CN112557907A - 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 - Google Patents
一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 Download PDFInfo
- Publication number
- CN112557907A CN112557907A CN202011495488.1A CN202011495488A CN112557907A CN 112557907 A CN112557907 A CN 112557907A CN 202011495488 A CN202011495488 A CN 202011495488A CN 112557907 A CN112557907 A CN 112557907A
- Authority
- CN
- China
- Prior art keywords
- soc
- gru
- battery
- rnn
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000007599 discharging Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 4
- 210000004027 cell Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于GRU‑RNN的电动汽车锂离子电池的SOC估计方法，采集锂离子电池充放电过程中的历史数据并进行预处理，构建训练集和测试集；使用训练集训练GRU‑RNN网络模型，使用测试集评估训练后的GRU‑RNN网络模型，如果未达到要求，则调整参数重复训练模型，直至SOC估计精度和鲁棒性满足要求。将训练好的网络模型部署在电池管理系统中，估计电动汽车锂离子电池SOC。本发明无需针对具体的电池建立等效电路模型，直接在电池测量值和SOC之间建立映射关系，使得SOC估计更加方便，能够在各种工况下在线估计锂离子电池的SOC值，电池能量管理更加有效，在延长电池寿命以及提高续航里程方面具有重大的意义。
Description
技术领域
本发明涉及电动汽车锂离子电池的SOC估计领域，尤其涉及一种基于GRU-RNN的电动汽车锂离子电池的SOC估计方法。
背景技术
近年来，随着节能减排策略的发展，电动汽车(EV)逐渐取代传统的发动机汽车，并在汽车市场上发挥着最重要的作用。锂离子电池(LiB)已被广泛应用于电动汽车，具有高能量/功率密度，低自放电和长循环寿命的特点。电池管理系统(BMS)作为电动汽车电池组的重要组成部分，主要负责监视电池的状态以及管理能量，可以有效地延长电池的循环寿命并确保充电和放电期间的安全性。
荷电状态(SOC)作为BMS中的关键参数之一，用于量化电池的剩余电量并预估剩余行驶里程。SOC还被用于电芯的主动均衡过程，以确保电池容量的一致性，从而提高电池组的能量利用率。SOC的定义为剩余容量占其标称容量的百分比。但是SOC无法直接测量，需要通过可测量的其他变量(例如电流，电压和温度)间接估算。由于电动汽车锂离子电池在极端动态工作条件下有强烈的非线性和时变特性，准确估算SOC面临着巨大挑战。
现有商用的SOC估计算法多以库伦计数(安时积分)法结合卡尔曼滤波方法为主，其中对电池建立的等效电路模型会有些许不同，后端采用的滤波算法都是基于基本的卡尔曼滤波改进而来。这种方案的优点是算法成本较低，容易实现，但是缺点也非常明显，滤波算法想要达到不错的估计精度对参数的要求很高，需要大量调参经验。基于数据驱动的神经网络方法不依赖任何锂离子电池内部复杂的电化学模型，直接在电池的测量值和SOC之间建立映射关系，模拟电池的高度非线性特征。深度学习技术近年来随着GPU算力的提升和涌现出的海量数据迅速发展，各种各样的机器学习框架层出不穷，大大简化了神经网络应用于实际问题中的流程。
因此，将深度学习技术应用在锂离子电池的SOC估计中，具有很大的前景。
发明内容
本发明目的在于针对现有技术的不足，提出一种基于GRU-RNN的电动汽车锂离子电池的SOC估计方法，使用GRU-RNN在具有时间依赖性的测量数据中捕获电池的非线性动态特征，能够更加精确、简便、鲁棒地估计SOC。
本发明的目的是通过以下技术方案来实现的：一种基于GRU-RNN的电动汽车锂离子电池的SOC估计方法，包括以下步骤：
步骤1：采集不同工况以及不同环境温度下锂离子电池充放电过程中的历史数据；
