CN109459699A - 一种锂离子动力电池soc实时监测方法 - Google Patents
一种锂离子动力电池soc实时监测方法 Download PDFInfo
- Publication number
- CN109459699A CN109459699A CN201811594692.1A CN201811594692A CN109459699A CN 109459699 A CN109459699 A CN 109459699A CN 201811594692 A CN201811594692 A CN 201811594692A CN 109459699 A CN109459699 A CN 109459699A
- Authority
- CN
- China
- Prior art keywords
- time
- operating
- lstm
- battery
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种锂离子动力电池SOC实时监测方法,包括以下步骤:在随机温度,随机电流下对单节锂电池进行循环充放电实验,记录下工作温度,工作电流,工作时长以及工作电压;利用tensorflow框架,搭建起长短时记忆循环神经网络;训练多个LSTM模型,对其结果进行加权求和,并利用全连接神经网络进行权重优化,得到最佳权重组合;用测试集实验数据检验上述训练得到的模型,评估模型性能。本发明的优点在于:1.准确的评估电池,误差小。2.具有极佳的实时性,数据处理时间小于10‑5s。3.对各种复杂组合工况都具有良好的适应性。
Description
技术领域
本发明涉及锂离子动力电池监测技术领域,特别涉及一种基于并联长短时记忆神经网络(LSTM)的锂离子动力电池SOC实时监测方法。
背景技术
动力电池荷电状态(SOC)是衡量蓄电池剩余电量的重要参数。对动力电池SOC的辨识是电动汽车(EV),特别是混合动力汽车(HEV)和燃料电池汽车(FCEV)在实际应用中的一项关键技术。电动汽车动力电池在使用过程中表现的高度非线性,变流工作特性,使准确辨识SOC具有很大难度。
长短期记忆网络(LSTM)是循环神经网络的一种,它在算法中加入了一个判断信息有用与否的“处理器”,这个处理器作用的结构被称为细胞(cell)。一个cell当中被放置了三扇门,分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中,可以根据规则来判断是否有用。只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。由此使得LSTM具有记忆长期及短期信息的能力,从而能够用来解决具有长期依赖的时序性问题。
锂离子电池在整个寿命周期内的工作过程是一个明显的长期时序性问题,利用LSTM解决此类问题理论可行性以及创新性。
以下是与本发明相关的现有技术;
现有技术一:安时计量法,通过持续测得电池电流并对时间进行积分,获得各时刻电量累计变化量,从而得到SOC值。
现有技术一的缺点:需要初始SOC值,否则无法做出预测;无法适应电池老化状态,导致预测失准。
现有技术二:开路电压法,通过实验得到电池开路电压与SOC的对应关系,在电池工作过程中根据开路电压预测SOC。
现有技术二的缺点:准确测量开路电压需要将电池静置,无法满足实时估算的要求。
现有技术三:卡尔曼滤波估计方法,通过安时积分法和开路电压法得到电池SOC的参考状态和观测状态,两个结果均存在误差,应用卡尔曼滤波法可结合两者结果,进行迭代,使得结果不断向实际值逼近,得到较为准确的SOC值。
现有技术三的缺点:依赖于建立的状态空间模型的精度,结果受模型精度影响很大;且卡尔曼滤波法运算量较大,迭代时间较长,实时性较差。
现有技术四:中国发明专利,名称为:一种基于遗传神经网络的BMS系统的SOC估算方法;专利号为:201604381126.7;
现有技术四的缺点:每次充电必须将电池充满电以获得电池容量,不符合实际应用中电池经常出现不能充满电的情形;测得电池容量后还需进行查表,表中数据均为静态条件下测得,与复杂多变的动态应用场景不符。
现有技术五:中国发明专利,名称为:分数阶神经网络锂电池组SOC在线估计方法;专利号为201710732667.4;
现有技术五的缺点:简单的bp神经网络不具有记忆功能,对于异于简单实验工况的实际工况不具有良好的适应性;实际工况中老化程度受到充放电深度,复杂变化电流的影响,且方法中老化指数在达到截止电压后才会增加,实际工况中则很少出现电量耗尽的情况。
发明内容
本发明针对现有技术的缺陷,提供了一种锂离子动力电池SOC实时监测方法,能有效的解决上述现有技术存在的问题。
为了实现以上发明目的,本发明采取的技术方案如下:
一种锂离子动力电池SOC实时监测方法,包括以下步骤:
步骤1:在随机温度,随机电流下对单节锂电池进行循环充放电实验,记录下工作温度,工作电流,工作时长以及工作电压。其中温度范围为-45℃至45℃,变化速率为0.1℃/min,,放电电流为0.5A至4A之间的随机分布值,过充电压为4.2v,截止电压为3.2v,采样间隔为1s,每次放电结束后静置适宜时间,静置时电流为0,电池工作计时器停止计时。
步骤2:利用tensorflow框架,搭建起长短时记忆循环神经网络,LSTM时间步长为20,前隐层节点为128×20,后隐层节点数为128,LSTM单元节点数为128x20,使用ReLu激活函数,输入为电池的工作电压,工作电流,工作温度,工作时长,输出为电池SOC;
LSTM在每一个长为20的时间步中,会对数据按照其重要性在不同时间范围内选择记忆或遗忘;
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
式中ft,it分别为t时刻的遗忘状态和输入状态,通过t-1时刻的状态值ht-1和输入值xt进行加权,再通过sigmoid和tanh函数的激活,便得到了t时刻的细胞状态Ct,循环往复,细胞状态不断更新,网络记忆也随之更新。
步骤3:训练出多个LSTM模型,对其结果进行加权求和,并利用全连接神经网络进行权重优化,得到最佳权重组合;训练出n个模型LSTM1,LSTM2……LSTMn,输出结果为Out1,Out2……Outn:
