲁工业大学 | 锂离子电池荷电状态估计方法、存储介质 |
-
2021
- 2021-09-08 CN CN202111050937.6A patent/CN114280490B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1890574A (zh) * | 2003-12-18 | 2007-01-03 | 株式会社Lg化学 | 使用神经网络评估电池的充电状态的设备和方法 |
| KR20060129962A (ko) * | 2005-06-13 | 2006-12-18 | 주식회사 엘지화학 | 배터리 잔존량 추정 장치 및 방법 |
| CN106405433A (zh) * | 2016-11-04 | 2017-02-15 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的soc估计方法及*** |
| US20200200825A1 (en) * | 2018-12-20 | 2020-06-25 | Toyota Jidosha Kabushiki Kaisha | Battery capacity estimation method and battery capacity estimation device |
| CN110175672A (zh) * | 2019-05-30 | 2019-08-27 | 北斗航天信息网络技术有限公司 | 基于扩展卡尔曼滤波和遗传bp神经网络组合的电池充电状态评估***及评估方法 |
| CN111103553A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 一种自适应grnn的电动汽车锂离子电池健康状态的估算方法 |
| CN111325443A (zh) * | 2020-01-21 | 2020-06-23 | 南京航空航天大学 | 一种基于灾变机制的改进遗传算法求解柔性作业车间调度的方法 |
| CN112083331A (zh) * | 2020-08-09 | 2020-12-15 | 昆明理工大学 | 一种提升锂离子电池荷电状态估计精度的融合方法 |
| CN112180259A (zh) * | 2020-08-21 | 2021-01-05 | 湖南大学 | 一种基于遗传算法的锂离子电池参数拟合方法 |
| CN112067998A (zh) * | 2020-09-10 | 2020-12-11 | 昆明理工大学 | 一种基于深度神经网络的锂离子电池荷电状态估计方法 |
| CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
| CN112307667A (zh) * | 2020-10-28 | 2021-02-02 | 广东电网有限责任公司 | 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 |
| CN113253116A (zh) * | 2021-05-18 | 2021-08-13 | 齐鲁工业大学 | 锂离子电池荷电状态估计方法、存储介质 |
| CN113177737A (zh) * | 2021-05-26 | 2021-07-27 | 南京恩瑞特实业有限公司 | 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| 刘冰;周浩兵;刘雨辰;徐帅;周飞;: "基于ANN的锂离子电池SOC估算方法研究", 电源技术, no. 12 * |
| 王策等: "新型灾变自适应遗传算法及其应用", 《计算机***应用》, vol. 28, no. 9, pages 279 - 283 * |
| 窦思远: "基于STFDEKF的锂离子电池SOC估算", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 1, pages 035 - 1001 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935721A (zh) * | 2022-05-30 | 2022-08-23 | 深圳先进技术研究院 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
| WO2023231356A1 (zh) * | 2022-05-30 | 2023-12-07 | 深圳先进技术研究院 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
| CN117949832A (zh) * | 2024-03-27 | 2024-04-30 | 湖南大学 | 一种基于优化神经网络的电池soh分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114280490B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chang et al. | Lithium-ion battery state of health estimation using the incremental capacity and wavelet neural networks with genetic algorithm | |
| WO2021259196A1 (zh) | 一种电池组一致性评估方法及*** | |
| CN110488204B (zh) | 一种储能元件soh-soc联合在线估计方法 | |
| CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
| CN113064093B (zh) | 储能电池荷电状态与健康状态联合估算方法及*** | |
| CN110703114B (zh) | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 | |
| CN112327188A (zh) | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 | |
| CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
| CN112557907A (zh) | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 | |
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN114280490A (zh) | 一种锂离子电池荷电状态估计方法及*** | |
| CN113740736A (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
| CN113702843A (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
| CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
| CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
| CN107505574A (zh) | 基于极大似然带渐消因子的ukf锂电池估算方法 | |
| CN113962154A (zh) | 一种基于迁移学习的锂电池核温评估方法及*** | |
| CN112782594A (zh) | 考虑内阻的数据驱动算法估算锂电池soc的方法 | |
| CN109633449A (zh) | 基于灰色向量机的矿用锂电池寿命预测方法及管理*** | |
| CN115389946A (zh) | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 | |
| CN115146723A (zh) | 基于深度学习和启发式算法的电化学模型参数辨识方法 | |
| Hu et al. | State of health estimation for lithium-ion batteries with dynamic time warping and deep kernel learning model | |
| CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
| CN112946480A (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
| CN112014757A (zh) | 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法 |
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 |