CN108519556A - 一种基于循环神经网络的锂离子电池soc预测方法 - Google Patents

Abstract

本发明涉及本发明公开了一种基于循环神经网络的锂离子电池SOC预测方法，属于电动汽车电池管理系统领域，本发明首先通过滑动窗口算法改进通过数次试验得到的电池外部参数数据以及此时对应的SOC值共同组成的数据集，然后通过改进的循环神经网络即长短时记忆网络方法建立动力电池SOC估算模型，通过试验反复验证得到网络层函数以及梯度调整方法，最后通过设置不同的学习率验证模型的预测结果。本发明可以准确的预测下一时刻SOC值，并且预测精度高，训练时长较短，成本低，可广泛应用于电动汽车动力电池上的电池管理系统当中。

Description

一种基于循环神经网络的锂离子电池SOC预测方法

技术领域

本发明属于电动汽车电池管理系统领域，涉及一种基于循环神经网络的锂离子电池SOC预测方法。

背景技术

当今社会能源问题日益严重，电动汽车以其节能清洁等优势逐渐成为行业主流，而其中的重要部分之一就是电池管理系统(BMS)。电动汽车上一个完整的电池组包含大量的单体电池，每个电池单体又会影响电池组的系统特性。如何准确了解电池当前状态、掌握系统的应用特性，并将其应用于系统的运行维护、管理控制、规划设计等已成为系统的一项重要研究内容。电池当前剩余容量反映了单体性能，与系统荷电状态(SOC)关系密切。准确估计SOC对平衡单体电池之间的差异、优化电池的充放电策略、防止电池使用过热及防止过充、过放等有着重要的意义。

国内外估算SOC的方法常见的有安时积分法、开路电压法、阻抗估算法以及卡尔曼滤波等。安时积分法随着时间延长会产生累计误差，开路电压法无法实现实时估计；开路电压法测试简单直接，但是只能在试验室条件下进行；卡尔曼滤波法虽然适应性好，精度较高，但是受制于模型的本身。由于蓄电池是一个复杂的非线性系统，对起充放电过程中建立准确的数学模型难度较大。

发明内容

有鉴于此，本发明的目的在于提供一种基于循环神经网络的锂离子电池SOC预测方法，通过改善神经网络梯度消失问题，提供一种更加方便、准确率高的预测方法，解决了在电动汽车长期运行中无法准确依据时间进度预测SOC值的问题，保障了整个行车过程中的安全。

为达到上述目的，本发明提供如下技术方案：

一种基于循环神经网络的锂离子电池SOC预测方法，该方法包含如下步骤：

S1：对锂离子电池进行多次循环充放电试验，采集每次循环过程中每个时刻的锂离子电池运行过程的特征参数，并计算每时刻锂离子电池的荷电状态(State Of ChargeSOC)；

S2：将电池的外部特性参数作为长短时记忆模型(Long Short-Term MemoryLSTM)网络结构的输入，并将锂离子电池的SOC作为网络结构的输出；

S3：对采集的输入数据进行预处理，删除冗余数据，并对输入数据做归一化处理；

S4：利用滑动窗口算法将多元时间序列问题转化为监督学习问题，将电池的充放电状态作为输入的标签量，建立输入数据序列；

S5：根据输入输出特性建立全连接的LSTM网络结构，确定隐含层节点数，将预处理过后的电池外部特性数据输入到初始化后的LSTM网络结构中，正向传递训练网络，并根据真实SOC值反向传播调整网络参数和偏差值，从而确定最终适用于预测准确SOC值的LSTM网络结构；