步骤4:用测试集实验数据检验上述训练得到的模型,计算预测值与实际值的平均误差,以评估模型性能。
作为优选,步骤1中利用四节相同规格电池同时实验以消除个体微小差异引起的误差;将获得的数据按照7:3的比例分为训练集和测试集,用于模型的训练和评估。
与现有技术相比本发明的优点在于:
1.可以对于全寿命周期,大温度范围(-45℃,45℃)的电池进行准确的SOC估计,训练误差约为2%,测试误差约为2.4%。
2.可在数据输入瞬间得到输出,具有极佳的实时性,数据处理时间小于10-5s.
3.利用随机放电数据训练模型,对各种复杂组合工况都具有良好的适应性。
说明书附图
图1为本发明实施例的流程图;
图2为本发明实施例中截取的电压变化图;
图3为本发明实施例中截取的电流变化图;
图4为本发明实施例中截取的温度变化图;
图5为本发明实施例中截取的LSTM神经网络训练集结果示意图;
图6为本发明实施例中截取的LSTM神经网络测试集结果示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图并列举实施例,对本发明做进一步详细说明。
大温度范围的实时SOC监测模型,通过在不同温度,随机放电电流下对电池进行全生命周期的充放电实验,获得极大量的复杂的电池数据,包括电池温度,工作时间,工作电流和工作电压,训练多个具有长短时记忆功能的LSTM神经网络,并将其加权并联,再利用神经网络优化加权系数,得到高度精确,稳定的soc估计模型。
如图1所示,一种锂离子动力电池SOC实时监测方法,包括以下步骤:
步骤1:在随机温度,随机电流下对单节锂电池进行循环充放电实验,记录下工作温度,工作电流,工作时长以及工作电压。其中温度范围为-45℃至45℃,变化速率为0.1℃/min,,放电电流为[0.5A,4A]之间的随机分布值,过充电压为4.2v,截止电压为3.2v,采样间隔为1s,每次放电结束后静置适宜时间,静置时电流为0,电池工作计时器停止计时。利用四节相同规格电池同时实验以消除个体微小差异引起的误差。将获得的数据按照7:3的比例分为训练集和测试集,用于模型的训练和评估。截取的实验过程中电压,电流及温度的变化示意图如图2-4所示;
步骤2:利用tensorflow框架,搭建起长短时记忆循环神经网络,LSTM时间步长为20,前隐层节点为128x20,后隐层节点数为128,LSTM单元节点数为128×20,使用ReLu激活函数,输入为电池的工作电压,工作电流,工作温度,工作时长,输出为电池SOC。
LSTM在每一个长为20的时间步中,会对数据按照其重要性在不同时间范围内选择记忆或遗忘。
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
式中ft,it分别为t时刻的遗忘状态和输入状态,通过t-1时刻的状态值ht-1和输入值xt进行加权,再通过sigmoid和tanh函数的激活,便得到了t时刻的细胞状态Ct,循环往复,细胞状态不断更新,网络记忆也随之更新。
步骤3:训练出多个LSTM模型,对其结果进行加权求和,并利用全连接神经网络进行权重优化,得到最佳权重组合;训练出n个模型LSTM1,LSTM2……LSTMn,输出结果为Out1,Out2……Outn:
截取的模型训练结果如图5所示。
步骤4:用测试集实验数据检验上述训练得到的模型,计算预测值与实际值的平均误差,以评估模型性能。截取的模型测试结果如图6所示。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (2)
1.一种锂离子动力电池SOC实时监测方法,其特征在于,包括以下步骤:
步骤1:在随机温度,随机电流下对单节锂电池进行循环充放电实验,记录下工作温度,工作电流,工作时长以及工作电压;其中温度范围为-45℃至45℃,变化速率为0.1℃/min,,放电电流为0.5A至4A之间的随机分布值,过充电压为4.2v,截止电压为3.2v,采样间隔为1s,每次放电结束后静置适宜时间,静置时电流为0,电池工作计时器停止计时;
步骤2:利用tensorflow框架,搭建起长短时记忆循环神经网络,LSTM时间步长为20,前隐层节点为128×20,后隐层节点数为128,LSTM单元节点数为128x20,使用ReLu激活函数,输入为电池的工作电压,工作电流,工作温度,工作时长,输出为电池SOC;
LSTM在每一个长为20的时间步中,会对数据按照其重要性在不同时间范围内选择记忆或遗忘;
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
式中ft,it分别为t时刻的遗忘状态和输入状态,通过t-1时刻的状态值ht-1和输入值xt进行加权,再通过sigmoid和tanh函数的激活,便得到了t时刻的细胞状态Ct,循环往复,细胞状态不断更新,网络记忆也随之更新;
步骤3:训练出多个LSTM模型,对其结果进行加权求和,并利用全连接神经网络进行权重优化,得到最佳权重组合;训练出n个模型LSTM1,LSTM2……LSTMn,输出结果为Out1,Out2……Outn:
步骤4:用测试集实验数据检验上述训练得到的模型,计算预测值与实际值的平均误差,以评估模型性能。
2.根据权利要求1所述的方法,其特征在于:步骤1中利用四节相同规格电池同时实验以消除个体微小差异引起的误差;将获得的数据按照7:3的比例分为训练集和测试集,用于模型的训练和评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811594692.1A CN109459699A (zh) | 2018-12-25 | 2018-12-25 | 一种锂离子动力电池soc实时监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811594692.1A CN109459699A (zh) | 2018-12-25 | 2018-12-25 | 一种锂离子动力电池soc实时监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109459699A true CN109459699A (zh) | 2019-03-12 |
