【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及電池soc估計(jì)，具體為一種基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組soc估計(jì)方法。
技術(shù)介紹
1、近年來(lái)隨著新能源汽車和儲(chǔ)能行業(yè)的興起，鋰離子電池因其壽命長(zhǎng)、能量密度高、自放電率低等優(yōu)點(diǎn)成為理想的電源系統(tǒng)動(dòng)力裝置，為保證電源系統(tǒng)正常運(yùn)行，電池高效安全管理顯得尤為重要。由于單體鋰離子電池受到容量和電壓的限制，在作為動(dòng)力電源使用時(shí)必須將成千上百個(gè)單體電池進(jìn)行串并聯(lián)組成電池組，以此增加功率和能量來(lái)滿足實(shí)際使用的要求。電池組狀態(tài)關(guān)系到了電動(dòng)汽車的最大行駛里程，其中電池soc是狀態(tài)估計(jì)的重要部分，因而確定出電池組soc對(duì)于電動(dòng)汽車的剩余行駛里程估計(jì)至關(guān)重要。由于電池在制造過(guò)程中可能存在材料不均、雜質(zhì)與毛刺缺陷等問(wèn)題，導(dǎo)致同一規(guī)格的電池在出廠時(shí)就可能存在著不一致性，并且在電池長(zhǎng)時(shí)間服役過(guò)程中這種不一致性將不斷放大。因此，對(duì)單體電池間的一致性進(jìn)行評(píng)估進(jìn)而對(duì)電池組soc進(jìn)行估計(jì)對(duì)提高電池組的安全性十分重要。
2、目前常見的電池單體soc估計(jì)方法有直接測(cè)量法、模型估算法、數(shù)據(jù)驅(qū)動(dòng)法。其中數(shù)據(jù)驅(qū)動(dòng)法隨著深度學(xué)習(xí)和人工智能的發(fā)展越來(lái)越得到重視，它不需要建立復(fù)雜的電池模型來(lái)顯示電池狀態(tài)，也不用具體了解電池內(nèi)部特征，能夠通過(guò)數(shù)據(jù)訓(xùn)練很好地模擬預(yù)測(cè)電池狀態(tài)，能夠較快地處理復(fù)雜的非線性系統(tǒng)。此外，針對(duì)電池模組的soc估計(jì)方法，多為傳統(tǒng)方法的遷移，預(yù)測(cè)不準(zhǔn)且耗時(shí)費(fèi)力，而數(shù)據(jù)驅(qū)動(dòng)法能有效改善這方面問(wèn)題，但目前運(yùn)用數(shù)據(jù)驅(qū)動(dòng)方法進(jìn)行電池模組狀態(tài)估計(jì)較少，缺少合適的方向。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)上
2、注意，這些目的的記載并不妨礙其他目的的存在。本專利技術(shù)的一個(gè)方式并不需要實(shí)現(xiàn)所有上述目的?？梢詮恼f(shuō)明書、附圖、權(quán)利要求書的記載中抽取上述目的以外的目的。
3、本專利技術(shù)是通過(guò)以下技術(shù)手段實(shí)現(xiàn)上述技術(shù)目的的。
4、一種基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組soc估計(jì)方法，包括以下步驟：
5、步驟s1、獲取電池模組的工況工作數(shù)據(jù)，并對(duì)所述工況工作數(shù)據(jù)進(jìn)行預(yù)處理；
6、步驟s2、將步驟s1預(yù)處理后的工況工作數(shù)據(jù)作為特征參數(shù)對(duì)雙層門控循環(huán)單元dgru深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；
7、步驟s3、將步驟s2訓(xùn)練好的雙層門控循環(huán)單元dgru深度學(xué)習(xí)網(wǎng)絡(luò)與卡爾曼濾波算法集成，雙層門控循環(huán)單元與卡爾曼濾波集成預(yù)測(cè)模型dgru-kf。
8、上述方案中，所述步驟s1中，工況工作數(shù)據(jù)包括恒流放電工況cdc、動(dòng)態(tài)應(yīng)力測(cè)試dst、聯(lián)邦城市駕駛計(jì)劃fuds和中國(guó)輕型汽車行駛工況cltc，分別采集每種工況下電池運(yùn)行過(guò)程中的電流、電壓變化數(shù)值。
9、上述方案中，所述步驟s1中，工況數(shù)據(jù)預(yù)處理為通過(guò)實(shí)驗(yàn)監(jiān)測(cè)獲得隨時(shí)間變化的電壓、總電流、支路分電流和電池模組單體在工況循環(huán)結(jié)束后的放電容量計(jì)算模組內(nèi)單體電池的soc值，并區(qū)分出最小值socmin和最大值socmax。
