一种基于时滞卷积神经网络的锂离子电池SOC估计方法

一种基于时滞卷积神经网络的锂离子电池soc估计方法
技术领域
1.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：

2.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系统或设备(如电动汽车、无人机和手机)剩余的“燃料”量。
3.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。
4.如何解决上述技术问题为本发明面临的课题。


技术实现要素：

5.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。
6.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：
7.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；
8.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；
9.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。
10.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：
11.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。
12.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：
[0013][0014]
其中，x
ij
表示输入数据集中第i个循环的第j个数据，x
ij
对应的输出为t
i_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。
[0015]
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。
[0016]
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。
[0017]
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：
[0018]
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)；
[0019]
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x
i-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。
[0020]
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。
[0021]
与现有技术相比，本发明的有益效果为：
[0022]
(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。
[0023]
(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。
[0024]
(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
[0025]
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。
[0026]
图1为本发明的时滞卷积神经网络框架。
[0027]
图2为本发明的时滞卷积操作示意图。
[0028]
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
[0029]
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。
[0030]
实施例1
[0031]
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。
[0032]
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：
[0033]
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；
[0034]
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；
[0035]
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。
[0036]
优选地，所述步骤2)具体包括如下步骤：
[0037]
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。
[0038]
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：
[0039][0040]
其中，x
ij
表示输入数据集中第i个循环的第j个数据，x
ij
对应的输出为t
i_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。
[0041]
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；
[0042]
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。
[0043]
优选地，所述步骤3)具体包含如下步骤：
[0044]
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 connected layer)和一个输出层(output)；
[0045]
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x
ij
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x
i-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。
[0046]
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。
[0047]
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。
[0048]
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。
[0049]
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。
[0050]
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。