Family
ID=65614614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811594692.1A Pending CN109459699A (zh) | 2018-12-25 | 2018-12-25 | 一种锂离子动力电池soc实时监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109459699A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110133511A (zh) * | 2019-06-11 | 2019-08-16 | 邹金续 | 一种基于长短时记忆网络的锂电池组剩余电量实时预测方法 |
CN110412470A (zh) * | 2019-04-22 | 2019-11-05 | 上海博强微电子有限公司 | 电动汽车动力电池soc估计方法 |
CN110488202A (zh) * | 2019-07-24 | 2019-11-22 | 北京航空航天大学 | 基于深度神经网络的车辆电池荷电状态估计方法 |
CN110658459A (zh) * | 2019-09-12 | 2020-01-07 | 北京航空航天大学 | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
CN110687459A (zh) * | 2019-10-12 | 2020-01-14 | 上海新微技术研发中心有限公司 | 一种soc预估方法 |
CN111308375A (zh) * | 2020-02-04 | 2020-06-19 | 浙江大学 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
CN111308364A (zh) * | 2020-02-27 | 2020-06-19 | 中南大学 | 一种锂离子电池荷电状态估计方法及装置 |
CN112946484A (zh) * | 2021-02-07 | 2021-06-11 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
WO2021138925A1 (zh) * | 2020-01-08 | 2021-07-15 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
CN113589177A (zh) * | 2021-06-29 | 2021-11-02 | 广东工业大学 | 一种车载动力电池soc估计方法 |
CN115343625A (zh) * | 2022-10-17 | 2022-11-15 | 力高(山东)新能源技术股份有限公司 | 一种基于误差矫正的动力电池soc估算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理系统 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN108920888A (zh) * | 2018-04-26 | 2018-11-30 | 浙江工业大学 | 一种基于深度神经网络的连续搅拌釜式反应过程辨识方法 |
-
2018
- 2018-12-25 CN CN201811594692.1A patent/CN109459699A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理系统 |
CN107870306A (zh) * | 2017-12-11 | 2018-04-03 | 重庆邮电大学 | 一种基于深度神经网络下的锂电池荷电状态预测算法 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN108920888A (zh) * | 2018-04-26 | 2018-11-30 | 浙江工业大学 | 一种基于深度神经网络的连续搅拌釜式反应过程辨识方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110412470B (zh) * | 2019-04-22 | 2021-09-21 | 上海博强微电子有限公司 | 电动汽车动力电池soc估计方法 |
CN110412470A (zh) * | 2019-04-22 | 2019-11-05 | 上海博强微电子有限公司 | 电动汽车动力电池soc估计方法 |
CN110133511A (zh) * | 2019-06-11 | 2019-08-16 | 邹金续 | 一种基于长短时记忆网络的锂电池组剩余电量实时预测方法 |
CN110488202A (zh) * | 2019-07-24 | 2019-11-22 | 北京航空航天大学 | 基于深度神经网络的车辆电池荷电状态估计方法 |
CN110658459A (zh) * | 2019-09-12 | 2020-01-07 | 北京航空航天大学 | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
CN110658459B (zh) * | 2019-09-12 | 2021-10-15 | 北京航空航天大学 | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
CN110687459A (zh) * | 2019-10-12 | 2020-01-14 | 上海新微技术研发中心有限公司 | 一种soc预估方法 |
WO2021138925A1 (zh) * | 2020-01-08 | 2021-07-15 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
CN111308375A (zh) * | 2020-02-04 | 2020-06-19 | 浙江大学 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