步骤2：对采集的历史数据进行预处理，转换为符合GRU-RNN网络模型输入的标准数据，构建GRU-RNN神经网络的训练集和测试集；并构建基于GRU-RNN的SOC估计网络模型；
步骤3：使用步骤2中构建的训练集训练GRU-RNN网络模型，设置初始的模型参数，使用误差反向传播算法训练网络模型；
步骤4：使用步骤2中构建的测试集评估训练后的GRU-RNN网络模型在SOC估计精度和鲁棒性方面的表现，如果估计误差未达期望目标，则调整网络模型参数重复步骤3～步骤4，直至SOC评估结果满足预期要求。
步骤5：将训练好的满足要求的GRU-RNN网络模型部署在实际的电池管理系统中，在线估计电动汽车锂离子电池SOC。
进一步地，步骤1中，所述不同工况以及不同环境温度下的锂离子电池充放电过程中的历史数据在实验室环境下获取，并将获取的历史数据数据按照时间戳一一对应记录保存。
进一步地，所述步骤1中，使用硬件传感器以10Hz的频率测量电池组中各个电池的端电压、电流以及环境温度，通过专业电池测试仪测算电池在充放电过程中的实时功率以及减少的容量值(Ah)。在实验室的条件下分别设置0℃、10℃、25℃的恒定环境温度，基于预设的功率配置曲线对电池进行充放电操作，以模拟电动汽车在不同工况下行驶的情况，分别记录此过程中的电池数据，制作电池数据集。
进一步地，所述步骤2中，使用Python程序对采集的历史数据进行预处理，包含如下步骤：
步骤21：电池在k时刻的电池测量数据包括端电压Vk、电流Ik和环境温度值Tk，被描述为三维的向量xk＝[Vk,Ik,Tk]，通过标准化处理将其转换成符合标准正态分布的均值为0方差为1的数据，计算公式为：
其中，μ表示历史测量数据整体的均值，σ表示方差，xk′表示进行标准化后的电池历史数据。
步骤22：对在测试过程中测算得出的电池减少的容量值(Ah)进行归一化处理，转换为范围为0～100％的SOC真实值SOCk，计算公式为：
其中，Cmax表示电池的最大容量，Ck表示从初始充满电的状态到k时刻消耗的容量值。
步骤23：使用滑动窗口算法，将T个连续时间步的电池测量数据xk以及对应的电池SOC真实值SOCk打包成适合GRU-RNN的数据集，挑选数据集中的一部分用于神经网络模型的训练，另一部分作为评估网络模型的测试集。
进一步地，所述步骤2中，SOC估计网络模型基于PyTorch深度学习框架进行搭建；具体网络模型结构包括输入层、GRU-RNN层、Dropout层、全连接层和输出层；GRU-RNN层负责捕获输入序列中的隐含时间依赖性，Dropout层在训练过程中随机选择一部分神经元并将其输出设置为0，减轻GRU-RNN模型的过拟合现象。全连接层和输出层则是将GRU-RNN层的高维隐藏状态通过线性变换映射为预测的SOC值。
进一步地，在步骤3中训练网络模型时，首先初始化GRU-RNN中隐藏神经元的状态，并随机初始化网络模型的权值。在使用反向传播算法训练网络模型的过程中，引入Adam随机梯度下降算法，根据设定的学习率迭代调整模型权重使误差最小化，训练过程中的损失函数选择为MSE Loss：
其中SOCk为k时刻的真实SOC值，SOCk′为网络模型预测的SOC值,N表示样本的总数。
在迭代训练的过程中Loss值逐渐减小，最后趋于稳定，代表网络模型收敛，设置5000个epoch以保证模型充分收敛。
进一步地，其特征在于，所述步骤4中使用平均绝对值误差MAE和最大误差MAX来评估网络模型的表现，其计算公式为：
将测试集输入训练后的网络模型中来评估模型估计SOC的性能，越低的MAE表示模型的估计精度越好，MAX反映模型的鲁棒性，MAE小于2％，MAX小于5％为达到预期。如果测试结果不满足预期要求，则需要调整网络模型参数，返回步骤3重新训练。
本发明的有益效果：本发明无需针对具体的电池建立复杂的等效电路模型，利用深度学习技术强大的自学习能力，模拟电池内部的非线性特征，直接在电池测量值和SOC之间建立映射关系，使得SOC估计更加简单方便，并且具有良好的估计精度，训练后网络模型能够在各种工况下在线估计电动汽车锂离子电池的SOC值，使BMS能够更加有效的执行电池能量管理，在延长电池寿命以及提高续航里程方面具有重大的意义。
附图说明
为了更清楚的说明本发明的技术方案和有益效果，本发明提供如下附图进行说明：
图1为本发明提供的基于GRU-RNN的电动汽车锂离子电池的SOC估计方法流程图；
图2为本发明中GRU-RNN神经网络模型的结构示意图；
图3(a)为在0℃环境温度下GRU-RNN模型应用在US06测试集和HWFET测试集上的SOC估计误差示意图；
图3(b)为在10℃环境温度下GRU-RNN模型应用在US06测试集和HWFET测试集上的SOC估计误差示意图；
