CN112163372B - 一种动力电池的soc估算方法 - Google Patents

Abstract

本发明公开了一种动力电池的SOC估算方法，包括：获取已知SOC的放电数据作为源领域，计算模型输入特征；分别对每一个输入特征做归一化处理；将已知SOC的放电数据按时间排序；搭建输入层、LSTM层、DaNN层、全连接层的四层网络架构；使用源领域训练所述模型并保存模型参数；获取实际使用情况下的放电数据作为目标领域并对目标领域的放电数据进行数据预处理；读取模型参数，输入源领域的输入特征、目标领域的输入特征和源领域的SOC对模型进行重新训练，获得目标领域的SOC。本发明借助有标签数据训练无标签数据，即使在实际使用工况下没有准确训练标签的情况下，也能完成对模型参数的调节。

Description

一种动力电池的SOC估算方法

技术领域

本发明涉及一种电池荷电状态的估算方法，特别涉及一种用于动力锂离子电池SOC的估算方法，并且更具体的，可实现估算模型的自适应调整。

背景技术

近年来，随着国内生产总值和人民生活水平的提高，我国汽车工业发展迅猛，毫无疑问，汽车行业已经成为国民经济发展中的中流砥柱。然而，汽车的普及在方便了人们生活的同时，其尾气排放则严重地威胁人类身体健康，造成空气污染，全球变暖等问题。与传统燃油汽车相比，电动汽车以动力电池作为动力源，在驱动汽车行驶的过程中基本不会排放有害气体，解决了能源消耗与尾气排放这两个主要问题，对环境保护和空气的洁净起到重要作用，基于以上优点，电动汽车已成为新能源汽车的发展趋势。

动力电池是电动汽车的能量装置，为汽车行驶提供动力，被誉为“新能源汽车的心脏”。作为电动汽车的重要组成部分，动力电池可以说是继传统燃油汽车的发动机、变速器之后，又一个凝聚了核心技术的汽车关键部件。动力电池是电动汽车的核心，而动力电池的核心则是电池管理系统(Battery Management System,BMS)，其核心功能之一是估算电池的荷电状态(Stats of Charge)。电池的SOC可比喻为传统燃油汽车的油表，可反应汽车剩余行驶里程，准确的SOC估计是电池预防过充过放以及均衡等的基础。

随着大数据时代的到来，深度学习技术不断发展，一些深度学习模型逐渐被应用到锂电池的研究中，这种以数据驱动的非线性模型可以很好表达出电池特征与电池状态的关系，并且可以灵活改变输入，挖掘不同特征对SOC估算的影响。但普通的多层BP(backpropagation，反向传播)神经网络只能表达单个时间的电池特征输入到SOC的映射，缺乏对电池数据时间序列性的解释，在电池实际使用过程中工况变化过于复杂的情况下，并不能很好地估算SOC；而循环神经网络的出现可以解决电池数据时间序列性的问题，然而当训练数据与实际工况下数据分布差异较大时，模型在实际工况下表现较差，而由于无法得到实际工况下的正确标签，即SOC，故无法重新训练模型，对模型参数进行调整。

中国发明专利(专利号：CN106443453A，专利名称：一种基于BP神经网络的锂电池SOC估算方法)，该专利公开了一种基于BP神经网络的锂电池SOC估算方法，在不需要考虑锂电池内部结构的情况下，输入和输出之间的关系可以通过对大量的输入输出样本进行训练得到，因此可以拟合锂电池的动态特性。该方法只是最原始的神经网络，当实际行驶条件过于复杂，速度等特征变化过快时，简单的BP神经网络无法满足使用需求，估算误差较大。

中国发明专利(专利号：CN105974327A，专利名称：一种基于神经网络和UKF的锂电池组SOC预测方法)，该专利公开了一种采用UKF滤波算法对BP神经网络预测获得的SOC数据进行滤波处理得到最后预测结果的SOC预测方法。该方法引入了卡尔曼滤波对神经网络的预测结果进行修正，卡尔曼滤波同时考虑了两个时间步的数据，但仅仅两个时间步不能完整地表现出电池数据的时序性，且无法根据需求自己调整模型的时间步。

中国发明专利(专利号：CN108334940A，专利名称：一种基于深度神经网络的锂电池包多个电池单体SOC实时联合预测方法)，该专利通过卷积层、池化层以及全连接层搭建深度神经网络，具有较强的非线性拟合能力。但卷积神经网络无法提取电池数据前后之间的关系，电池数据作为时间序列数据，其前后存在一定的关系，在估算时必须考虑在内。