S6：将测试样本输入训练好的LSTM网络结构进行检验，计算预测误差。

进一步，步骤S1中所述特征参数包含电池电流I、电压V、内阻R、温度T、功率P以及电池容量Q。

进一步，步骤S3包含如下步骤：

S31：进行数据清洗，将数据的日期时间信息整合为一个时间日期；

S32：删除重复冗余数据，对于数据中出现的分散的NA值用0值标记；

S33：将数据转置成新的数据集，并进行归一化处理。

进一步，所述步骤S4中利用滑动窗口算法将多元时间序列问题转化为监督学习问题具体为，使用以前的时间序列为输入变量，并使用该序列的下一时间序列作为输出变量，重构数据使其转变为监督学习问题。

进一步，步骤S5中所建立的全连接的LSTM网络结构的内部单元间满足：

i_t＝g(W_xix_t+W_hih_t-1+b_i)

f_t＝g(W_xfx_t+W_hfh_t-1+b_f)

o_t＝g(W_xox_t+W_hoh_t-1+b_o)

在一个LSTM模块中包含三个门以及记忆单元Cell，三个门分别为输入门，输出门和遗忘门，每个门的输入分别包括该LSTM模块此时刻的输入值x_t和该LSTM模块上一时刻的输出值h_t-1，上式中i_t表示输入门输出，f_t表示遗忘门输出值，o_t表示输出门输出值，g表示该LSTM模块激活函数，W_xi、W_xf、W_xo分别表示三个门输入x_t的权重矩阵，W_hi、W_hf、W_ho分别表示三个门输入h_t-1的权重矩阵，b_i、b_f、b_o分别表示三个门经激活函数前包含的偏置项；

输入单元变换为：

c_in_t＝tanh(W_xcx_t+W_hch_t-1+b_{c_in})

其中，c_in_t表示记忆单元Cell的总输入值，该单元的输入同上三个门一致，包含x_t和h_t-1，W_xc、W_hc分别表示记忆单元Cell输入x_t和h_t-1的权重矩阵，b_{i_cn}表示记忆单元Cell经激活函数前包含的偏置项；

状态更新后单元为：

c_t＝f_t·c_t-1+i_t·c_in_t

h_t＝o_t·tanh(c_t)

其中，c_t-1表示上一时刻记忆单元Cell的输出值。

进一步，所述LSTM网络结构的动态行为满足：

其中，F表示SOC预测算法，V(t)表示当前电压值，V(t-1)、V(t-2)表示过去t-1、t-2时刻的电压值，I(t)表示当前电流值，I(t-1)、I(t-2)表示过去t-1、t-2时刻的电流值，T(t)表示当前时刻的温度值，SOC(t)表示当前荷电状态估测值，SOC(t-1)、SOC(t-2)表示过去t-1、t-2时刻的荷电状态估测值。

进一步，步骤S5中所建立的全连接的LSTM网络结构为：

输入层节点数量为5，隐含层节点数量为50，输出层节点数量为1，采用平均绝对误差(MAE)作为损失函数，正切函数(than)作为激活函数，所述平均绝对误差满足：

其中，n表示数据量总数，p_i表示算法的预测值，y_i表示真实值。

进一步，步骤S6具体为：将预测的数据集与测试集相结合，并反演缩放，用预测的数据集的SOC值来反演测试集的缩放，使用预测值与真实值，计算LSTM网络结构的误差分数及其与变量本身相同单位产生误差的均方根误差：

其中，RMSE表示均方根误差。

本发明的有益效果在于：本发明利用神经网络强大的学习能力，避免了电池建模以及电池参数方面的精确确定，更好的模拟出了电池内部复杂的非线性特性，同时与其他网络相比，更好的利用了LSTM网络在处理长时间序列上的优良表现成功预测出电池在充放电过程中的SOC值精准走向，在提高了预测精度的同时保证了网络的强泛化能力以及较快的收敛速度。本发明可以广泛的应用在电动汽车行驶电池管理系统的SOC值预测。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为获取电池外部特性完整充放电过程；