图3(c)为在25℃环境温度下GRU-RNN模型应用在US06测试集和HWFET测试集上的SOC估计误差示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明实施例公开了一种基于GRU-RNN的电动汽车锂离子电池的SOC估计方法，参照图1，具体实施细节如下：
步骤1：首先对车辆的电池进行完全充电；在实验室环境下，分别设置电动汽车锂离子电池的工作温度为0℃、10℃、25℃，在恒定的环境温度下分别根据不同的功率配置曲线的对电池进行充放电操作，使用的功率配置包括US06(Supplemental Federal TestProcedure Driving Schedule)驾驶循环、HWFET(Highway Fuel Economy Test)驾驶循环、UDDS(Urban Dynamometer Driving Schedule)驾驶循环、LA92(Los Angeles 92)驾驶循环以及另外5个由以上4种驾驶循环随机混合的驾驶循环，这几个驾驶循环覆盖了大部分电动汽车运行的工况，具有很强的代表性，其中US06驾驶循环模拟了电动汽车快速加减速度的情况，HWFET驾驶循环模拟了在高速公路上以60miles/h的时速行驶的情况，UDDS驾驶循环为城市一般道路的行驶情况，LA92驾驶循环模拟了在节能情况下的驾驶；电池组中每节电芯的端电压、电流以及表面温度被BMS硬件系统以10Hz的频率采样，同时一台Arbin BT2000电池测试仪用于精确测算电池的实时功率以及消耗的容量值(Ah)；硬件采样的数据上传到计算机，计算机中运行的Matlab程序为其打上时间戳，以多维数组的形式保存记录下来。
步骤2：使用Python程序读取存储的电池历史数据，并且对数据进行预处理，转换为符合GRU-RNN神经网络输入的标准数据，其中US06数据和HWFET数据作为测试集，剩余的数据作为训练集，具体为：
步骤21：对电池的测量数据xk＝[Vk,Ik,Tk]进行标准化处理，转换成符合标准正态分布的均值为0方差为1的数据，计算公式为：
其中，μ表示历史测量数据整体的均值，σ表示方差，xk′表示进行标准化后的电池历史数据。
步骤22：对电池测试仪测算得出的电池消耗容量值(Ah)进行归一化，转换为表示电池在k时刻的SOC真实值SOCk，范围为0～100％，计算公式为：
其中，Cmax表示电池的最大容量值，Ck表示从初始状态到k时刻消耗的容量值。
步骤23：使用滑动窗口算法制作符合GRU-RNN网络输入的时间序列数据，将500个连续时间步的电池测量数据xk以及对应的电池SOC真实值SOCk组合为一个多维向量，其中US06数据和HWFET数据用于评估网络模型的性能，其余的部分用于神经网络模型的训练。
步骤3：基于PyTorch深度学习框架搭建GRU-RNN预测模型。PyTorch是一个开源的机器学习库，使用Python语言，搭建神经网路简洁且高效快速。如图2所示，为本发明所使用的GRU-RNN的模型结构图。
网络模型结构方面，包括输入层、GRU-RNN层、Dropout层、全连接层以及输出层。其中，GRU-RNN层负责捕获输入序列中隐含的时间依赖性，包含了500个神经元节点，能够很好的学习到输入序列中的特征；Dropout层会在训练过程中随机选择50％的神经元将其输出设置为0，减轻GRU-RNN模型在训练过中的过拟合现象；全连接层和输出层则是将GRU-RNN层的高维隐藏状态通过线性变换映射为预测的SOC值，全连接层包含50个神经元节点，使用ReLu激活函数。
步骤4：借助反向传播算法训练GRU-RNN网络模型，首先初始化GRU-RNN中隐藏神经元的状态，并随机初始化网络模型的权重值。Adam随机梯度下降算法基于训练数据迭代的更新神经网络权重，逐渐使模型收敛，选择初始学习率为0.001。训练过程中的损失函数定义为均方误差(MSE)：
其中SOCk为k时刻的SOC真实值，SOCk′为网络模型预测的SOC值，N表示输入样本的总数。在训练过程中设置5000个epoch以保证模型能够充分收敛。
步骤5：使用测试集的数据(US06数据和HWFET数据)来评估GRU-RNN模型的性能表现，从SOC的估计精度和鲁棒性两方面来验证，分别以平均绝对值误差MAE以及最大误差MAX作为量化参数，其计算公式为：
MAE与MAX越小表示网络模型在SOC估计方面的性能越好，在电动汽车BMS的实际使用中，要求MAE在2％以下，MAX不超过5％。若网络模型的评估结果未达到该期望目标，则需要调整网络模型参数重复步骤4～步骤5，直到评估结果满足预期要求。
