一种基于可解释神经网络的锂离子电池荷电状态估算方法

本发明涉及一种变温况下锂离子电池荷电状态的在线估计方法。

背景技术：

1、电池荷电状态（state of charge, soc）是电池管理系统（battery managementsystem, bms）中最关键的状态参数，精确估计soc是bms实现能量管理、安全保护和均衡控制的核心与基础。当前，主流的soc估计技术主要分为基于模型的方法和数据驱动的方法，但这两类方法均存在固有的技术瓶颈，制约了其在复杂工况下的应用效果。

2、首先，以扩展卡尔曼滤波（extended kalman filter, ekf）为代表的传统基于模型的方法存在其局限性。这类方法的核心在于构建精确的电池等效电路模型，并依赖于离线标定的开路电压（open circuit voltage, ocv）与soc的静态映射关系（即ocv-soc查表）作为观测方程。然而，锂离子电池是一个时变、非线性的复杂电化学系统。在实际应用中，特别是在低温环境、高倍率充放电或动态工况下，电池内部会出现显著的“路径效应”和迟滞现象。此时，电池的真实动态ocv与基于静态查表获得的ocv值之间存在巨大偏差，导致ekf算法的观测方程严重失准。这种失配会进一步造成滤波发散或引入难以消除的稳态误差，使得传统基于模型的方法在应对复杂、极端工况时，其soc估计精度和鲁棒性面临严峻挑战。

3、其次，近年来兴起的以长短期记忆网络（long short-term memory, lstm）

4、和transformer为代表的深度学习模型，凭借其强大的非线性拟合能力，为soc估计提供了新的思路。然而，这类数据驱动方法存在下述缺陷：

5、1.数据依赖性强与小样本问题

6、深度学习模型的性能高度依赖于训练数据的完备性，通常需要覆盖电池全生命周期（不同老化状态）、全温度范围和全工况类型的海量带标签数据进行监督学习。对于新研发的电池体系，或是应用于如水下航行器、高海拔无人机等复杂、多变且难以进行全工况数据采集或模拟的特殊场景时，面临着典型的小样本问题。由于无法获取充足、有效的训练数据，这类模型的泛化能力将大打折扣，难以直接应用于实际工程。

7、2. “黑箱”特性与可解释性差

8、现有的端到端网络直接将电流、电压、温度等外部特性量映射为soc输出，

9、是一个典型的“黑箱”模型。当模型在未见的极端工况下估计失效时，由于其内部结构和决策过程的不透明性，无法追溯是哪个输入特征或网络层引发了错误，也无法判断模型究竟是学习到了电池内部的真实物理化学规律，还是仅仅过度拟合了训练数据中的噪声或特定模式。这种可解释性的缺失，使得模型的行为难以被理解和信任，在进行安全性分析和故障诊断时缺乏理论依据，极大地阻碍了其在功能安全等级要求严苛的bms领域的实际部署。

10、上述缺陷导致现有的数据驱动方法难以在高安全要求的bms中应用。

技术实现思路

1、为了解决解决现有数据驱动方法因存在数据依赖性强、“黑箱”特性与可解释性差，而难以在高安全要求的bms中应用的技术问题，本发明提出了一种基于可解释神经网络的锂离子电池荷电状态估算方法。

2、本发明的技术方案是：

3、一种基于可解释神经网络的锂离子电池荷电状态估算方法，其特殊之处在于，包括步骤：

4、步骤1，获取不同温度、不同工况下目标锂离子电池的电流、端电压、温度、soc参考真值，以及常温下的soc-ocv曲线及其导函数曲线；

5、步骤2，建立目标锂离子电池的二阶戴维南等效电路模型；

6、步骤3，通过在线参数辨识获取所述二阶戴维南等效电路模型在步骤1中所述的不同温度、不同工况下各个时刻的电路参数；

7、步骤4，对步骤1采集的电流和温度进行归一化处理；

8、步骤4也可在步骤1之后、步骤2/步骤3之前进行；

9、步骤5，构建并训练神经网络-可微扩展卡尔曼滤波器联合soc估计模型：

10、利用步骤1获取的电流、端电压、电池温度、soc参考真值，以及步骤3获取的二阶戴维南等效电路模型的电路参数构成数据集，将该数据集划分为训练集和测试集；其中，将soc参考真值作为标签；

11、神经网络-可微扩展卡尔曼滤波器联合soc估计模型由神经网络和可微扩展卡尔曼滤波器组成，可微扩展卡尔曼滤波器用于根据二阶戴维南等效电路模型的电路参数、神经网络输出的开路电压偏移修正因子与soc-ocv曲线导函数修正因子、归一化之前的电流和端电压估计目标锂离子电池的soc值；神经网络为可学习部分，用于根据上一时刻的soc估计值、可微扩展卡尔曼滤波器递推得到的上一时刻归一化后的端电压残差，以及当前时刻归一化后的电流与温度，得到并输出开路电压偏移修正因子与soc-ocv曲线导函数修正因子，该修正因子用于对可微扩展卡尔曼滤波器进行目标锂离子电池soc估计时使用的观测矩阵及其雅可比矩阵进行修正；可微扩展卡尔曼滤波器的迭代过程由深度学习计算框架实现；

12、利用训练集和测试集分别对神经网络-可微扩展卡尔曼滤波器联合soc估计模型进行训练和测试；在训练过程中，通过huberloss损失函数反向传播更新神经网络网络参数；

