一种伪开路电压引导长短期记忆网络的动力锂电池SOC估算方法与流程

本发明涉及锂离子电池，特别是涉及一种伪开路电压引导长短期记忆网络的动力锂电池soc估算方法。

背景技术：

1、锂离子电池作为清洁能源系统的核心储能单元，其荷电状态（soc）的精准估计对于提升系统安全性、可靠性及运行经济性至关重要。然而，soc无法通过物理传感器直接测量，且电池内部的电化学反应及动态极化效应具有高度非线性和复杂性。传统的基于模型或数据驱动的估计方法难以在动态工况下同时实现高精度、强鲁棒性与良好的适应性。尽管基于神经网络的智能估计算法展现出一定潜力，但其性能仍受限于输入特征表征能力不足以及特征与soc之间复杂的非线性映射关系，难以兼顾高精度估计与强鲁棒性。

2、为应对上述挑战，探索适用于神经网络估算的新特征十分必要。目前，现有的神经网络算法直接将检测信号作为输入，这要求神经网络从复杂多变的信号中学习soc估计函数。但锂电池内部多时间尺度耦合极化效应导致检测信号具有很强的非线性。因此，探索一种能有效解构检测信号并提升神经网络估计算法精度的策略，仍是一个亟待解决的技术难题。

3、soc估算的准确与否直接关乎着电池管理系统的性能。现有的基于传统数学模型和数据驱动的估计方法均存在着各自的问题。基于传统数学模型的方法有安时积分法、开路电压法、基于等效电路模型的滤波算法等。安时积分法通过积分算法实现soc的估算，但是这种开环的估计方法使得安时积分算法存在累计误差且无法反馈校正。开路电压算法通过开路电压与soc之间的对应函数离线拟合标定实现soc的状态求解。但是，开路电压的获取往往需要长时间的静置以等待电池内部电化学和物理学过程达到稳定。这就使得开路电压算法无法在线实时应用。基于等效电路模型的算法，其有效性高度依赖于对电池内部复杂动态行为的精确描述。这类方法通常需要构建一个足以刻画电池内部电化学过程、物理扩散效应以及材料动态响应等现象的高精度模型，并依赖于模型参数的准确在线或离线辨识。然而，在实际应用中，尤其是在动态变化的工况和电池老化条件下，构建能够精确模拟多时间尺度物理化学过程、且参数可稳定辨识的模型具有较大挑战，这往往限制了此类方法的鲁棒性和泛化能力。基于数据驱动的算法不需要精确的机理解释，能够直接从历史数据中学习电压、电流等输入特征与soc之间的复杂非线性映射。然而，模型性能严重依赖于输入特征的质量。当前多数研究直接使用原始时序的电压和电流作为输入，这些特征与soc的直接物理关联弱。

4、提取与soc强相关性的输入特征即可以提升神经网络估计精度，又可以保障神经网络的鲁棒性。纯数据驱动模型受限于数据质量和物理一致性。探索可用于神经网络算法的新输入特征逐渐成为了研究人员关注的焦点。利用物理知识设计特征，可增强模型的学习能力，并能减少其对数据的盲目依赖。新输入特征的构建不仅可以提升神经网络算法的估计精度与鲁棒性，还可以增强算法的物理解释能力。yue等人通过增加电池的表面温度作为新的输入特征提升神经网络估算soc的精度与鲁棒性。han等人引入超声波检测信号以提升soc估计精度31。c32等人将解析的等效电路模型参数作为新的输入特征以提升输入特征的维度，为神经网络提供更多的学习信息。liu，等人通过高斯滤波器实现检测信号的平滑处理，以实现新特征的构建。wu等人引入检测应力信号作为新的输入特征。qiu等人提出了一种复合神经网络算法用于提升估算精度。bao等人提出了一种具有双通道的深度学习方法，通过不同网络模型组合优化的方式实现soc的准确估算。tang等人通过利用高斯分布融合原理，将物理解析模型和数据驱动模型融合估计soc。现有的神经网络算法大多是通过增加传感器或者构建复杂模型的方式实现soc估算精度的提升。较少有从锂电池内部机理出发，分析现有检测信号中与soc强相关性分量的研究。

技术实现思路

1、本发明针对动态工况下测量电压中多时间尺度耦合效应所导致的soc估计精度下降问题，提出了稳态分量解构思想，通过有效分离耦合信号中的伪开路电压（pocv）来增强特征的表征能力。在此基础上，提出了一种伪开路电压引导长短期记忆网络的动力锂电池soc估算方法，该方法将提取的pocv分量与实际测量的电压、电流信号重构为具有明确物理引导意义的输入特征矩阵，并利用pocv与soc之间的强相关特性来引导lstm神经网络进行训练与估计，从而实现复杂动态条件下soc的高精度、鲁棒性估算。