图2为基于长短时记忆模型的电池SOC预测流程图；

图3为本发明应用于SOC估算的LSTM网络单元结构图；

图4为本发明结合LSTM网络具体SOC估算方法；

图5为训练次数与训练误差和检验误差的关系；

图6为真实值与预测值的对比预测误差。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本发明为一种基于循环神经网络的电池SOC预测方法。包括以下步骤：

步骤1：对锂离子电池进行多次循环充放电试验，测得每次循环过程中每个时刻的电池电流I、电压V、内阻R、温度T、功率P以及此时刻电池容量Q等电池运行过程特征参数；根据此时刻电池的实际容量除以额定容量得到每时刻锂离子电池的荷电状态值SOC。

步骤2：将电池的外部特性参数作为改进后的循环神经网络，即长短时记忆模型LSTM网络结构的输入，并将锂离子电池的SOC作为网络结构的输出。

步骤3：对采集的输入数据进行预处理，删除冗余数据并为了下一步模型更好的训练进行数据归一化处理。

步骤4：利用滑动窗口算法将多元时间序列问题转化为监督学习问题，将电池的充放电状态作为输入的标签量，建立更易于模型学习的输入数据序列。

步骤5：根据输入输出特性建立全连接的LSTM网络结构，确定隐含层节点数；将预处理过后的电池外部特性数据输入到初始化后的LSTM网络结构中，正向传递训练网络，并根据真实SOC值反向传播调整网络参数和偏差值，以此确定最终的适用于预测准确SOC值的LSTM网络结构；

步骤6：将测试样本输入训练好的神经网络进行检验，计算预测误差。

步骤3中数据预处理的方法如下：

首先进行数据清洗，第一步将日期时间信息整合为一个日期时间，便于可以将其用作Pandas的索引。其次是删除重复冗余数据，对于数据集中出现的分散的NA值用0值标记它们。转置成为新的数据集后对输入变量进行归一化处理。

步骤4中具体操作如下：

监督学习算法可以在知道准确真实值的情况下迭代地对训练数据进行预测，并通过更新进行校正。当算法达到可接受的性能水平时，学习停止。本发明中利用滑动窗口算法将时间序列数据表达为监督学习，即给定一个时间序列数据集的数字序列，通过使用以前的时间步骤作为输入变量，并使用下一时间步骤作为输出变量，如此重构数据使其转变成为一个监督学习问题。

步骤5中建立的LSTM网络结构如下：

LSTM内部单元间存在下列关系：

i_t＝g(W_xix_t+W_hih_t-1+b_i)

f_t＝g(W_xfx_t+W_hfh_t-1+b_f)

o_t＝g(W_xox_t+W_hoh_t-1+bo)

在一个LSTM模块中包含三个门以及记忆单元Cell，三个门分别为输入门，输出门和遗忘门，每个门的输入分别包括该LSTM模块此时刻的输入值x_t和该LSTM模块上一时刻的输出值h_t-1，上式中i_t表示输入门输出，f_t表示遗忘门输出值，o_t表示输出门输出值，g表示该LSTM模块激活函数，W_xi、W_xf、W_xo分别表示三个门输入x_t的权重矩阵，W_hi、W_hf、W_ho分别表示三个门输入h_t-1的权重矩阵，b_i、b_f、b_o分别表示三个门经激活函数前包含的偏置项；

输入单元变换为：

c_in_t＝tanh(W_xcx_t+W_hch_t-1+b_{c_in})

其中，c_in_t表示记忆单元Cell的总输入值，该单元的输入同上述三个门一致，包含x_t和h_t-1，W_xc、W_hc分别表示记忆单元Cell输入x_t和h_t-1的权重矩阵，b_{i_cn}表示记忆单元Cell经激活函数前包含的偏置项；

状态更新后单元为：

c_t＝f_t·c_t-1+i_t·c_in_t

h_t＝o_t·tanh(c_t)

