CN114779103A - 一种基于时滞卷积神经网络的锂离子电池soc估计方法 - Google Patents
一种基于时滞卷积神经网络的锂离子电池soc估计方法 Download PDFInfo
- Publication number
- CN114779103A CN114779103A CN202210453820.0A CN202210453820A CN114779103A CN 114779103 A CN114779103 A CN 114779103A CN 202210453820 A CN202210453820 A CN 202210453820A CN 114779103 A CN114779103 A CN 114779103A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- lag
- neural network
- lithium ion
- 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.)
- Pending
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
-
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于时滞卷积神经网络的锂离子电池SOC估计方法,属于锂离子电池技术领域。解决了不能够将时滞与卷积神经网络直接结合的技术问题。其技术方案为:包括以下步骤:步骤1)测取SOC从1到0的锂离子电池的端电压、电流和温度;步骤2)对测取的数据进行预处理,构建用于SOC估计的时滞卷积神经网络训练数据集和测试数据集;步骤3)使用时滞卷积神经网络对数据集进行训练和测试,实现SOC实时估计。本发明的有益效果为:本发明中的时滞卷积神经网络能够考虑更多的数据且能够拥有更高的估计精度。
Description
技术领域
本发明涉及锂离子电池技术领域,尤其涉及一种基于时滞卷积神经网络的锂离子电池SOC估计方法。
背景技术
准确估计锂离子电池的荷电状态(SOC)非常重要,因为它可以告诉用户由电池供电的***或设备(如电动汽车、无人机和手机)剩余的“燃料”量。
电池模型可分为三大类:电化学模型、等效电路模型和机器学习模型。电化学模型通常被认为计算成本较高,因此,不适合实时估计锂离子电池SOC。尽管电化学模型能够通过简化和假设建立各种降阶模型,但SOC估计精度与等效电路模型相似。机器学习模型最近在锂离子电池SOC估计中越来越流行,典型的模型包括高斯过程、前馈神经网络、时滞神经网络、递归神经网络、卷积神经网络和长短时记忆神经网络。时滞递归神经网络将时滞这一概念成功应用在递归神经网络中,时滞递归神经网络在《时滞递归神经网络》这本书中得到了详细讲解,介绍了很多重要的问题,并有学者利用这一网络进行了锂离子电池SOC估计的研究。与递归神经网络不同,卷积神经网络的发明是旨在用于图像处理,图像是可以看做一种二维结构的输入,因此,不能够像时滞递归神经网络那样将时滞与卷积神经网络直接结合。将时滞这一概念与卷积神经网络相结合,并能够将其用于锂离子电池SOC的估计成为了一个技术难点。
如何解决上述技术问题为本发明面临的课题。
发明内容
本发明的目的在于提供一种基于时滞卷积神经网络的锂离子电池SOC估计方法,分别通过不同温度下的电池充放电实验获取电池各项参数,然后处理数据与构建训练数据集,将训练的数据集导入时滞卷积神经网络中进行训练,最终可用于锂离子电池SOC的实时估计。
为了实现上述发明目的,本发明采用技术方案具体为:一种基于时滞卷积神经网络的锂离子电池SOC估计方法,包括以下步骤:
步骤1)在变化的温度下,将全新锂离子电池充满电,然后通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验,反复测取SOC从1到0的锂离子电池的端电压、电流和温度;
步骤2)对测取的数据进行预处理,构建用于SOC估计的时滞卷积神经网络训练数据集和测试数据集;
步骤3)使用时滞卷积神经网络对数据集进行训练和测试,实现最终的SOC实时估计。
作为本发明提供的一种基于时滞卷积神经网络的锂离子电池SOC估计方法进一步优化方案,所述步骤2)具体包括如下步骤:
步骤2-1)数据没有统一量纲在神经网络算法拟合时会有收敛速度缓慢、误差偏高等问题,所以需要对测取的数据进行归一化处理。各种工况实验的电池对象相同,但是电压电流等变化范围不同,因此需要先对各种工况的数据单独进行预处理,采用最大最小归一化的方法对输入数据进行归一化处理。输出为锂离子电池的SOC,SOC的范围在0到1之间,因此不需要进行归一化处理。
步骤2-2)数据归一化处理后,使用如下的方法构建数据集,首先将一个放电周期中的测量值截取成若干个长度为n的数据,如下所示:
其中,xij表示输入数据集中第i个循环的第j个数据,xij对应的输出为ti_j时刻的锂离子电池SOC值。U表示电池两端的电压,I表示电池通过的电流,T表示电池工作时的温度,t表示放电的时间。本发明中,n取10。
步骤2-3)对于一个总循环充放电次数N、单放电周期m的工况放电实验。为了充分发掘每一个放电周期内前后输入数据间的联系,使用padding方法对边缘数据进行扩充,然后总共生成N×m组大小为4×10的输入数据,对应的N×m个SOC值为输出数据,不同工况的输入输出数据合并成为总数据集。
