CN112986830A - 一种基于卷积时间记忆神经网络的锂电池容量估计方法 - Google Patents

Abstract

本发明涉及锂电池容量估算技术，具体涉及一种基于卷积时间记忆神经网络的锂电池容量估计方法，首先进行充放电实验，采集实验数据集，将数据集预处理后分成若干份具有时间标签的源数据集，每个样本由各个单电池的充放电电压、充放电电流、电池内阻和温度为输入，电池组剩余容量组成。利用源数据集建立卷积时间记忆神经网络模型，并利用寻优算法进行超参数调整，取被测电池最近一次充放电过程中与源数据集样本具有相同充放电容量区间长度的充放电电压、充放电电流，电池表面温度以及电池内阻数据输入至训练好的卷积时间记忆神经网络，其输出值即被测电池的剩余容量估计值。该方法数据相关度高，对数据样本数量要求低，估计精度高，具有实用价值。

Description

一种基于卷积时间记忆神经网络的锂电池容量估计方法

技术领域

本发明属于锂电池容量估算技术领域，特别涉及一种基于卷积时间记忆神经网络的锂电池容量估计方法。

背景技术

动力电池SOC估计是动力电池管理系统的核心功能之一，精确的SOC估计可以保障动力电池系统安全可靠地工作，优化动力电池系统，并为电动汽车的能量管理和安全管理等提供依据。然而，动力电池具有可测参数量有限且特性耦合、即用即衰、强时变、非线性等特征，车载环境应用又面临串并联成组非均一复杂系统、全工况(宽倍率充放电)、全气候(-30～45℃温度范围)应用需求，高精度、强鲁棒性的动力电池SOC估计极具挑战，一直是行业技术攻关的难点和国际学术界研究的前沿热点。

常见的动力电池SOC估计方法大致可分为四类：基于表征参数的方法、安时积分法、基于模型的方法以及基于数据驱动的方法。基于表征参数的方法被认为是确定动力电池SOC最为直接的方法。但是新能源汽车在运行中难以进行长时间的恒流放电来确定剩余容量，使得该方法仅适用于实验室等特定环境。安时积分法是实际使用较多的SOC估算方法，安时积分法简单、可靠，适用于所有电动汽车电池，前提是准确测量电流，有足够数据可以准确估计SOC的起始状态，但在应用中会出现一些问题。电流测量中的误差，会导致SOC产生计算误差，误差不断积累，越来越大，误差在高温和电流波动剧烈的情况下会更大。阻抗分析法可以通过对交流阻抗谱进行分析，得出电池的SOC。而基于模型的估计方法的性能同时取决于模型与状态估计算法两者的性能。然而，电池在实际使用过程中，其充电或放电过程的起始荷电状态和最终荷电状态都具有不确定性，在实际应用中，随着电池的老化和性能减弱，电池SOC估计误差逐步增大因此，以上提到的模型在锂电池实际工作状态下的状态监测与故障诊断应用中均具有一定的局限性。卷积神经网络具有强大的自学习能力，在数据样本足够大的条件下，其非线性拟合能力非常优良，可以从海量数据中自主找到关联性特征，非常适合图像处理和数据分类。

发明内容

针对背景技术存在的问题，本发明提供一种基于卷积时间记忆神经网络的锂电池容量在线估计方法。

为解决上述技术问题，本发明采用如下技术方案：一种基于卷积时间记忆神经网络的锂电池容量估计方法，包括以下步骤：

步骤1：采集电池容量数据；对同系列参考电池进行充放电循环实验，采集并记录充放电实验过程中随时间变化的电池容量数据；包括电池组容量、单电池充电电压、单电池充电电流，单电池放电电压、单电池放电电流、单电池内阻，以及单电池表面温度数据；

步骤2：获取参考电池实验数据集；从在不同充放电倍率下充放电的电池组容量、单电池充电电压、单电池充电电流、单电池放电电压、单电池放电电流、单电池温度和单电池内阻数据中选取对应充电容量区间长度为ql的数据段组成训练样本，获得包含训练组和测试组及对应容量标签的参考电池实验数据集；