图3(a)-图3(c)为估计的SOC值与真实SOC值之间的差值，经计算得在三种温度下两个测试数据集的平均MAE为0.602％，最大误差MAX为3.737％，证明本发明提供的基于GRU-RNN的深度神经网模型络在锂离子电池的SOC估计方面有非常好的效果。
步骤6：将最终训练好的GRU-RNN模型部署在实际的电池管理系统中，获取锂离子电池包中每个电芯的电压、电流和温度的历史测量数据，以及当前的测量数据作为GRU-RNN模型的输入，在线估计锂离子电池SOC值。
综上所述，本发明提供的基于GRU-RNN的电动汽车锂离子电池的SOC估计方法充分利用了深度学习技术强大的自学习能力，避免了针对具体的电池建立复杂的等效电路模型，直接在电池测量值和SOC之间建立映射关系，使得SOC估计更加简单方便。最终的测试结果表明该方法具有良好的估计精度和鲁棒性，能够被用于在线估计电动汽车锂离子电池的SOC值。
上述实施例是本发明较佳的实施方式，但是本发明的实施方式不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (7)
1.一种基于GRU-RNN的电动汽车锂离子电池的SOC估计方法，其特征在于，包括以下步骤：
步骤1：采集不同工况以及不同环境温度下锂离子电池充放电过程中的历史数据；
步骤2：对采集的历史数据进行预处理，转换为符合GRU-RNN网络模型输入的标准数据，构建GRU-RNN神经网络的训练集和测试集；并构建基于GRU-RNN的SOC估计网络模型；
步骤3：使用步骤2中构建的训练集训练GRU-RNN网络模型，设置初始的模型参数，使用误差反向传播算法训练网络模型；
步骤4：使用步骤2中构建的测试集评估训练后的GRU-RNN网络模型在SOC估计精度和鲁棒性方面的表现，如果估计误差未达期望目标，则调整网络模型参数重复步骤3～步骤4，直至SOC评估结果满足预期要求。
步骤5：将训练好的满足要求的GRU-RNN网络模型部署在实际的电池管理系统中，在线估计电动汽车锂离子电池SOC。
2.根据权利要求1所述的一种基于GRU-RNN的电动汽车锂离子电池的SOC估计方法，其特征在于，步骤1中，所述不同工况以及不同环境温度下的锂离子电池充放电过程中的历史数据在实验室环境下获取，并将获取的历史数据数据按照时间戳一一对应记录保存。
3.根据权利要求2所述的一种基于GRU-RNN的电动汽车锂离子电池的SOC估计方法，其特征在于，所述步骤1中，使用硬件传感器以10Hz的频率测量电池组中各个电池的端电压、电流以及环境温度，通过专业电池测试仪测算电池在充放电过程中的实时功率以及减少的容量值(Ah)。在实验室的条件下分别设置0℃、10℃、25℃的恒定环境温度，基于预设的功率配置曲线对电池进行充放电操作，以模拟电动汽车在不同工况下行驶的情况，分别记录此过程中的电池数据，制作电池数据集。
4.根据权利要求3述的一种基于GRU-RNN的电动汽车锂离子电池的SOC估计方法，其特征在于，所述步骤2中，使用Python程序对采集的历史数据进行预处理，包含如下步骤：
步骤21：电池在k时刻的电池测量数据包括端电压Vk、电流Ik和环境温度值Tk，被描述为三维的向量xk＝[Vk,Ik,Tk]，通过标准化处理将其转换成符合标准正态分布的均值为0方差为1的数据，计算公式为：
其中，μ表示历史测量数据整体的均值，σ表示方差，xk′表示进行标准化后的电池历史数据。
步骤22：对在测试过程中测算得出的电池减少的容量值(Ah)进行归一化处理，转换为范围为0～100％的SOC真实值SOCk，计算公式为：
其中，Cmax表示电池的最大容量，Ck表示从初始充满电的状态到k时刻消耗的容量值。
步骤23：使用滑动窗口算法，将T个连续时间步的电池测量数据xk以及对应的电池SOC真实值SOCk打包成适合GRU-RNN的数据集，挑选数据集中的一部分用于神经网络模型的训练，另一部分作为评估网络模型的测试集。
5.根据权利要求1述的一种基于GRU-RNN的电动汽车锂离子电池的SOC估计方法，其特征在于，所述步骤2中，SOC估计网络模型基于PyTorch深度学习框架进行搭建；具体网络模型结构包括输入层、GRU-RNN层、Dropout层、全连接层和输出层；GRU-RNN层负责捕获输入序列中的隐含时间依赖性，Dropout层在训练过程中随机选择一部分神经元并将其输出设置为0，减轻GRU-RNN模型的过拟合现象。全连接层和输出层则是将GRU-RNN层的高维隐藏状态通过线性变换映射为预测的SOC值。
6.根据权利要求1述的一种基于GRU-RNN的电动汽车锂离子电池的SOC估计方法，其特征在于，在步骤3中训练网络模型时，首先初始化GRU-RNN中隐藏神经元的状态，并随机初始化网络模型的权值。在使用反向传播算法训练网络模型的过程中，引入Adam随机梯度下降算法，根据设定的学习率迭代调整模型权重使误差最小化，训练过程中的损失函数选择为MSE Loss：
