一种基于长短时记忆网络的电池SOC预测方法与流程

一种基于长短时记忆网络的电池soc预测方法
技术领域
1.本发明涉及电池性能预测技术领域，特别涉及一种基于长短时记忆网络的电池soc预测方法。


背景技术：

2.锂离子电池作为一种新型的绿色能源，作为能源供给装置已经被广泛的应用到诸如手机，汽车等装置。然而，锂离子电池储能本身是一个复杂的化学反应过程，和传统的油车不同，它无法通过固定的油量来直接判断当前可用的能源量，而且电池循环使用过程中的不断充放电是一个非线性变化过程，无法直接使用简单的线性模型对荷电状态(soc,state of charge)进行估计。汽油搁置不用，油量不会损耗，但是对于锂电池来说，即便搁置不用，随着时间的推移，电池的可使用电量也会发生变化。
3.电池soc的估计方法可以分为两大类，分别是基于经验模型的方法和基于数据驱动的方法。基于经验模型的方法需要对电池的工况进行精准的建模，但是模型对实际工作状况建模是一个复杂的非线性问题，没有办法通过经验建模的方式来准确解决。而基于数据驱动的方法通过使用电池的相关数据参数，比如电压，内阻等，通过构建它们和电池soc的关系，建立一个非线性的模型来拟合这种复杂的非线性关系，这样的方式避免了对电池工况的单个建模，使得根据真实的数据能够适应于多种工况。然而现有的基于数据驱动的方法拟合能力差，需要使用拥有更强能力的非线性建模方法。
4.目前已有人提出一种基于循环神经网络的锂离子电池soc预测方法(专利申请公布号：cn 108519556 a)，该方法通过一种改进的循环神经网络-长短时记忆网络来进行soc的预测，实现了一种高精度的soc估计方法，但是由于直接采用长短时记忆网络的结构，无法充分捕捉电池内部的动态时序特性。