步骤3：对实验数据集进行增强处理；随机裁剪，选取不同的裁剪范围，对步骤2产生的实验数据集进行剪切再拼接，利用步骤2中完整的电池组容量数据生成部分电池容量数据，使整个数据集变大；

步骤4：构建卷积时间记忆神经网络模型；以步骤3中数据增强处理后的数据集为源数据集，利用寻优算法，基于源数据集对神经网络超参数进行寻优，确定神经网络超参数，再基于源数据集对神经网络进行训练，确定神经网络参数；

步骤5：训练卷积时间记忆神经网络模型；将步骤2划分的测试组数据中不同充放电倍率下充放电的电池组容量为卷积时间记忆神经网络的输出，以单电池充电电压、单电池充电电流、单电池放电电压、单电池放电电流、单电池温度和单电池内阻数据作为卷积时间记忆神经网络的输入，将训练初始学习率定为0.001，并规定当训练过程中迭代次数达到1000次时，按0.1的倍率减小学习率；根据训练迭代次数是否达到设定值或者训练误差是否下降至初始设定的值来判定是否可以结束训练；

步骤6：得到待测电池组容量估计值；取待测电池组最近一次充电过程中任意一段单电池充电电压、单电池充电电流、单电池放电电压、单电池放电电流、单电池表面温度以及单电池内阻的数据，按步骤2的方法得到单电池充电电压、单电池充电电流、电池放电电压、单电池放电电流、单电池内阻和单电池表面温度输入到步骤5训练好的卷积时间记忆神经网络中，其输出作为待测电池组剩余容量的估计值。

在上述基于卷积时间记忆神经网络的锂电池容量估计方法中，步骤3的实现方法为：选取不同的裁剪范围，对数据集进行剪切再拼接，首先确认电池总数分别进行编号记为Bn，最后一个电池编号为Bmax，其中n＝0,1，……，max，然后构建数组low＝[low0，low1，……lowmax]和数组high＝[high0，high1，……highmax]，数组中[lown,highn]分别用于增强区间的上下限，其中low0＝high0＝0，在区间[lown，highn]通过随机函数选取一个值randn，复制当前Bn下电池数据并粘贴到总数据尾部；重复上述步骤转向下一个编号Bn+1，最后达到Bmax。

在上述基于卷积时间记忆神经网络的锂电池容量估计方法中，步骤4所构建卷积时间记忆神经网络模型，为具有多层结构的卷积时间记忆神经网络，包括2层卷积层，相应的伴有池化层，LSTM网络层为2层，相互之间通过全连接层进行连接；采用反向传导算法沿着误差减小的方向从输出层逐层调整网络的连接权值。

与现有技术相比，本发明的方法从不同充放电倍率下电池充放电过程中采集得到的单电池电压、单电池电流，单电池表面温度，单电池内阻数据片段，其数据相关性高，说服力强，计算资源消耗少，估计精度高，具有很大的实际应用价值。与其他数据驱动型估计不同，该方法增加了数据增强处理，使所需数据集要求较低。

附图说明

图1为本发明一个实施例基于卷积时间记忆神经网络的锂电池容量估计方法示意图；

图2为本发明一个实施例卷积时间记忆神经网络模型结构示意图；

图3为本发明一个实施例训练好卷积时间记忆神经网络模型工作流程示意图。

具体实施方式

下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。

本实施例首先进行充放电实验，采集实验数据集，将数据集预处理后分成若干份具有时间标签的源数据集，每个样本由各个单电池的充放电电压、充放电电流、电池内阻和温度为输入，电池组剩余容量组成。利用源数据集建立卷积时间记忆神经网络模型，并利用寻优算法进行超参数调整，取被测电池最近一次充放电过程中与源数据集样本具有相同充放电容量区间长度的充放电电压、充放电电流，电池表面温度以及电池内阻数据输入至训练好的卷积时间记忆神经网络，神经网络输出值即为被测电池的剩余容量估计值。