其中，c_t-1表示上一时刻记忆单元Cell的输出值。

为了加快对网络结构的训练，本发明将整个数据集的五分之一来拟合网络结构即训练集，然后对剩下的数据进行评估，即测试集。然后将训练集和测试集分为输入与输出变量，最后，将输入X重构为LSTM预期的3D格式，即样本、时间步长与特征。

结合本发明提出的SOC估算问题，LSTM网络结构估算SOC方法的过程如下：

1、此网络结构的输入如下：

(1)当前和过去的输入值：V(t)，V(t-1)，V(t-2)，I(t)，I(t-1)，I(t-2)和T、P、R。其中，V(t)，I(t)和T(t)等均由网络外部传感器的外部输入，并且在外部存储器中存储上一时刻的延迟值。

(2)对应于每个网络的输出的延迟值：SOC估计器的SOC(t)，SOC(t-1)和SOC(t-2)和SOC的估测值。

因此，网络的输出SOC(t+1)始终比所有输入先行一步。每个网络结构的动态行为可以用公式表示：

2、分析了电池动态工况试验数据，确定了5个SOC影响因素，则LSTM输入层节点数为5个，隐含层节点数定为50个，输出层节点数为1个。采用平均绝对误差(MAE)作为损失函数，正切函数(than)作为激活函数。仿真训练次数epoch设置为200次，设置不同的学习效率α＝0.05和α＝0.005来验证网络结构的有效性。为了保证达到这个训练次数，将目标误差设置为0，防止因为达到训练目标误差而提前退出训练。

其中平均绝对误差公式为：

其中，上式y表示真实值，p表示网络结构预测值。

步骤6中对神经网络进行检验的方法如下：

将预测的数据集与测试集相结合，并反演缩放，用预测的SOC值来反演测试数据集的缩放，并且使用预测值与真实值，计算网络结构的误差分数，及其与变量本身相同单位产生误差的均方根误差RMSE。

其中均方根误差RMSE公式如下：

具体实施例：

图1为采集试验数据进行的完整充放电试验，针对试验锂离子电池设置不同特定条件，诸如恒流充电、恒流放电以及恒温测电阻等条件下进行复合脉冲功率试验(HPPCTest)设计试验方案。考虑到充放电方向不同对应的电池参数不同，对原有好HPPC循环试验进行了改进。对满充的电池进行五十分钟左右恒流放电，然后静置电池15分钟等其各参数趋于稳定，再进行五十分钟左右恒流充电，再静置电池15分钟，如此进行4遍为一次完整充放电试验。

图2为本发明提供的一种基于长短时记忆模型的锂离子电池SOC预测放电流程图，结合该图，具体步骤如下：

步骤1：首先进行数据清洗，第一步将日期时间信息整合为一个日期时间，以便将其用作Pandas的索引。其次是删除重复冗余数据，对于数据集中出现的分散的NA值用0值标记。转置成为新的数据集后对输入变量进行归一化处理。

步骤2：监督学习算法可以在知道准确真实值的情况下迭代地对训练数据进行预测，并通过更新进行校正。当算法达到可接受的性能水平时，学习停止。本发明中利用滑动窗口算法将时间序列数据表达为监督学习，即给定一个时间序列数据集的数字序列，通过使用以前的时间步骤作为输入变量，并使用下一时间步骤作为输出变量，如此重构数据使其转变成为一个监督学习问题。

步骤3：为了加快对模型的训练，本发明将整个数据集的五分之一来拟合模型即训练集，然后对剩下的数据进行评估，即测试集。然后将训练集和测试集分为输入与输出变量，最后，将输入X重构为LSTM预期的3D格式，即样本、时间步长与特征。

其中结合图3的LSTM网络结构如下，LSTM内部单元间存在下列关系：

i_t＝g(W_xix_t+W_hih_t-1+b_i)

f_t＝g(W_xfx_t+W_hfh_t-1+b_f)

o_t＝g(W_xox_t+W_hoh_t-1+b_o)