中国发明专利(专利号：CN108519556A，专利名称：一种基于循环神经网络的锂离子电池SOC预测方法)，该专利考虑了电池数据的时序性，通过滑动窗口算法建立动力电池SOC估算模型，具有一定精度。但未考虑到当实际使用数据与模型训练数据分布差异较大时，该如何调整模型的参数，使其适用于当前实际工况。

发明内容

本发明要解决的技术问题是为了克服现有技术中卡尔曼滤波法运算量大、精度依赖于等效电路模型的准确性而当电池状态变化时其精度降低的缺陷；神经网络法需要有准确的SOC值当作模型训练标签、且精度依赖于训练数据样本并且当使用条件变化时需及时调整模型参数的缺陷，提供一种基于LSTM(长短期记忆)-DaNN的动力电池SOC预测方法，将迁移学习中的领域自适应网络(DaNN)引入SOC估算方法，形成LSTM-DaNN算法，借助有标签数据训练无标签数据，解决SOC估算方法中传统机器学习算法在工程应用时因缺少训练标签而难以落地的问题。

针对以上问题，本发明提供了一种基于将深度学习的循环神经网络LSTM与迁移学习的领域自适应网络DaNN结合的SOC估算方法。将锂电池数据处理为时间序列数据，搭建输入层、LSTM层、DaNN层、全连接层的四层深度学习架构。其中LSTM为循环神经网络，考虑了电池数据时间前后之间的关系，解决了锂电池SOC估算的时序性问题；DaNN为领域自适应网络，当车辆实际行驶工况与模型的训练数据差别较大时，需要结合车辆实际行驶工况数据，对模型重新训练并调节其网络参数，然而此时数据中的SOC直接由BMS(电池管理系统)报文解析而来，无法确定其是否为准确的SOC，即无法用作训练模型时的标签，为解决无标签的训练问题，本发明首次提出将迁移学习中的DaNN网络加入到估算SOC的深度学习架构中，可实现借助已有正确标签(SOC)的数据，与无标签数据一起对模型进行训练，达到结合车辆实际行驶工况数据，对模型重新训练并使模型参数自适应调节的目的。

本发明是通过下述技术方案来解决上述技术问题的：

一种动力电池的SOC估算方法，其特征在于，包括以下步骤：

S1：获取已知SOC的放电数据作为源领域，计算总电压、总电流、电压极差(当前时刻最高单体电压-最低单体电压)和平均温度作为模型输入特征，亦可根据自身数据情况对输入特征进行适当增减；

S2：分别对每一个输入特征做归一化处理；

S3：将已知SOC的放电数据按时间排序，并根据时间步滑窗，将每一次的放电数据划分为一个个样本，将按时间序列的放电数据处理为可输入监督学习模型的形式；

S4：搭建包括输入层、LSTM层、DaNN层、全连接层的四层网络架构的模型；

S5：使用源领域训练所述模型，并保存模型参数；

S6：获取实际使用情况下的放电数据作为目标领域并根据步骤S2和步骤S3对目标领域的放电数据进行数据预处理；

S7：读取步骤S5中保存的模型参数，输入源领域的输入特征、目标领域的输入特征和源领域的SOC对模型进行重新训练，获得目标领域的SOC。

优选地，利用如下公式进行归一化处理：

其中maxA和minA分别为所有训练数据中的最大值和最小值，x为输入特征，x’为归一化后的特征，处理后的所有特征值均在(0,1)范围内。

优选地，将数据按时间排序，并将时间序列数据处理为可输入监督学习模型的形式，具体来说针对每一次的放电数据，按所选时间步划分为一个个输入样本。定义放电数据为discharge_list，共有m帧(即len(discharge_list)＝m)，时间步选择为n，n是正整数，从第1帧数据开始,直到第m-n帧数据，每个样本内的数据为discharge_list[i:i+n]，其中i＝1、2、3...m-n-2,m-n-1,m-n。例如选定时间步为30，则第一个样本的输入特征为本次放电1～30个数据采集点在S1中选取的输入特征，训练标签为第30个数据采集点的准确SOC；第二个样本的输入特征为本次放电2～31个数据采集点在S1中选取的输入特征，训练标签为第31个数据采集点的准确SOC，以此类推直至本次放电结束。

优选地，其中LSTM层的计算过程满足：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中f_t、i_t、o_t分别为控制LSTM层的遗忘门、输入门和输出门，W和b是在不同门中网络需要学习的参数，