13、步骤6，soc在线估计：

14、将步骤5训练好的神经网络-可微扩展卡尔曼滤波器联合soc估计模型实际部署，设置目标锂离子电池的soc初始值和端电压残差初始值，然后实时获取目标锂离子电池在使用过程中的电流、温度和端电压，并采用步骤3的方法实时辨识目标锂离子电池的二阶戴维南等效电路模型的电路参数，将实时获取的电流、温度、端电压和辨识的电路参数一起输入到训练好的神经网络-可微扩展卡尔曼滤波器联合soc估计模型中，神经网络-可微扩展卡尔曼滤波器联合soc估计模型输出目标锂离子电池的soc值。

15、进一步地，步骤3中的方法具体为：先建立目标锂离子电池的参数估计模型，再设计并利用自适应卡尔曼滤波器对所述参数估计模型迭代求解，获取不同温度、不同工况下各采样时刻的参数向量的估计值，从该参数向量的估计值中提取二阶戴维南等效电路模型的电路参数；所述参数向量定义为，其中，、、、、为与步骤2建立的二阶戴维南等效电路模型的电路参数和采样间隔相关的组合系数，为采样时刻时目标锂离子电池的开路电压。

16、进一步地，步骤3在线参数辨识采用的自适应卡尔曼滤波器为有遗忘因子的自适应卡尔曼滤波器。

17、进一步地，步骤5中所述的神经网络为gru网络、rnn网络或lstm网络。

18、进一步地，步骤5中所述的深度学习计算框架为pytorch；步骤5中可微扩展卡尔曼滤波器递推时使用的观测矩阵及其雅可比矩阵由目标锂离子电池的状态估计模型中的观测方程确定；通过可微扩展卡尔曼滤波器对状态估计模型迭代求解，能得到不同温度、不同工况下各时刻的状态向量的估计值，从该状态向量的估计值中能提取目标锂离子电池的soc估计值；所述状态向量定义为，z为目标锂离子电池的soc值，与分别为目标锂离子电池的二阶戴维南等效电路模型中第一rc并联回路与第二rc并联回路两端的电压。

19、进一步地，步骤5在模型训练时，采用截断反向传播策略：以设定数量个时间步为窗口长度，将超长工况序列切分为多个短时间窗口，使得在前向传播时，可微扩展卡尔曼滤波器的协方差矩阵、状态向量的后验状态与神经网络的隐状态在各个短时间窗口间连续传递；在反向传播过程中，仅在当前短时间窗口内部传播梯度，并在当前短时间窗口的边界处截断梯度传递。

20、进一步地，步骤5中所述的huberloss损失函数基于soc真实值和估计值设计，表达式为：

21、

22、式中，为预设阈值，取值为0.05-0.1。

23、进一步地，步骤5中所述的神经网络为gru网络，包括级联的gru层、全连接层和激活函数层。

24、相较于现有技术，本发明的有益效果是：

25、1.本发明显著提升了rnn、gru、lstm等神经网络在电池状态估计中的可解释性。

26、现有端到端神经网络通常以“黑箱”形式直接输出soc，缺乏中间过程的透明度。本发明通过解耦网络输出，将其设计为具有明确物理语义的开路电压偏差修正因子与soc-ocv曲线导函数修正因子，直观反映了锂离子电池因迟滞效应、极化累积或零点漂移引起的电压偏差与电池因温度改变或soh衰退导致的ocv曲线斜率畸变。这种设计使得工程人员能够通过监控这两个修正因子，直接诊断电池内部的电化学状态，极大地增强了算法在实际应用中的可信度与故障溯源能力。

27、2.本发明实现了小样本条件下优异的跨工况与跨温域泛化能力。

28、本发明构建的神经网络-可微扩展卡尔曼滤波器联合soc估计模型保留了等效电路模型和卡尔曼滤波的物理骨架，神经网络仅作为非线性修正模块存在。这种“灰箱”结构显著降低了神经网络对训练数据的依赖程度，克服了纯数据驱动模型在小样本数据下易过拟合的缺陷。

29、3.本发明实现了基于任务目标的端到端全局参数寻优。

30、本发明在深度学习计算框架内实现了扩展卡尔曼滤波器的完全可微分化。这意味着损失函数梯度的反向传播不再受限于局部模块，而是可以穿透整个滤波迭代过程。神经网络权重的更新直接由最终的soc估计精度（mse loss）驱动，而非仅仅拟合中间电压变量。这种端到端的优化方式，使得神经网络能够自适应地学习如何配合卡尔曼增益进行最优修正，从而实现了系统整体性能的最优化。

31、综上所述，本发明是一种在小样本数据条件下，利用神经网络修正开路电压非线性畸变，并结合可微扩展卡尔曼滤波实现跨温度及跨工况的高可解释性、高精度、高鲁棒性soc估计方法。

32、4.本发明在锂离子电池的二阶戴维南等效电路模型的参数辨识时，采用物理模型→拉普拉斯域传递函数→z域传递函数→最小二乘形式的传递函数的技术路线，具有的优点是：首先在拉普拉斯域建立锂离子电池的传递函数模型，该传递函数模型能够清晰表达锂离子电池不同时间尺度的极化过程（电化学极化和浓差极化），具有明确的物理意义。随后，通过双线性变换将拉普拉斯域的传递函数模型离散化至z域，再转化为最小二乘形式（本质为时域差分方程），以便于在bms微处理器中实现递推计算。该技术路线既保证了传递函数模型的物理可解释性，又兼顾了传递函数模型的精度和实时计算的需求。