输入单元变换为：

c_in_t＝tanh(W_xcx_t+W_hch_t-1+b_{c_in})

状态更新后的单元为：

c_t＝f_t·c_t-1+i_t·c_in_t

h_t＝o_t·tanh(c_t)

结合图4的SOC估算具体讲解LSTM模型估算SOC方法的输入与输出。

本发明LSTM网络结构的输入如下：

(1)当前和过去的输入值：V(t)，V(t-1)，V(t-2)，I(t)，I(t-1)，I(t-2)和T、P、R。其中，V(t)，I(t)和T(t)等均由网络外部传感器的外部输入，并且在外部存储器中存储上一时刻的延迟值。

(2)对应于每个网络的输出的延迟值：SOC估计器的SOC(t)，SOC(t-1)和SOC(t-2)和SOC的估测值。

因此，网络的输出SOC(t+1)始终比所有输入先行一步。每个网络结构的动态行为可以用公式表示：

步骤4：分析了电池动态工况试验数据，确定了5个SOC影响因素，则LSTM输入层节点数为5个，隐含层节点数定为50个，输出层节点数为1个。采用平均绝对误差(MAE)作为损失函数，正切函数(than)作为激活函数。仿真训练次数epoch设置为200次，设置不同的学习效率α＝0.05和α＝0.005来验证模型的有效性。为了保证达到这个训练次数，将目标误差设置为0，防止因为达到训练目标误差而提前退出训练。

步骤5：将预测的数据集与测试集相结合，并反演缩放，用预测的SOC值来反演测试数据集的缩放，并且使用预测值与真实值，计算模型的误差分数，及其与变量本身相同单位产生误差的均方根误差RMSE。

其中均方根误差RMSE公式如下：

图5为训练200次过后的训练结果，可以看出训练误差和检验误差稍有振荡，随着训练次数的增多训练误差与检验误差达到相对稳定保持在较低水平，图6为预测值与真实值对比所得的预测误差。训练初期出现较大振荡，总体范围保持在-0.025～0.015，因此模型预测精度较高。

表1显示了LSTM和BP在多方面的一个对比展示，

表1 LSTM和BP的对比展示

预测模型	网络输入/个	计算时间/s	均方根误差/％
				BP	8	12	0.237
LSTM	5	6	0.095

从表1可以看出，相比较与BP神经网络，LSTM网络结构减少了两个输入量，神经网络结构简化，进而减少了网络的计算时间，提高了预测精度。

最后说明的是，以上优选实施例仅用以说明发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (8)

1.一种基于循环神经网络的锂离子电池SOC预测方法，其特征在于：该方法包含如下步骤：

S1：对锂离子电池进行多次循环充放电试验，采集每次循环过程中每个时刻的锂离子电池运行过程的特征参数，并计算每时刻锂离子电池的荷电状态(State Of Charge SOC)；

S2：将电池的外部特性参数作为长短时记忆模型(Long Short-Term Memory LSTM)网络结构的输入，并将锂离子电池的SOC作为网络结构的输出；

S3：对采集的输入数据进行预处理，删除冗余数据，并对输入数据做归一化处理；

S4：利用滑动窗口算法将多元时间序列问题转化为监督学习问题，将电池的充放电状态作为输入的标签量，建立输入数据序列；

S5：根据输入输出特性建立全连接的LSTM网络结构，确定隐含层节点数，将预处理过后的电池外部特性数据输入到初始化后的LSTM网络结构中，正向传递训练网络，并根据真实SOC值反向传播调整网络参数和偏差值，从而确定最终适用于预测准确SOC值的LSTM网络结构；

S6：将测试样本输入训练好的LSTM网络结构进行检验，计算预测误差。

2.根据权利要求1所述的一种基于循环神经网络的锂离子电池SOC预测方法，其特征在于：步骤S1中所述特征参数包含电池电流I、电压V、内阻R、温度T、功率P以及电池容量Q。