2、为实现上述目的，本发明提供了如下方案：

3、一种伪开路电压引导长短期记忆网络的动力锂电池soc估算方法，包括：

4、通过信号分解与稳态分量重构策略，在线提取伪开路电压；

5、将提取的伪开路电压作为关键机理特征，与实时电流、电压共同构成输入特征矩阵；

6、将所述输入特征矩阵输入lstm神经网络模型，进行模型训练；

7、基于训练后的模型，进行动力锂电池soc估算。

8、可选地，通过信号分解与稳态分量重构策略，在线提取伪开路电压包括：

9、构建等效电路模型；其中，所述等效电路模型，用于以数学形式描述电池内部的极化动力学过程；

10、通过所述等效电路模型解析电压成分；其中，所述电压成分包括：欧姆压降、极化电压及开路电压成分；

11、基于所述电压成分，引入信号模态分解算法，从高频动态变量中提取并重构出近似表征电化学平衡态的稳态伪开路电压特征。

12、可选地，所述电池内部的极化动力学过程包括：随着载流子在正负极之间的往复运动，电池内部同时发生电化学极化与扩散极化；

13、所述电化学极化，源于电荷转移过程的迟滞，表现为短时高频响应，在等效电路中被建模为由欧姆极化内阻

rohm、极化电阻

rtc与极化电容

ctc构成的并联结构；

14、所述扩散极化，由离子浓度梯度引起，表现为长时低频动态，相应地被等效为扩散极化内阻

rd与扩散极化电容

cd的并联网络；

15、在所述等效电路模型中，表征电池平衡状态的开路电压

uoc被建模为随soc缓慢变化的电压源。

16、可选地，通过所述等效电路模型解析电压成分包括：

17、；

18、其中，为第k个采样时刻的测量电压，为第k个采样时刻的开路电压，为第k个采样时刻的高频欧姆压降，为第k个采样时刻的高频传荷极化压降，为第k个采样时刻的低频扩散压降，

k为第k个采样时刻。

19、可选地，所述欧姆压降为：

20、；

21、其中，为第k个采样时刻的工况电流，k+1为第k+1个采样时刻，为欧姆极化内阻；

22、所述极化电压包括：高频传荷极化压降和低频扩散压降；表达式如下：

23、；

24、；

25、其中，为第k+1个采样时刻的高频传荷极化压降，为第k个采样时刻的高频传荷极化压降，为第k个采样时刻的极化电阻，为第k个采样时刻的极化电容，为相邻两个采样时刻之间的时间间隔，为第k+1个采样时刻的低频扩散压降，为第k个采样时刻的低频扩散压降，为第k个采样时刻的扩散极化内阻，为第k个采样时刻的扩散极化电容，e为自然指数；

26、所述开路电压为：

27、；

28、其中，为第k个采样时刻的开路电压，为开路电压变化过程中的稳态分量，为补偿电压。

29、可选地，所述伪开路电压为：

30、；

31、其中，为测量电压，为最高频分量，为次高频分量，为最低频变量，为一个单调或近似单调的信号，为伪开路电压。

32、可选地，所述lstm神经网络模型采用单层结构，每个lstm细胞包括三个用于信息控制的乘法门单元，即输入门ik、遗忘门fk、输出门ok。

33、可选地，进行模型训练包括：

34、利用伪开路电压与soc之间的强相关性，引导lstm神经网络模型学习soc映射关系，从而实现对soc的高精度回归预测。

35、本发明的有益效果为：

36、本发明基于特征提取与机理引导的估算思想，提出了一种伪开路电压引导长短期记忆网络的动力锂电池soc估算方法。该方法通过深入分析电池内部多时间尺度的电化学与物理过程，创新性地利用经验模态分解方法提取出与soc强相关的伪开路电压pocv。在此基础上，将pocv与实测电压、电流信号重构为具有明确物理意义的特征矩阵，借助pocv与soc之间的强相关性引导lstm神经网络建立更为精准的非线性映射关系，从而实现复杂动态条件下soc的高精度、鲁棒性估算。该方法无需额外传感器或复杂电池模型，仅通过机理指导下的信号分解与特征重构实现了特征增强。实验结果表明，本发明方法有效提升了soc估计精度，展现了其在实际应用中的可行性与优势。