其中SOCk为k时刻的真实SOC值，SOCk′为网络模型预测的SOC值,N表示样本的总数。
在迭代训练的过程中Loss值逐渐减小，最后趋于稳定，代表网络模型收敛，设置5000个epoch以保证模型充分收敛。
7.根据权利要求6述的一种基于GRU-RNN的电动汽车锂离子电池的SOC估计方法，其特征在于，所述步骤4中使用平均绝对值误差MAE和最大误差MAX来评估网络模型的表现，其计算公式为：
将测试集输入训练后的网络模型中来评估模型估计SOC的性能，越低的MAE表示模型的估计精度越好，MAX反映模型的鲁棒性，MAE小于2％，MAX小于5％为达到预期。如果测试结果不满足预期要求，则需要调整网络模型参数，返回步骤3重新训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011495488.1A CN112557907A (zh) | 2020-12-17 | 2020-12-17 | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011495488.1A CN112557907A (zh) | 2020-12-17 | 2020-12-17 | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112557907A true CN112557907A (zh) | 2021-03-26 |
Family
ID=75062892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011495488.1A Pending CN112557907A (zh) | 2020-12-17 | 2020-12-17 | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112557907A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111508A (zh) * | 2021-04-08 | 2021-07-13 | 东软睿驰汽车技术（沈阳）有限公司 | 电芯一致性的评估方法、装置及服务器 |
| CN113297129A (zh) * | 2021-04-28 | 2021-08-24 | 北京天启鸿源新能源科技有限公司 | 一种储能系统的soc计算方法及系统 |
| CN113391225A (zh) * | 2021-05-19 | 2021-09-14 | 北京航空航天大学 | 一种考虑容量退化的锂电池荷电状态估计方法 |
| CN113484774A (zh) * | 2021-08-18 | 2021-10-08 | 昆明理工大学 | 一种基于温度校准和神经网络的锂电池组容量估计方法 |
| CN113552491A (zh) * | 2021-06-29 | 2021-10-26 | 广东工业大学 | 一种基于rnn模型的储能电站电池组soc估计方法 |
| CN113866653A (zh) * | 2021-10-11 | 2021-12-31 | 深圳市新威尔电子有限公司 | 电池测试通道映射方法 |
| CN115421043A (zh) * | 2022-08-25 | 2022-12-02 | 江西方兴科技股份有限公司 | 基于跨越-侧抑制宽度学习的电动汽车soc估计方法 |
| CN115508711A (zh) * | 2022-10-10 | 2022-12-23 | 南京工程学院 | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 |
| CN117630683A (zh) * | 2024-01-25 | 2024-03-01 | 北京科技大学 | 基于多尺度融合gru网络的汽车电池soc多步预测方法与系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110050256A (zh) * | 2016-12-07 | 2019-07-23 | 微软技术许可有限责任公司 | 用于神经网络实现的块浮点 |
| CN110133507A (zh) * | 2019-04-23 | 2019-08-16 | 杭州电子科技大学 | 一种基于narx-ukf算法的电池剩余电量估计方法 |