3.根据权利要求2所述的一种基于循环神经网络的锂离子电池SOC预测方法，其特征在于：步骤S3包含如下步骤：

S31：进行数据清洗，将数据的日期时间信息整合为一个时间日期；

S32：删除重复冗余数据，对于数据中出现的分散的NA值用0值标记；

S33：将数据转置成新的数据集，并进行归一化处理。

4.根据权利要求3所述的一种基于循环神经网络的锂离子电池SOC预测方法，其特征在于：所述步骤S4中利用滑动窗口算法将多元时间序列问题转化为监督学习问题具体为，使用以前的时间序列为输入变量，并使用该序列的下一时间序列作为输出变量，重构数据使其转变为监督学习问题。

5.根据权利要求4所述的一种基于循环神经网络的锂离子电池SOC预测方法，其特征在于：步骤S5中所建立的全连接的LSTM网络结构的内部单元间满足：

i_t＝g(W_xix_t+W_hih_t-1+b_i)

f_t＝g(W_xfx_t+W_hfh_t-1+b_f)

o_t＝g(W_xox_t+W_hoh_t-1+b_o)

在一个LSTM模块中包含三个门以及记忆单元Cell，三个门分别为输入门，输出门和遗忘门，每个门的输入分别包括该LSTM模块此时刻的输入值x_t和该LSTM模块上一时刻的输出值h_t-1，上式中i_t表示输入门输出，f_t表示遗忘门输出值，o_t表示输出门输出值，g表示该LSTM模块激活函数，W_xi、W_xf、W_xo分别表示三个门输入x_t的权重矩阵，W_hi、W_hf、W_ho分别表示三个门输入h_t-1的权重矩阵，b_i、b_f、b_o分别表示三个门经激活函数前包含的偏置项；

输入单元变换为：

c_in_t＝tanh(W_xcx_t+W_hch_t-1+b_{c_in})

其中，c_in_t表示记忆单元Cell的总输入值，该单元的输入同上三个门一致，包含x_t和h_t-1，W_xc、W_hc分别表示记忆单元Cell输入x_t和h_t-1的权重矩阵，b_{i_cn}表示记忆单元Cell经激活函数前包含的偏置项；

状态更新后单元为：

c_t＝f_t·c_t-1+i_t·c_in_t

h_t＝o_t·tanh(c_t)

其中，c_t-1表示上一时刻记忆单元Cell的输出值。

6.根据权利要求5所述的一种基于循环神经网络的锂离子电池SOC预测方法，其特征在于：所述LSTM网络结构的动态行为满足：

其中，F表示SOC预测算法，V(t)表示当前电压值，V(t-1)、V(t-2)表示过去t-1、t-2时刻的电压值，I(t)表示当前电流值，I(t-1)、I(t-2)表示过去t-1、t-2时刻的电流值，T(t)表示当前时刻的温度值，SOC(t)表示当前荷电状态估测值，SOC(t-1)、SOC(t-2)表示过去t-1、t-2时刻的荷电状态估测值。

7.根据权利要求6所述的一种基于循环神经网络的锂离子电池SOC预测方法，其特征在于：步骤S5中所建立的全连接的LSTM网络结构为：

输入层节点数量为5，隐含层节点数量为50，输出层节点数量为1，采用平均绝对误差(MAE)作为损失函数，正切函数(than)作为激活函数，所述平均绝对误差满足：

其中，n表示数据量总数，p_i表示算法的预测值，y_i表示真实值。

8.根据权利要求7所述的一种基于循环神经网络的锂离子电池SOC预测方法，其特征在于：步骤S6具体为：将预测的数据集与测试集相结合，并反演缩放，用预测的数据集的SOC值来反演测试集的缩放，使用预测值与真实值，计算LSTM网络结构的误差分数及其与变量本身相同单位产生误差的均方根误差：

其中，RMSE表示均方根误差。