表示前一时刻单元状态，C_t表示经过遗忘门更新后的单元状态，h_t表示当前单元的输出，h_t-1表示前一时刻单元的输出，

其中，σ为控制三个门的激活函数：

其函数值在(0,1）范围内，可起到门控作用，表示让对应信息通过的权重，例如0表示“不让任何信息通过”，1表示“让所有信息通过”。

其中，tanh为用于使网络非线性化的激活函数：

优选地，其中DaNN层用于衡量源领域与目标领域数据的分布差异，将源领域与目标领域数据从低维上升到高维空间，最小化两者之间的差异，即可实现用源领域数据的标签训练目标领域数据，使模型实现自适应调节。

更优选地，DaNN层的计算过程满足：

其中MMD为最大平均差异，用来度量两个不同但相关的分布的距离，X、Y分别为源领域数据和目标领域数据，k(u,v)为高斯核函数：

高斯核可以将数据从低维映射到无穷维空间。

整个模型的损失函数为：l_LSTM-DaNN＝MSE(D_s,y_s)+λMMD²(D_s,D_t)，

其中MSE为源领域预测值与源领域SOC的均方误差，表示网络在有SOC的数据上的损失，MMD为源领域输入特征与目标领域输入特征的分布差异，表示网络的自适应损失，λ是权衡两部分的权重参数。

在步骤S5中，使用源领域数据(即有准确SOC作为训练标签的有标签数据)训练步骤S4中搭建的模型。步骤S4中的模型需要3个输入值，分别为：源领域的输入特征，目标领域的输入特征和源领域的输出(即用作标签的SOC)，其中源领域输入特征和目标领域输入特征用于最小化两者之间的分布差异，源领域的SOC作为训练标签，用于辅助训练无标签的目标领域。当只有源领域的时候，3个输入为源领域的输入特征、源领域的输入特征、源领域的SOC(因为此时只有源领域数据，没有目标领域数据，所以输入两遍源领域的输入特征，相当于没有数据分布差异，MMD＝0，DaNN层失效)。

对目标领域的输入特征进行数据预处理之后，读取步骤S5中只用源领域数据训练好的模型参数，加入无标签的目标领域数据(即实际使用工况下未知其准确SOC的数据)对模型进行重新训练，即输入为源领域的输入特征、目标领域的输入特征和源领域的输出，实现模型参数的自适应调节，使其在目标领域的输出(即SOC)的计算中估算准确。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：针对动力电池SOC估算模型需根据实际使用情况实时动态调整的需求，具体地，针对当车辆实际行驶工况与训练样本差距较大时，需结合实际行驶工况数据对模型参数进行调整修正，但实际工况下的SOC直接通过BMS报文解析得来，无法用作训练时的标签这一无标签训练问题，本发明首次提出将迁移学习中的领域自适应网络(DaNN)引入SOC估算方法中，形成LSTM-DaNN算法，借助有标签数据训练无标签数据，即使在实际使用工况下没有准确训练标签的情况下，也能完成对模型参数的调节，解决SOC估算方法中传统机器学习算法在工程应用时因缺少训练标签而难以落地的问题。并且，本发明采用深度自适应网络，可以直接迁移源领域已有的模型参数，相当于使模型已具备了源领域的“知识”，不需要像传统机器学习模型一样需要对所有数据从头开始学习，会节省大量训练时间。由于本发明可根据实际使用数据实现对模型参数的动态调整，故更加适合广泛应用于电动汽车SOC估算这一使用状态不断变化的动态估算问题。

附图说明

图1为本发明一实施例的估算方法的流程图；

图2为处理时序数据示意图；

图3为本发明LSTM-DaNN网络结构示意图；

图4为只有源领域数据时的模型误差的示意图；

图5为将目标领域数据直接代入模型的估算误差的示意图；

图6为模型自适应调节后目标领域数据的估算误差的示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

参考图1-图3，本实施例的可自适应调节的动力电池SOC估算方法，包括以下步骤：

步骤S1：获取大量已知准确SOC的放电数据，即有标签数据作为源领域，计算总电压、总电流、电压极差(当前时刻最高单体电压-最低单体电压)、平均温度作为模型输入特征，亦可根据自身数据情况对输入特征进行适当增减。

步骤S2：利用如下公式分别对每一个输入特征做归一化处理：

其中maxA和minA分别为所有训练数据中的最大值和最小值，x为输入特征，x’为归一化后的特征，处理后的所有特征值均在(0,1)范围内。

步骤S3：将数据按时间排序，并将时间序列数据处理为可输入监督学习模型的形式。具体地，针对每一次的放电数据，按所选时间步划分为一个个输入样本，例如选定时间步为30，则第一个样本的输入特征为本次放电1～30个数据采集点在S1中选取的输入特征，训练标签为第30个数据采集点的准确SOC；第二个样本的输入特征为本次放电2～31个数据采集点在S1中选取的输入特征，训练标签为第31个数据采集点的准确SOC，以此类推直至本次放电结束。