技术实现要素：

5.有鉴于此，本发明提出一种基于长短时记忆网络的电池soc预测方法，能够捕获电池soc预测时序，预测结果更加准确。
6.为实现上述目的，本发明基于长短时记忆网络的锂离子电池soc预测方法，
7.本发明的一种基于长短时记忆网络的电池soc预测方法，按照改造后的长短时记忆网络的结构，构建三层的径向基神经网络；随后下载nasa的电池数据集，根据电压、电流、温度以及时间组织从数据到soc的数据格式；然后随机初始化改进长短时记忆网络的参数；其次，将数据输入到构建好的长短时记忆网络当中，得到输出；再次，根据时序梯度下降法，更新相关参数；再次，确定模型参数，模型训练过程结束；最后，将测试数据输入到训练好的模型当中进行电池soc预测。
8.其中，改造后的长短时记忆网络的结构中，在构建模型完成之后，使用反向传播算法用来更新公式中的权重w
*
；所述公式如下：
9.f
t
＝σ(w
ft
·
x
t
w
fh
·ht-1
w
fc
·ct-1
bf)
10.i
t
＝σ(w
it
·
x
t
w
ih
·ht-1
w
ic
·ct-1
bi)
11.o
t
＝σ(w
ot
·
x
t
w
oh
·ht-1
w
oc
·ct-1
bo)
12.其中，w
**
代表模型的权重，b
*
代表偏置的权重,w
**
·
中的黑点代表矩阵和向量的乘法，*代表向量对应元素的乘积，x
t
表示当前步骤的输入，h
t-1
表示上一步骤的隐含状态，c
t-1
表示上一步骤的细胞状态，i
t
表示输入门，o
t
表示输出门，f
t
表示遗忘门；
13.通过权重更新过程，学习到soc预测的真实输出和输入数据之间的非线性关系，在权重确定之后，输入测试数据，获得测试电池的soc预测结果。
14.其中，构建三层的径向基神经网络具体步骤如下：首先，构建电池的外部特性参数到soc结果的对应关系，随后对数据进行归一化操作，最后通过确定滑窗的宽度来决定长短时记忆网络当中的时间长度。
15.其中，所述长短时记忆网络的输出代表指的是最终输出的soc预测结果，输入层代表电池的寿命预测相关数据参数，在组织数据输入的过程中，将多个时刻的soc预测结果拼接在一起当作长短时记忆网络的一个样本输入；电池外部参数组成一个维度为n的向量x，考虑时间窗口k，则整体输入一个模型的样本数是k
×
n，计算过程是k个x分开用，时间窗内的每一个输入用x
t
表示。
16.其中，在预测当前时刻soc的时候，综合考虑之前时刻的电池外部特性参数，预测当前时间t的soc时，考虑时刻t-(k-1)到t的电池外部特性参数。
17.有益效果
18.1、本发明按照改造后的长短时记忆网络的结构，构建三层的径向基神经网络；随后下载nasa的电池数据集，根据电压，电流，温度，时间等信息组织从数据到soc的数据格式；然后随机初始化改进长短时记忆网络的参数；其次，将数据输入到构建好的长短时记忆网络当中，得到输出；再次，根据时序梯度下降法，更新相关参数；再次，确定模型参数，模型训练过程结束；最后，将测试数据输入到训练好的模型当中便可以进行电池soc预测。
19.2、本发明对长短时记忆网络的结构进行了改造，通过权重更新过程，学习到soc预测的真实输出和输入数据之间的非线性关系，在权重确定之后，输入测试数据，获得测试电池的soc预测结果。
20.3、本发明基于新型长短时记忆网络来进行soc预测，具有捕获电池soc预测时序性的特点，从而预测结果更加准确；长短时记忆网络中，输入层代表电池的寿命预测相关数据参数，这些电池外部参数组成一个维度为n的向量x，即输入层的神经元的个数是n。加上考虑时间窗口k，则整体输入一个模型的样本数是k
×
n，但是计算过程是k个x分开用，时间窗内的每一个输入用x
t
表示。通过对原有的长短时记忆网络进行改造，设计了新的网络结构，在电池性能建模方面要比现有技术更加精确。
附图说明
21.图1为经典长短时记忆网络和本发明提供的改进的长短时记忆网络对比示意图。图中虚线代表本发明提出的用于捕捉电池内部充放电时序特性的连接结构。
具体实施方式
22.下面结合附图并举实施例，对本发明进行详细描述。
23.长短时记忆网络是一种能够捕捉数据不同时间步之间的序列信息的一种模型，经典长短时记忆网络(long short-time memory,lstm)的具体结构如图1所示，这是一个时间步的计算过程的示意图，每一个时间步的结构的输入包括当前步骤的输入x
t
，上一步骤的隐含状态h
t-1
和细胞状态c
t-1
，当前时间步的输出为当前时间步的细胞状态c
t
和隐含状态h
t
。当前步骤的输入x
t
和上一步骤的隐含状态h
t-1
可以决定输入门i
t
，输出门o
t
和遗忘门f
t
的大小。每个门的作用是控制信息的量，门的值的范围在0到1之间，0代表完全隔离信息，1代表完全接收信息，中间量表示允许一定量的信息通过某个门。当前步骤的输入x
t
和上一步骤的隐含状态h
t-1
首先经过一个非线性映射输出当前步骤的中间细胞和输入门i
t
相乘得到了当前步骤的输入量，与此同时，上一步骤的细胞状态c
t-1
和遗忘门f
t
相乘得到上一步骤遗忘之后的剩余量，两者相加得到了当前时间步输出的细胞状态c
t
,c
t
经过非线性映射后和输出门相乘得到当前步骤输出的隐含状态h
t
。具体的计算步骤如下：
24.f
t
＝σ(w
ft
·
x
t
w
fh
·ht-1
bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
25.i
t
＝σ(w
it
·
x
t
w
ih
·ht-1
bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
26.o
t
＝σ(w
ot
·
x
t
w
oh
·ht-1
bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0027][0028][0029]ht
＝o
t
*tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0030]
其中，w
**
代表模型的权重，b
*
代表偏置的权重,w
**
·
中的黑点代表矩阵和向量的乘法，*代表向量对应元素的乘积，tanh代表非线性映射：
[0031][0032]
通过时间步骤的推理，最终相关信息都被保存在h
t
当中，将h
t
再通过全连接层做一次映射就可以获得估计的soc输出值。
[0033]
在本发明中，对以上长短时记忆网络的结构进行了改造，具体地，对公式(1)、(2)和(3)进行选择性修正，得到：
[0034]ft
＝σ(w
ft
·
x
t
w
fh
·ht-1
w
fc
·ct-1
bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0035]it
＝σ(w
it
·
x
t
w
ih
·ht-1
w
ic
·ct-1
bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0036]ot
＝σ(w
ot
·
x
t
w
oh
·ht-1
w
oc
·ct-1
bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0037]
在构建模型完成之后，使用反向传播算法可以用来更新上述公式中的权重w
*
。通过上述权重更新过程，能够学习到soc预测的真实输出和输入数据之间的非线性关系，在权重确定之后，就可以输入测试数据，获得测试电池的soc预测结果。
[0038]
本发明的长短时记忆网络中，输入层代表电池的寿命预测相关数据参数，这些电池外部参数组成一个维度为n的向量x，即输入层的神经元的个数是n。加上考虑时间窗口k，则整体输入一个模型的样本数是k
×
n，但是计算过程是k个x分开用，时间窗内的每一个输入用x
t
表示。
[0039]
按照改造后的长短时记忆网络的结构，构建三层的径向基神经网络；随后下载nasa的电池数据集，根据电压，电流，温度，时间等信息组织从数据到soc的数据格式；然后随机初始化改进长短时记忆网络的参数；其次，将数据输入到构建好的长短时记忆网络当
中，得到输出；再次，根据时序梯度下降法，更新相关参数；再次，确定模型参数，模型训练过程结束；最后，将测试数据输入到训练好的模型当中便可以进行电池soc预测。
[0040]
本发明按照改造后的长短时记忆网络的结构，构建三层的径向基神经网络具体步骤如下：
[0041]
首先，构建电池的外部特性参数到soc结果的对应关系，随后对数据进行归一化操作，最后通过确定滑窗的宽度来决定长短时记忆网络当中的时间长度，即在预测当前时刻soc的时候，综合考虑之前时刻的电池外部特性参数，假设时间窗口的宽度为k，则说明预测当前时间t的soc时，要考虑时刻t-(k-1)到t的电池外部特性参数。具体的讲，比如时间窗口k是2，也就是要考虑t-1和t两个时刻的电池外部参数来进行电池soc的预测。具体地，本发明基于长短时记忆网络的电池soc预测方法，所用的改进的长短时记忆网络连接结构如图1虚线所示，包括有改进的长短时记忆网络中的连接以及之间通过训练得到的权重，还包括利用该权重进行电池soc预测。所述长短时记忆网络的输出代表指的是最终输出的soc预测结果，在组织数据输入的过程中，将多个时刻的soc预测结果拼接在一起当作长短时记忆网络的一个样本输入。
[0042]
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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。