【技術實現步驟摘要】
本專利技術屬于鋰離子電池狀態監測管理領域，尤其涉及基于emd分解和lstm-kf的鋰離子電池混合充電狀態估計方法。
技術介紹
1、鋰離子電池以其高能量密度、長循環壽命、低自放電率、較寬的工作溫度范圍等優點，已成為許多現代電子設備和電動交通工具的首選電源，也是最有發展前景的電動汽車動力電池。電池管理系統(battery?management?system，bms)是動力電池的核心技術之一，其主要作用是監控和保護電池，確保電池系統的安全、可靠和高效運行。bms可以實時監控電池的運行狀態，能夠及時發現潛在的安全隱患，如過充、過放或者過熱等情況，它不僅提升了駕駛的安全性，還有助于更好地管理電池使用，降低長期成本。
2、荷電狀態(state?of?charge，soc)是電池管理系統中最重要的狀態之一，它為防止電池的過充過放提供了重要參考，有助于提高充電效率和延長電池壽命。因此動力電池荷電狀態的實時在線估計是bms的關鍵問題之一。在實際應用中，鋰離子電池具有非線性、時變性，易受到溫度、老化等多種因素的影響，soc無法直接測量，只能通過電壓、電流、溫度等可測量的外部參數進行估算。因此，使用先進的算法和策略來快速且準確估計soc就顯得尤為重要。
3、目前估計電池soc的方法主要分為三種：傳統法、基于模型的方法和數據驅動的方法。傳統上，電池soc的測量采用直接測量方法，如開路電壓法和安培-小時積分法。開路電壓法通過測量電池在長時間靜置后的電壓來估計soc。這種方法簡單易行，但是需要電池處于靜態平衡狀態，無法實時反映電池的
4、為了解決這一問題，需要以模型為基礎融合數據驅動的方法，基于模型的方法主要是等效電路模型和電化學模型，等效電路模型利用電阻、電容、電壓源等電路元件組成電路網絡來表達電池各物理量之間的相互關系，不反應電池內部的真實結構和復雜的電化學反應，近些年隨著深度學習和人工智能技術的不斷發展，神經網絡理論和技術得到了快速發展。這種網絡能夠通過學習大量的數據樣本，自動提取和識別復雜的模式和關系，非常適合處理非線性問題。神經網絡能夠處理大量的歷史數據和實時數據，這有助于提高soc估計的準確性和可靠性，神經網絡模型一旦被訓練好，它可以應用于不同類型的電池和不同的工作條件下，具有較強的通用性。
技術實現思路
1、本專利技術提供了一種基于emd分解和lstm-kf的鋰離子電池混合充電狀態估計方法，該混合方法能夠適應多種溫度和工況條件，以實現更準確穩定的soc實時估計。
2、本專利技術通過以下技術方案進行實現：
3、步驟1：對鋰離子電池進行恒流恒壓充電，充滿電后恒流放電至80％soc，之后在不同工況條件和不同溫度下進行脈沖放電，放電至截止電壓時停止，在放電期間采集電流、電壓的時間序列。
4、步驟2：對步驟1獲取的電壓信號數據進行預處理來提高神經網絡的記憶能力。經驗模態分解(emd)是基于瞬時頻率、本征模態函數的概念，能夠將復雜信號分解為若干個imf分量，每個imf表征信號的局部特征。經驗模態分解法能使非平穩數據進行平穩化處理，然后進行hilbert變換獲得時頻譜圖，得到有物理意義的頻率。
5、步驟3：將電流信號和步驟2中分解得到的imf分量和電壓殘差序列進行歸一化處理，能夠消除特征尺度不同所帶來的影響，使其特征具有可比性，用mapminmax函數將數據映射到[-1，1]，數值歸一化后能加快收斂速度，更容易找到梯度下降的最優解。
6、步驟4：構建長短時記憶網絡(long?short-term?memory，lstm)網絡。采用訓練集數據建立基于lstm的鋰離子電池soc估計模型，通過設定網絡結構及參數，adam作為網絡的訓練優化算法relu作為網絡激活函數，以均方根誤差(root?mean?square?error，rmse)值為適應度，進而訓練得到的soc估計模型參數。
7、步驟5：卡爾曼濾波器(kf)可以有效地濾除soc曲線中含有的噪聲。由于神經網絡模型的輸出為與時間t的呈非線性函數關系，所以采用卡爾曼濾波器利用線性系統狀態方程，通過系統輸入輸出觀測數據，對系統狀態進行最優估計。最后通過求解狀態矩陣和協方差矩陣對輸出值進行濾波，得到一條平滑、穩定的soc估計曲線。
8、與現有技術相比，本專利技術的有益效果為：
9、1)只需要電池的原始數據(電壓和電流)。此外，它們可以通過預處理方法直接用于lstm，大大減少了神經網絡的計算量，實現了soc的快速實時估計。
10、2)利用kf方法改進了lstm網絡的soc估計結果，降低了估計誤差顯著提高了估計精度。
11、3)emd-lstm-kf方法具有可靠的泛化性能，能夠適應多種駕駛工況和多種溫度條件。
12、4)該方法避免了詳細的模型研究，不需要精確設置網絡的超參數。該方法具有較強的擴展能力，可以穩定有效地估計電池荷電狀態。
本文檔來自技高網...【技術保護點】
1.一種基于EMD分解和LSTM-KF的鋰離子電池混合充電狀態估計方法，該混合方法能夠適應多種溫度和工況條件，以實現更準確穩定的SOC實時估計，具體步驟為：
2.根據權利要求1所述的基于EMD分解和LSTM-KF的鋰離子電池混合充電狀態估計方法，其特征在于所述步驟1對鋰離子電池進行恒流恒壓沖電至截止電壓后進行恒流放電至80％SOC，之后進行脈沖放電采集放電過程中的電壓電流信號。
3.根據權利要求1所述的基于EMD分解和LSTM-KF的鋰離子電池混合充電狀態估計方法，其特征在于所述步驟2具體為：
4.根據權利要求1所述的基于EMD分解和LSTM-KF的鋰離子電池混合充電狀態估計方法，其特征在于所述步驟5具體為：
【技術特征摘要】
1.一種基于emd分解和lstm-kf的鋰離子電池混合充電狀態估計方法，該混合方法能夠適應多種溫度和工況條件，以實現更準確穩定的soc實時估計，具體步驟為：
2.根據權利要求1所述的基于emd分解和lstm-kf的鋰離子電池混合充電狀態估計方法，其特征在于所述步驟1對鋰離子電池進行恒流恒壓沖電至截止電壓后進行恒流...
【專利技術屬性】
技術研發人員：黃凱，劉祝雨，石雙凱，郝潤凱，
申請(專利權)人：河北工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。