步骤S4：搭建输入层、LSTM层、DaNN层、全连接层的四层网络架构，其中LSTM层计算过程满足：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中f_t、i_t、o_t分别为控制LSTM层的遗忘门、输入门和输出门，W和b是在不同门中网络需要学习的参数，

表示前一时刻单元状态，C_t表示经过遗忘门更新后的单元状态，h_t表示当前单元的输出，h_t-1表示前一时刻单元的输出，

其中，σ为控制三个门的激活函数：

其函数值在(0,1）范围内，可起到门控作用，表示让对应信息通过的权重，例如0表示“不让任何信息通过”，1表示“让所有信息通过”。

其中，tanh为用于使网络非线性化的激活函数：

另外，其中DaNN层用于衡量源领域与目标领域数据的分布差异，将源领域与目标领域数据从低维上升到高维空间，最小化两者之间的差异，即可实现用源领域数据的标签训练目标领域数据，使模型实现自适应调节。

而DaNN层的计算过程满足：

其中MMD为最大平均差异，用来度量两个不同但相关的分布的距离，X、Y分别为源领域数据和目标领域数据，k(u,v)为高斯核函数：

高斯核可以将数据从低维映射到无穷维空间。

整个模型的损失函数为：l_LSTM-DaNN＝MSE(D_s,y_s)+λMMD²(D_s,D_t)，

其中MSE为源领域预测值与源领域SOC的均方误差，表示网络在有SOC的数据上的损失，MMD为源领域输入特征与目标领域输入特征的分布差异，表示网络的自适应损失，λ是权衡两部分的权重参数。

在步骤S5中，使用源领域数据(即有准确SOC作为训练标签的有标签数据)训练步骤S4中搭建的模型。步骤S4中的模型需要3个输入值，分别为：源领域的输入特征，目标领域的输入特征和源领域的输出(即用作标签的SOC)，其中源领域输入特征和目标领域输入特征用于最小化两者之间的分布差异，源领域的SOC作为训练标签，用于辅助训练无标签的目标领域。当只有源领域的时候，3个输入为源领域的输入特征、源领域的输入特征、源领域的SOC(因为此时只有源领域数据，没有目标领域数据，所以输入两遍源领域的输入特征，相当于没有数据分布差异，MMD＝0，DaNN层失效)。

步骤S6，参照步骤S2和步骤S3中的方法对目标领域的输入特征进行数据预处理之后，进入步骤S7：读取步骤S5中只用源领域数据训练好的模型参数，加入无标签的目标领域数据(即实际使用工况下未知其准确SOC的数据)对模型进行重新训练，即输入为源领域的输入特征、目标领域的输入特征和源领域的输出，实现模型参数的自适应调节，使其在目标领域的输出(即SOC)的计算中估算准确。

下面参考图4-图6，通过对比来进一步阐述本实施例。

选取2并联16串联的万向退役磷酸铁锂电池模组为实验对象，该电芯出厂容量为50AH，当前容量为32-41AH之间，经挑选配对后，2并联成组后可放出容量约为70AH单体电芯标称电压3.3V。该正极材料为磷酸铁锂，负极材料为石墨，电解液为六氟磷酸锂有机溶液，实验中所选取的电池充放电测试设备为美国ARBIN公司生产的EVTS动力电池测试系统。选取的快速温度变化箱为重庆哈丁科技有限公司所生产的快速温度变化湿热试验箱TU410-5。

首先，对该模组在10℃、20℃、25℃、30℃、40℃的实验环境下选取0.25C、0.5C、0.75C和1C放电(C表示一块电池容量)做完整充放循环测试，并利用安时积分法与SOC的定义计算出每一时刻准确的SOC作为标签，该完整充放循环测试数据作为源领域数据。其次，对所有输入特征作归一化处理，并选取时间步，将时间序列数据处理为可输入监督学习模型的样本，本实施例选取时间步为30，即每个样本包含30s的放电数据，处理后的输入结构如图2所示，其中训练集包含305736个样本，测试集包含131029个样本。搭建如图3所示深度学习网络结构，本实施例基于Pytorch框架搭建。按S5所述，使用该源领域数据训练模型，并测试该模型在只有源领域数据(有标签数据)情况下的精度，结果如图4所示，图中虚线为真实SOC，实线为模型估算出的SOC，最大绝对误差为2.7％。