步骤2-4)为了不影响数据集的训练,不对总数据集进行打乱操作然后抽取训练与测试数据集。选用一个放电工况前80%的数据作为训练数据集,后20%的数据作为测试数据集,用作时滞卷积神经网络的训练和测试数据。
作为本发明提供的一种基于时滞卷积神经网络的锂离子电池SOC估计方法进一步优化方案,所述步骤3)具体包含如下步骤:
步骤3-1)针对锂离子电池SOC估计开发的时滞卷积神经网络架构包括:一个输入层(Input)、三个卷积层C(Convolution)、一个全连接层F(Fully connected layer)和一个输出层(Output);
步骤3-2)时滞卷积神经网络的时滞操作具体表现在卷积层,对于输入数据为xij时,在每一个卷积层的卷积核卷积操作中,以当前第i个循环数据卷积结果和第i-1个循环xi-1j数据的卷积结果的加权和作为最终的卷积层输出,并且这两个卷积操作的卷积核拥有各自不同的权值,这样就能够实现时滞效果。
步骤3-3)卷积层和全连接层全部使用relu函数进行激活,输出层使用tanh函数进行激活,并将估计值向0至1进行映射。
与现有技术相比,本发明的有益效果为:
(1)本发明中将时滞概念与卷积神经网络结合,提出一种时滞卷积神经网络算法并能够应用于锂离子电池SOC估计。
(2)本发明使用的一种时滞卷积神经网络算法,在考虑当前循环周期过往时刻的数据的同时还能够通过时滞操作考虑前一个循环的数据,能够拥有更高的估计精度。
(3)本发明的时滞卷积神经网络在卷积层中的卷积操作是将两个卷积核分别处理两个数据的加权和作为最终的卷积层输出,拥有多个卷积核的卷积神经网络使用多个卷积核处理同一个数据,因此,时滞卷积神经网络能够考虑更多的数据且能够拥有更高的估计精度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明的时滞卷积神经网络框架。
图2为本发明的时滞卷积操作示意图。
图3为本发明恒流放电实验测试集中某一整个放电周期的SOC估计结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。当然,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
参见图1至图3,本发明提供其技术方案为,本发明提供了一种基于时滞卷积神经网络的锂离子电池SOC估计方法,本实施例以松下锂离子电池NCR-18650B为对象展开研究,标定电压为3.7V,电池容量为3400mAh;电池以恒流-恒压充电方式充满,待静置1h后,电池为满电状态,电池分别以恒流放电、DST工况、FUDS工况和US06工况进行放电实验,直至电压降至放电截止电压,反复实验。
为了更好的实现本发明的目的,本实施例是一种基于时滞卷积神经网络的锂离子电池SOC估计方法,具体包括下列步骤:
步骤1)在变化的温度下,将全新锂离子电池充满电,然后通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验,反复测取SOC从1到0的锂离子电池的端电压、电流和温度;
步骤2)对测取的数据进行预处理,构建用于SOC估计的时滞卷积神经网络训练数据集和测试数据集;
步骤3)使用时滞卷积神经网络对数据集进行训练和测试,实现最终的SOC实时估计。
优选地,所述步骤2)具体包括如下步骤:
步骤2-1)数据没有统一量纲在神经网络算法拟合时会有收敛速度缓慢、误差偏高等问题,所以需要对测取的数据进行归一化处理;各种工况实验的电池对象相同,但是电压电流等变化范围不同,因此需要先对各种工况的数据单独进行预处理,采用最大最小归一化的方法对输入数据进行归一化处理,输出为锂离子电池的SOC,SOC的范围在0到1之间,因此不需要进行归一化处理。
步骤2-2)数据归一化处理后,使用如下的方法构建数据集,首先将一个放电周期中的测量值截取成若干个长度为n的数据,如下所示:
其中,xij表示输入数据集中第i个循环的第j个数据,xij对应的输出为ti_j时刻的锂离子电池SOC值,U表示电池两端的电压,I表示电池通过的电流,T表示电池工作时的温度,t表示放电的时间,本发明中,n取10。
步骤2-3)对于一个总循环充放电次数N、单放电周期m的工况放电实验,为了充分发掘每一个放电周期内前后输入数据间的联系,使用padding方法对边缘数据进行扩充,然后总共生成N×m组大小为4×10的输入数据,对应的N×m个SOC值为输出数据,不同工况的输入输出数据合并成为总数据集;
步骤2-4)为了不影响数据集的训练,不对总数据集进行打乱操作然后抽取训练与测试数据集,选用一个放电工况前80%的数据作为训练数据集,后20%的数据作为测试数据集,用作时滞卷积神经网络的训练和测试数据。
优选地,所述步骤3)具体包含如下步骤:
步骤3-1)针对锂离子电池SOC估计开发的时滞卷积神经网络架构如图1所示包括:一个输入层(Input)、三个卷积层C(Convolution)、一个全连接层F(Fully connectedlayer)和一个输出层(Output);
步骤3-2)时滞卷积神经网络的时滞操作具体表现在卷积层,对于输入数据为xij时,在每一个卷积层的卷积核卷积操作中,以当前第i个循环数据卷积结果和第i-1个循环xi-1j数据的卷积结果的加权和作为最终的卷积层输出,并且这两个卷积操作的卷积核拥有各自不同的权值,如图2所示,这样就能够实现时滞效果。