10、上述方案中，所述步驟s2中，雙層門控循環(huán)單元dgru深度學(xué)習(xí)網(wǎng)絡(luò)包括第一層門控循環(huán)單元gru網(wǎng)絡(luò)和第二層門控循環(huán)單元gru網(wǎng)絡(luò)。
11、上述方案中，所述步驟s2中，雙層門控循環(huán)單元dgru深度學(xué)習(xí)網(wǎng)絡(luò)的第一層門控循環(huán)單元gru網(wǎng)絡(luò)的輸入層包含2個(gè)特征參數(shù)，分別電池性能參數(shù)電壓u和干路電流i，輸出層包括2個(gè)特征參數(shù)，分別是和
12、上述方案中，所述步驟s2中，雙層門控循環(huán)單元dgru深度學(xué)習(xí)網(wǎng)絡(luò)的第二層門控循環(huán)單元gru網(wǎng)絡(luò)的輸入層包含2個(gè)特征參數(shù)，分別電池性能參數(shù)電壓u和干路電流i，輸出層包括2個(gè)特征參數(shù)，分別是和
13、上述方案中，所述步驟s2中，通過(guò)將雙層門控循環(huán)單元dgru深度學(xué)習(xí)網(wǎng)絡(luò)的第二層門控循環(huán)單元gru網(wǎng)絡(luò)估計(jì)電池模組soc誤差并補(bǔ)償?shù)谝粚娱T控循環(huán)單元gru網(wǎng)絡(luò)的soc預(yù)測(cè)值，從而獲得雙層門控循環(huán)單元dgru深度學(xué)習(xí)網(wǎng)絡(luò)模型soc估計(jì)結(jié)果。
14、上述方案中，所述步驟s2中，在雙層門控循環(huán)單元dgru深度學(xué)習(xí)網(wǎng)絡(luò)的第一層門控循環(huán)單元gru網(wǎng)絡(luò)中，將步驟s1中獲取的測(cè)量真值socmin和socmax作為訓(xùn)練目標(biāo)依據(jù)輸入網(wǎng)絡(luò)，然后進(jìn)行第一層門控循環(huán)單元gru網(wǎng)絡(luò)訓(xùn)練，其中，第一層門控循環(huán)單元gru網(wǎng)絡(luò)的輸入層包含2個(gè)特征參數(shù)，分別電池性能參數(shù)電壓u和干路電流i，輸出層包括2個(gè)特征參數(shù)，分別是和通過(guò)數(shù)據(jù)訓(xùn)練取得訓(xùn)練完成的第一層門控循環(huán)單元gru網(wǎng)絡(luò)模型，然后輸入電流電壓數(shù)據(jù)輸出獲得和值；
15、由于預(yù)測(cè)數(shù)值與真實(shí)測(cè)量值存在誤差，通過(guò)第二層門控循環(huán)單元gru網(wǎng)絡(luò)進(jìn)行誤差補(bǔ)償，先將第一層門控循環(huán)單元網(wǎng)絡(luò)所得預(yù)測(cè)值和與測(cè)量真值socmin和socmax作差獲得誤差真值er1和er2，然后將誤差真值er1和er2作為第二層門控循環(huán)單元gru網(wǎng)絡(luò)的訓(xùn)練目標(biāo)依據(jù)輸入網(wǎng)絡(luò)，進(jìn)行第二層門控循環(huán)單元gru網(wǎng)絡(luò)的訓(xùn)練，其中輸入層包含2個(gè)特征參數(shù)，分別電池性能參數(shù)電壓u和干路電流i，輸出層包括2個(gè)特征參數(shù)，分別是和通過(guò)數(shù)據(jù)訓(xùn)練取得訓(xùn)練完成的第二層門控循環(huán)單元gru網(wǎng)絡(luò)模型，然后輸入電流電壓數(shù)據(jù)輸出獲得和值；
16、最后將第一層門控循環(huán)單元gru網(wǎng)絡(luò)與第二層門控循環(huán)單元gru網(wǎng)絡(luò)輸出得到的結(jié)果相加，得到雙層門控循環(huán)單元dgru深度學(xué)習(xí)模型的最終估計(jì)結(jié)果和
17、上述方案中，所述步驟s3中，將步驟s2中雙層門控循環(huán)單元dgru深度學(xué)習(xí)模型的最終估計(jì)的soc值輸入進(jìn)卡爾曼濾波算法，將時(shí)刻t+1估計(jì)的soc(t+1)作為觀測(cè)值，而t時(shí)刻的soct作為狀態(tài)值，得到最終soc估計(jì)結(jié)果。
18、上述方案中，所述步驟s3具體包括以下步驟：