依旧使用上述2并16串的万向退役磷酸铁锂电池模组为实验对象，根据国标《GBT31484-2015电动汽车用动力蓄电池安全要求及试验方法》中的纯电动商用车充放电工况，且每隔15s采集一次，来模拟车辆实际行驶工况，作为目标领域数据，利用安时积分法与SOC的定义计算出每一时刻准确的SOC仅用于验证模型误差，而不用于模型的训练。将此目标领域数据直接代入上述用源领域数据训练好的模型，得到估算误差如图5所示，虚线为真实SOC，实线为安时积分法估算的SOC，最大绝对误差达到18.9％。

为调节模型参数使其适用于源领域数据，将源领域输入特征、目标领域输入特征、源领域输出(作为标签的已知的SOC)一起输入图2所示模型，结合源领域数据与目标领域数据重新对模型进行训练，自适应调整之前图5所示只由源领域数据训练的模型参数，使模型适用于车辆实际行驶工况，即目标领域，估算误差如图6所示，图中虚线为实际工况下的真实SOC，实线为LSTM-DaNN模型自适应调节参数后估算出的实际工况下SOC，最大绝对误差为4.8％，相比于自适应调节前的误差18.9％，下降了14.1％。结果表明在没有实际工况标签的情况下，通过本发明的LSTM-DaNN模型，可以通过有标签数据对其辅助进行训练，并调整模型参数以适合实际工况，保证实际工况下估算误差<5％，满足实际使用需求。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (6)

1.一种动力电池的SOC估算方法，其特征在于，包括以下步骤：

S1：获取已知SOC的放电数据作为源领域，计算总电压、总电流、电压极差和平均温度作为模型输入特征；

S2：分别对每一个输入特征做归一化处理；

S3：将已知SOC的放电数据按时间排序，并根据时间步滑窗，将每一次的放电数据划分为一个个样本，将按时间序列的放电数据处理为可输入监督学习模型的形式；

S4：搭建包括输入层、LSTM层、DaNN层、全连接层的四层网络架构的模型；

S5：使用源领域训练所述模型，并保存模型参数；

S6：获取实际使用情况下的放电数据作为目标领域并根据步骤S2和步骤S3对目标领域的放电数据进行数据预处理；

S7：读取步骤S5中保存的模型参数，输入源领域的输入特征、目标领域的输入特征和源领域的SOC对模型进行重新训练，获得目标领域的SOC。

2.如权利要求1所述的估算方法，其特征在于，其中利用如下公式进行归一化处理：

其中maxA和minA分别为所有训练数据中的最大值和最小值，x为输入特征，x’为归一化后的特征，处理后的所有特征值均在(0,1)范围内。

3.如权利要求1所述的估算方法，其特征在于，步骤S3中包括以下步骤：定义放电数据为discharge_list，共有m帧，时间步选择为n，n是正整数，从第1帧数据开始,直到第m-n帧数据，每个样本内的数据为discharge_list[i:i+n]，其中i＝1、2、3...m-n-2,m-n-1,m-n。

4.如权利要求1所述的估算方法，其特征在于，其中LSTM层的计算过程满足：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

o_t＝σ(W_o·[h_t-1，z_t]+b_o)

h_t＝o_t*tanh(C_t)

其中f_t、i_t、o_t分别为控制LSTM层的遗忘门、输入门和输出门，W和b是在不同门中网络需要学习的参数，

表示前一时刻单元状态，C_t表示经过遗忘门更新后的单元状态，ht表示当前单元的输出，h_t-1表示前一时刻单元的输出，

其中，σ为控制三个门的激活函数：

其中，tanh为用于使网络非线性化的激活函数：

5.如权利要求1所述的估算方法，其特征在于，其中DaNN层用于衡量源领域与目标领域数据的分布差异，将源领域与目标领域数据从低维上升到高维空间，最小化两者之间的差异。

6.如权利要求5所述的估算方法，其特征在于，DaNN层的计算过程满足：

其中MMD为最大平均差异，用来度量两个不同但相关的分布的距离，X、Y分别为源领域数据和目标领域数据，k(u，v)为高斯核函数：

整个模型的损失函数为：l_LSTM-DaNN＝＝MSE(D_s，y_s)+λMMD²(D_s，D_t)，

其中MSE为源领域预测值与源领域SOC的均方误差，表示网络在有SOC的数据上的损失，MMD为源领域输入特征与目标领域输入特征的分布差异，表示网络的自适应损失，λ是权衡两部分的权重参数。

Images