CN111308375B (zh) * | 2020-02-04 | 2021-12-07 | 浙江大学 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
CN111308364A (zh) * | 2020-02-27 | 2020-06-19 | 中南大学 | 一种锂离子电池荷电状态估计方法及装置 |
CN112946484A (zh) * | 2021-02-07 | 2021-06-11 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
CN112946484B (zh) * | 2021-02-07 | 2022-12-23 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
CN113589177A (zh) * | 2021-06-29 | 2021-11-02 | 广东工业大学 | 一种车载动力电池soc估计方法 |
CN115343625A (zh) * | 2022-10-17 | 2022-11-15 | 力高(山东)新能源技术股份有限公司 | 一种基于误差矫正的动力电池soc估算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109459699A (zh) | 一种锂离子动力电池soc实时监测方法 | |
CN108333528B (zh) | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 | |
CN109031153B (zh) | 一种锂离子电池的健康状态在线估计方法 | |
Dang et al. | Open-circuit voltage-based state of charge estimation of lithium-ion battery using dual neural network fusion battery model | |
Hu et al. | Online estimation of an electric vehicle lithium-ion battery using recursive least squares with forgetting | |
Zhang et al. | State of charge estimation for lithium battery based on adaptively weighting cubature particle filter | |
Wang et al. | Online state of charge estimation for the aerial lithium-ion battery packs based on the improved extended Kalman filter method | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN105954679A (zh) | 一种锂电池荷电状态的在线估计方法 | |
Wang et al. | An improved coulomb counting method based on dual open‐circuit voltage and real‐time evaluation of battery dischargeable capacity considering temperature and battery aging | |
CN112557907A (zh) | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 | |
CN110275113A (zh) | 一种锂电池荷电状态估计方法 | |
Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
Li et al. | State-of-charge estimation combination algorithm for lithium-ion batteries with Frobenius-norm-based QR decomposition modified adaptive cubature Kalman filter and H-infinity filter based on electro-thermal model | |
CN106777786A (zh) | 一种锂离子电池soc估算方法 | |
CN113702843A (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
Qiuting et al. | State of health estimation for lithium-ion battery based on D-UKF | |
CN106597288A (zh) | 一种电源soc估算方法 | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
Li et al. | Multi-state joint estimation for a lithium-ion hybrid capacitor over a wide temperature range | |
Jin et al. | SOC estimation of lithium-ion battery considering the influence of discharge rate | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
Kim et al. | Hysteresis modeling for model-based condition monitoring of lithium-ion batteries |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190312 |