| US20200081070A1 (en) * | 2017-11-20 | 2020-03-12 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
| CN111157899A (zh) * | 2020-01-20 | 2020-05-15 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
| CN111426957A (zh) * | 2020-05-19 | 2020-07-17 | 华南理工大学 | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
-
2020
- 2020-12-17 CN CN202011495488.1A patent/CN112557907A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110050256A (zh) * | 2016-12-07 | 2019-07-23 | 微软技术许可有限责任公司 | 用于神经网络实现的块浮点 |
| US20200081070A1 (en) * | 2017-11-20 | 2020-03-12 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110133507A (zh) * | 2019-04-23 | 2019-08-16 | 杭州电子科技大学 | 一种基于narx-ukf算法的电池剩余电量估计方法 |
| CN111157899A (zh) * | 2020-01-20 | 2020-05-15 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
| CN111426957A (zh) * | 2020-05-19 | 2020-07-17 | 华南理工大学 | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴彦威;项小东;陈东杰;: "GRU网络在电动汽车SOC估算中的应用", 南方农机, no. 15 * |
| 明彤彤;王凯;田冬冬;徐松;田浩含;: "基于LSTM神经网络的锂离子电池荷电状态估算", 广东电力, no. 03 * |
| 李超然等: "基于门控循环单元神经网络和Huber-M估计鲁棒卡尔曼滤波融合方法的锂离子电池荷电状态估算方法", 《电工技术学报》, vol. 35, no. 9, pages 2051 - 2062 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111508A (zh) * | 2021-04-08 | 2021-07-13 | 东软睿驰汽车技术（沈阳）有限公司 | 电芯一致性的评估方法、装置及服务器 |
| CN113297129A (zh) * | 2021-04-28 | 2021-08-24 | 北京天启鸿源新能源科技有限公司 | 一种储能系统的soc计算方法及系统 |
| CN113391225A (zh) * | 2021-05-19 | 2021-09-14 | 北京航空航天大学 | 一种考虑容量退化的锂电池荷电状态估计方法 |
| CN113552491B (zh) * | 2021-06-29 | 2022-03-11 | 广东工业大学 | 一种基于rnn模型的储能电站电池组soc估计方法 |
| CN113552491A (zh) * | 2021-06-29 | 2021-10-26 | 广东工业大学 | 一种基于rnn模型的储能电站电池组soc估计方法 |
| CN113484774A (zh) * | 2021-08-18 | 2021-10-08 | 昆明理工大学 | 一种基于温度校准和神经网络的锂电池组容量估计方法 |
| CN113484774B (zh) * | 2021-08-18 | 2024-01-26 | 昆明理工大学 | 一种基于温度校准和神经网络的锂电池组容量估计方法 |
| CN113866653A (zh) * | 2021-10-11 | 2021-12-31 | 深圳市新威尔电子有限公司 | 电池测试通道映射方法 |
| CN115421043A (zh) * | 2022-08-25 | 2022-12-02 | 江西方兴科技股份有限公司 | 基于跨越-侧抑制宽度学习的电动汽车soc估计方法 |
| CN115508711A (zh) * | 2022-10-10 | 2022-12-23 | 南京工程学院 | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 |