步骤3-3)卷积层和全连接层全部使用relu函数进行激活,输出层使用tanh函数进行激活,并将估计值向0至1进行映射,在经过训练后,最终网络的误差评价指标MAPE为1.74%,图3为恒流放电实验测试集中某一整个放电周期的SOC估计结果。
本发明中将时滞概念与卷积神经网络结合,提出一种时滞卷积神经网络算法并能够应用于锂离子电池SOC估计。
本发明使用的一种时滞卷积神经网络算法,在考虑当前循环周期过往时刻的数据的同时还能够通过时滞操作考虑前一个循环的数据,能够拥有更高的估计精度。
本发明的时滞卷积神经网络在卷积层中的卷积操作是将两个卷积核分别处理两个数据的加权和作为最终的卷积层输出,拥有多个卷积核的卷积神经网络使用多个卷积核处理同一个数据,因此,时滞卷积神经网络能够考虑更多的数据且能够拥有更高的估计精度。
以上所述仅为本发明的较佳实施例,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 (3)
1.一种基于时滞卷积神经网络的锂离子电池SOC估计方法,其特征在于,包括以下步骤:
步骤1)在变化的温度下,将全新锂离子电池充满电,然后通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验,反复测取SOC从1到0的锂离子电池的端电压、电流和温度;
步骤2)对测取的数据进行预处理,构建用于SOC估计的时滞卷积神经网络训练数据集和测试数据集;
步骤3)使用时滞卷积神经网络对数据集进行训练和测试,实现最终的SOC实时估计。
2.根据权利要求1所述的基于时滞卷积神经网络的锂离子电池SOC估计方法,其特征在于,所述步骤2)具体包括如下步骤:
步骤2-1)对测取的数据进行归一化处理,各种工况实验的电池对象相同,电压电流变化范围不同,先对各种工况的数据单独进行预处理,采用最大最小归一化的方法对输入数据进行归一化处理,输出为锂离子电池的SOC,SOC的范围在0到1之间,不需要进行归一化处理;
步骤2-2)数据归一化处理后,使用如下的方法构建数据集,首先将一个放电周期中的测量值截取成若干个长度为n的数据,如下所示:
其中,xij表示输入数据集中第i个循环的第j个数据,xij对应的输出为ti_j时刻的锂离子电池SOC值,U表示电池两端的电压,I表示电池通过的电流,T表示电池工作时的温度,t表示放电的时间,本发明中,n取10;
步骤2-3)对于一个总循环充放电次数N、单放电周期m的工况放电实验,为了充分发掘每一个放电周期内前后输入数据间的联系,使用padding方法对边缘数据进行扩充,然后总共生成N×m组大小为4×10的输入数据,对应的N×m个SOC值为输出数据,不同工况的输入输出数据合并成为总数据集;
步骤2-4)为了不影响数据集的训练,不对总数据集进行打乱操作,抽取训练与测试数据集,选用一个放电工况前80%的数据作为训练数据集,后20%的数据作为测试数据集,用作时滞卷积神经网络的训练和测试数据。
3.根据权利要求1所述的基于时滞卷积神经网络的锂离子电池SOC估计方法,其特征在于,所述步骤3)具体包含如下步骤:
步骤3-1)针对锂离子电池SOC估计开发的时滞卷积神经网络架构包括:一个输入层(Input)、三个卷积层C(Convolution)、一个全连接层F(Fully connected layer)和一个输出层(Output);
步骤3-2)时滞卷积神经网络的时滞操作具体表现在卷积层,对于输入数据为xij时,在每一个卷积层的卷积核卷积操作中,以当前第i个循环数据卷积结果和第i-1个循环xi-1j数据的卷积结果的加权和作为最终的卷积层输出,并且这两个卷积操作的卷积核拥有各自不同的权值,实现时滞效果;
步骤3-3)卷积层和全连接层全部使用relu函数进行激活,输出层使用tanh函数进行激活,并将估计值向0至1进行映射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210453820.0A CN114779103A (zh) | 2022-04-24 | 2022-04-24 | 一种基于时滞卷积神经网络的锂离子电池soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210453820.0A CN114779103A (zh) | 2022-04-24 | 2022-04-24 | 一种基于时滞卷积神经网络的锂离子电池soc估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114779103A true CN114779103A (zh) | 2022-07-22 |
Family
ID=82432266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210453820.0A Pending CN114779103A (zh) | 2022-04-24 | 2022-04-24 | 一种基于时滞卷积神经网络的锂离子电池soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114779103A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115343625A (zh) * | 2022-10-17 | 2022-11-15 | 力高(山东)新能源技术股份有限公司 | 一种基于误差矫正的动力电池soc估算方法 |