本实施例是通过以下技术方案来实现的，一种基于卷积时间记忆神经网络的锂电池容量在线估计方法，具体包括以下步骤：

第一步：采集电池容量数据；对同系列参考电池进行充放电循环实验，采集并记录充放电实验过程中随时间变化的电池容量数据；包括电池组容量、单电池充电电压、单电池充电电流，单电池放电电压、单电池放电电流、单电池内阻，单电池表面温度数据；

第二步：获取参考电池实验数据集；从在不同充放电倍率下充放电的电池组容量、单电池充电电压、单电池充电电流、单电池放电电压、单电池放电电流、单电池温度和单电池内阻数据中选取对应充电容量区间长度为ql的数据段组成训练样本，最终获得包含训练组和测试组及对应容量标签的参考电池实验数据集；

第三步：对实验数据集进行增强处理；随机裁剪，选取不同的裁剪范围，利用完整的电池容量数据生成部分电池容量数据。具体操作时对第二步中产生的数据集进行剪切再拼接，利用第二步中完整的电池组容量、单电池充电电压、单电池充电电流、单电池放电电压、单电池放电电流、单电池温度和单电池内阻数据数据生成部分电池组容量、单电池充电电压、单电池充电电流、单电池放电电压、单电池放电电流、单电池温度和单电池内阻数据，使整个数据集变大。

第四步：构建卷积时间记忆神经网络模型；构建具有多层结构的卷积时间记忆神经网络，层类型包括卷积层、池化层、LSTM层和全连接层，采用反向传导算法沿着误差减小的方向从输出层逐层调整网络的连接权值；以参考电池实验数据集为源数据集，首先利用寻优算法，基于源数据集对神经网络超参数进行寻优，优化确定神经网络超参数后再基于源数据集对神经网络进行训练，确定神经网络参数；

第五步：训练卷积时间记忆神经网络模型；将第二步划分的测试组数据中不同充放电倍率下充放电的电池组容量为卷积时间记忆神经网络的输出，以单电池充电电压、单电池充电电流、单电池放电电压、单电池放电电流、单电池温度和单电池内阻数据作为卷积时间记忆神经网络的输入，将训练初始学习率定为0.001，并规定当训练过程中迭代次数达到1000次时，那么就按0.1的倍率减小学习率。通过训练迭代次数是否达到设定值或者训练误差是否下降至初始设定的值来判定是否可以结束训练。

第六步：得到待测电池组容量估计值；取待测电池组最近一次充电过程中任意一段单电池充电电压、单电池充电电流、单电池放电电压、单电池放电电流、单电池表面温度以及单电池内阻的数据，按第二步中的方法得到单电池充电电压、单电池充电电流、电池放电电压、单电池放电电流、单电池内阻和单电池表面温度输入到步骤5训练好的卷积时间记忆神经网络中，其输出作为待测电池组剩余容量的估计值。

而且，第三步中数据增强处理与其他数据驱动型估计不同，能够使数据集要求较低。具体方法为随机裁剪，选取不同的裁剪范围，对数据集进行剪切再拼接，首先确认电池总数分别进行编号记为Bn，最后一个电池编号为Bmax(n＝0,1，……，max)，然后构建数组low＝[low0，low1，……lowmax]和数组high＝[high0，high1，……highmax]，数组中[lown,highn]分别用于增强区间的上下限，其中low0＝high0＝0，在区间[lown，highn]通过随机函数选取一个值randn，复制当前Bn下电池数据并粘贴到总数据尾部。重复上述步骤转向下一个编号Bn+1，最后达到Bmax。