| CN115508711B (zh) * | 2022-10-10 | 2023-06-30 | 南京工程学院 | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 |
| CN117630683A (zh) * | 2024-01-25 | 2024-03-01 | 北京科技大学 | 基于多尺度融合gru网络的汽车电池soc多步预测方法与系统 |
| CN117630683B (zh) * | 2024-01-25 | 2024-03-29 | 北京科技大学 | 基于多尺度融合gru网络的汽车电池soc多步预测方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112557907A (zh) | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 | |
| CN110187290B (zh) | 一种基于融合型算法的锂离子电池剩余寿命预测方法 | |
| CN111323719A (zh) | 一种电动汽车动力电池组健康状态在线确定方法和系统 | |
| Tian et al. | Lithium-ion battery health estimation with real-world data for electric vehicles | |
| CN113740736B (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
| CN112540298B (zh) | 一种基于深度-迁移学习的锂离子电池soc估计方法 | |
| CN109239602B (zh) | 一种动力电池的欧姆内阻的估算方法 | |
| CN112051511A (zh) | 基于多通道技术的动力电池健康状态的估计方法及系统 | |
| CN109459699A (zh) | 一种锂离子动力电池soc实时监测方法 | |
| CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
| 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 | |
| Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
| CN112782594B (zh) | 考虑内阻的数据驱动算法估算锂电池soc的方法 | |
| CN112163372B (zh) | 一种动力电池的soc估算方法 | |
| CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
| Cai et al. | Research state of charge estimation tactics of nickel-hydrogen battery | |
| CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
| CN113687242A (zh) | 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法 | |
| CN114781176B (zh) | 一种锂离子电池储能系统集总参数的等效电路参数辨识方法 | |
| CN116400241A (zh) | 基于全生命周期运行数据的电池健康评估方法及装置 | |
| CN113311337A (zh) | 基于相关向量回归的锂离子电池剩余寿命检测方法 | |
| CN115389946A (zh) | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 | |
| CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
| Zhang et al. | A state-of-charge estimation method based on bidirectional lstm networks for lithium-ion batteries | |
| Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining |
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 |