19、狀態(tài)初始化：x0、p0、r、q，將步驟s2中估計(jì)所得soc值按時(shí)間序列排列為soc(t)并作為初始狀態(tài)值x0進(jìn)行初始化輸入，此后soc(t)作為狀態(tài)值，下一時(shí)刻soc(t+1)作為實(shí)際觀測(cè)值；
20、然后進(jìn)入預(yù)測(cè)階段，先狀態(tài)更新，通過(guò)當(dāng)前時(shí)刻的狀態(tài)值得到下一時(shí)刻的預(yù)測(cè)值與觀測(cè)值：xt+1＝atxt+btut+wt，yt＝htxt+vt，
21、再預(yù)測(cè)誤差協(xié)方差矩陣：
22、最后進(jìn)入更新階段，先計(jì)算卡爾曼增益矩陣：
23、再通過(guò)實(shí)際觀測(cè)值與預(yù)測(cè)值作差計(jì)算殘差進(jìn)行后驗(yàn)估計(jì)，然后基于卡爾曼增益、觀測(cè)值以及殘差，更新系統(tǒng)狀態(tài)修正：
24、更新誤差協(xié)方差修正：p0＝(1-ktht)pt′，
25、判斷時(shí)間序列是否滿足數(shù)據(jù)時(shí)間，若滿足就完成，否則返回預(yù)測(cè)階段，
26、其中，x0、p0、r、q分別代表系統(tǒng)初始狀態(tài)、初始誤差協(xié)方差、初始測(cè)量噪聲協(xié)方差、初始過(guò)程噪聲協(xié)方差；xt為時(shí)刻t的系統(tǒng)輸入狀態(tài)，xt+1為下一時(shí)刻的預(yù)測(cè)值，ut為系統(tǒng)的輸入信息，yt為觀測(cè)值，wt為過(guò)程噪聲，vt為觀測(cè)噪聲，at為狀態(tài)矩陣，bt為輸入矩陣，ht為狀態(tài)觀測(cè)矩陣，為系統(tǒng)當(dāng)前狀態(tài)，為系統(tǒng)預(yù)測(cè)狀態(tài)，pt′為預(yù)測(cè)誤差協(xié)方差矩陣，kt為卡爾曼本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組SOC估計(jì)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組SOC估計(jì)方法，其特征在于，所述步驟S1中，工況工作數(shù)據(jù)包括恒流放電工況CDC、動(dòng)態(tài)應(yīng)力測(cè)試DST、聯(lián)邦城市駕駛計(jì)劃FUDS和中國(guó)輕型汽車行駛工況CLTC，分別采集每種工況下電池運(yùn)行過(guò)程中的電流、電壓變化數(shù)值。
3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組SOC估計(jì)方法，其特征在于，所述步驟S1中，工況數(shù)據(jù)預(yù)處理為通過(guò)實(shí)驗(yàn)監(jiān)測(cè)獲得隨時(shí)間變化的電壓、總電流、支路分電流和電池模組單體在工況循環(huán)結(jié)束后的放電容量計(jì)算模組內(nèi)單體電池的SOC值，并區(qū)分出最小值SOCmin和最大值SOCmax。
4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組SOC估計(jì)方法，其特征在于，所述步驟S2中，雙層門控循環(huán)單元DGRU深度學(xué)習(xí)網(wǎng)絡(luò)包括第一層門控循環(huán)單元GRU網(wǎng)絡(luò)和第二層門控循環(huán)單元GRU網(wǎng)絡(luò)。
5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組SOC估計(jì)方法，其
6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組SOC估計(jì)方法，其特征在于，所述步驟S2中，雙層門控循環(huán)單元DGRU深度學(xué)習(xí)網(wǎng)絡(luò)的第二層門控循環(huán)單元GRU網(wǎng)絡(luò)的輸入層包含2個(gè)特征參數(shù)，分別電池性能參數(shù)電壓U和干路電流I，輸出層包括2個(gè)特征參數(shù)，分別是和
7.根據(jù)權(quán)利要求6所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組SOC估計(jì)方法，其特征在于，所述步驟S2中，通過(guò)將雙層門控循環(huán)單元DGRU深度學(xué)習(xí)網(wǎng)絡(luò)的第二層門控循環(huán)單元GRU網(wǎng)絡(luò)估計(jì)電池模組SOC誤差并補(bǔ)償?shù)谝粚娱T控循環(huán)單元GRU網(wǎng)絡(luò)的SOC預(yù)測(cè)值，從而獲得雙層門控循環(huán)單元DGRU深度學(xué)習(xí)網(wǎng)絡(luò)模型SOC估計(jì)結(jié)果。