CN116300410A (zh) * | 2023-05-25 | 2023-06-23 | 武汉理工大学 | 数据驱动前馈加反馈补偿的转角优化方法及*** |
CN117658208A (zh) * | 2023-12-20 | 2024-03-08 | 潮州市丰业新材料有限公司 | 一种高纯度的氧化锆粉体及其制备方法 |
-
2022
- 2022-04-24 CN CN202210453820.0A patent/CN114779103A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115343625A (zh) * | 2022-10-17 | 2022-11-15 | 力高(山东)新能源技术股份有限公司 | 一种基于误差矫正的动力电池soc估算方法 |
CN116300410A (zh) * | 2023-05-25 | 2023-06-23 | 武汉理工大学 | 数据驱动前馈加反馈补偿的转角优化方法及*** |
CN116300410B (zh) * | 2023-05-25 | 2023-08-22 | 武汉理工大学 | 数据驱动前馈加反馈补偿的转角优化方法及*** |
CN117658208A (zh) * | 2023-12-20 | 2024-03-08 | 潮州市丰业新材料有限公司 | 一种高纯度的氧化锆粉体及其制备方法 |
CN117658208B (zh) * | 2023-12-20 | 2024-06-04 | 潮州市丰业新材料有限公司 | 一种高纯度的氧化锆粉体及其制备方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110068774A (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
CN114779103A (zh) | 一种基于时滞卷积神经网络的锂离子电池soc估计方法 | |
CN111007399B (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
CN113030764B (zh) | 一种电池组健康状态估计方法及*** | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
EP3786653B1 (en) | Battery state estimation method | |
CN106026260A (zh) | 一种带有均衡电路的串连电池组soc估算方法 | |
CN104577242B (zh) | 一种电池组管理***和方法 | |
CN110146822A (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
CN112345939B (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
CN109459699A (zh) | 一种锂离子动力电池soc实时监测方法 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN112858916B (zh) | 一种基于模型与数据驱动融合的电池包荷电状态估计方法 | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
Takyi-Aninakwa et al. | An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries | |
CN112986830A (zh) | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及*** | |
WO2024000756A1 (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 | |
CN109613446A (zh) | 一种基于时间序列分析的锂电池老化检测方法 | |
CN113655385A (zh) | 锂电池soc估计方法、装置及计算机可读存储介质 | |
CN109655751A (zh) | 一种使用高斯过程回归估计电池充电状态的方法和*** | |
Takyi-Aninakwa et al. | A hybrid probabilistic correction model for the state of charge estimation of lithium-ion batteries considering dynamic currents and temperatures | |
CN113820615A (zh) | 一种电池健康度检测方法与装置 | |
CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 | |
CN108446494B (zh) | 一种用于电池模组或***的均衡算法 |
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 |