8.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組SOC估計(jì)方法，其特征在于，所述步驟S2中，在雙層門控循環(huán)單元DGRU深度學(xué)習(xí)網(wǎng)絡(luò)的第一層門控循環(huán)單元GRU網(wǎng)絡(luò)中，將步驟S1中獲取的測(cè)量真值SOCmin和SOCmax作為訓(xùn)練目標(biāo)依據(jù)輸入網(wǎng)絡(luò)，然后進(jìn)行第一層門控循環(huán)單元GRU網(wǎng)絡(luò)訓(xùn)練，通過(guò)數(shù)據(jù)訓(xùn)練取得訓(xùn)練完成的第一層門控循環(huán)單元GRU網(wǎng)絡(luò)模型，然后輸入電流電壓數(shù)據(jù)輸出獲得和值；
9.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組SOC估計(jì)方法，其特征在于，所述步驟S3中，將步驟S2中雙層門控循環(huán)單元DGRU深度學(xué)習(xí)模型的最終估計(jì)的SOC值輸入進(jìn)卡爾曼濾波算法，將時(shí)刻t+1估計(jì)的SOC(t+1)作為觀測(cè)值，而t時(shí)刻的SOCt作為狀態(tài)值，得到最終SOC估計(jì)結(jié)果。
10.根據(jù)權(quán)利要求9所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組SOC估計(jì)方法，其特征在于，所述步驟S3具體包括以下步驟：
...【技術(shù)特征摘要】
1.一種基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組soc估計(jì)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組soc估計(jì)方法，其特征在于，所述步驟s1中，工況工作數(shù)據(jù)包括恒流放電工況cdc、動(dòng)態(tài)應(yīng)力測(cè)試dst、聯(lián)邦城市駕駛計(jì)劃fuds和中國(guó)輕型汽車行駛工況cltc，分別采集每種工況下電池運(yùn)行過(guò)程中的電流、電壓變化數(shù)值。
3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組soc估計(jì)方法，其特征在于，所述步驟s1中，工況數(shù)據(jù)預(yù)處理為通過(guò)實(shí)驗(yàn)監(jiān)測(cè)獲得隨時(shí)間變化的電壓、總電流、支路分電流和電池模組單體在工況循環(huán)結(jié)束后的放電容量計(jì)算模組內(nèi)單體電池的soc值，并區(qū)分出最小值socmin和最大值socmax。
4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組soc估計(jì)方法，其特征在于，所述步驟s2中，雙層門控循環(huán)單元dgru深度學(xué)習(xí)網(wǎng)絡(luò)包括第一層門控循環(huán)單元gru網(wǎng)絡(luò)和第二層門控循環(huán)單元gru網(wǎng)絡(luò)。
5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組soc估計(jì)方法，其特征在于，所述步驟s2中，雙層門控循環(huán)單元dgru深度學(xué)習(xí)網(wǎng)絡(luò)的第一層門控循環(huán)單元gru網(wǎng)絡(luò)的輸入層包含2個(gè)特征參數(shù)，分別電池性能參數(shù)電壓u和干路電流i，輸出層包括2個(gè)特征參數(shù)，分別是和
6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)和卡爾曼濾波算法的電池模組soc估計(jì)方法，其特征在于，所述步驟s2中，雙層門控循環(huán)單元dg...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：栗歡歡，邵宇杰，劉永康，王亞平，
申請(qǐng)(專利權(quán))人：江蘇大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。