而且，第四步中的卷积时间记忆神经网络含层采用多层的网络设计，确定卷积层层数为2层，相应的伴有池化层，LSTM网络层为两层，相互之间通过全连接层进行连接。

本实施例中，由编号分别为1#、2#、3#、4#的四个锂电池充放电实验数据为数据来源，其中1#、2#、3#电池作为参考电池，4#作为待测电池。在该实验中，四个设计容量为1.1Ah的电池均在室温下经历3次不同充电倍率(0.5C/1.0C/1.5C)的标准充电过程，充电过程中恒定电流速率为0.5C/1.0C/1.5C，直到电压达到4.2V，充电电压维持4.2V，直到充电电流降至0.05A以下。此时得到12组不同充电倍率下电压，电池表面温度，电流和电池内阻随时间变化数据。同时，四个电池的放电截止电压为2.7V，放电电流速率均为1/2/3C。此时得到12组不同放电倍率下电压，电池表面温度，电流和电池内阻随时间变化数据。最后将数据按照训练数据，测试数据，验证数据来划分分为三组。其中，1#、2#、3#电池的数据作为训练数据，再取3#电池数据集进行测试，4#电池数据集作为验证数据集。

由于实验数据有限，不能覆盖锂电池所有充电和放电倍率下的所有数据，通过数据增强算法扩充数据集，随机裁剪，选取不同的裁剪范围，对数据集进行剪切再拼接，首先确认电池总数分别进行编号记为Bn，最后一个电池编号为Bmax(n＝0，1，......，max)，然后构建数组low＝[low0，low1，......lowmax]和数组high＝[high0，high1，......highmax]，数组中[lown，highn]分别用于增强区间的上下限，其中low0＝high0＝0，在区间[lown，highn]通过随机函数选取一个值randn，复制当前Bn下电池数据并粘贴到总数据尾部。重复上述步骤转向下一个编号Bn+1，最后达到Bmax。基于卷积时间记忆神经网络的锂电池容量估计方法如图1所示。

构建卷积时间记忆神经网络模型，测试数据和训练数据都进行归一化处理，使用全连通层连接叠加时序卷积层和LSTM层。设d_j ^flat，其中j＝1，......，Q为最后一个卷积层中所获取的的第j个平铺特征图。最后一层的平铺特征映射集合可以表示为D^flat＝{(d_j ^flatj＝1，…，Q}。这个平铺层通过一个完全连接的神经网络，网络的数学模型如下：

h_fc＝f(W_fcD^flatb_fc

其中h_fc为全连通层的输出，W_fc和b_fc为全连通层的变换权值和偏置。

系统结构由两个卷积层组成。其中，第一层由18个卷积核组成，第二层由36个积核组成。每个卷积层后面都有一个一维的max-pooling层，每个卷积和pooling操作都使用size为2的kernel。并提出了一种基于dropout的全连接层，将卷积层与LSTM层连接起来。实验确定了LSTM层的尺寸。最后的全连通层作为回归层来估计SOC值。神经网络模型结构如图2所示。

从待测电池每次充放电循环中随机选取一段对应容量区间长度为380mAh的单电池充电电压、单电池充电电流，单电池放电电压、单电池放电电流、单电池内阻，单电池表面温度数据，按第三步所述方法进行数据增强及其对应的容量标签。将这些样本作为第五步训练后的神经网络的输入，最终得到对4#电池容量的估计值和实际测量值。工作流程如图3所示。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (3)

1.一种基于卷积时间记忆神经网络的锂电池容量估计方法，其特征在于：包括以下步骤：

步骤1：采集电池容量数据；对同系列参考电池进行充放电循环实验，采集并记录充放电实验过程中随时间变化的电池容量数据；包括电池组容量、单电池充电电压、单电池充电电流，单电池放电电压、单电池放电电流、单电池内阻，以及单电池表面温度数据；

步骤2：获取参考电池实验数据集；从在不同充放电倍率下充放电的电池组容量、单电池充电电压、单电池充电电流、单电池放电电压、单电池放电电流、单电池温度和单电池内阻数据中选取对应充电容量区间长度为ql的数据段组成训练样本，获得包含训练组和测试组及对应容量标签的参考电池实验数据集；

步骤3：对实验数据集进行增强处理；随机裁剪，选取不同的裁剪范围，对步骤2产生的实验数据集进行剪切再拼接，利用步骤2中完整的电池组容量数据生成部分电池容量数据，使整个数据集变大；

步骤4：构建卷积时间记忆神经网络模型；以步骤3中数据增强处理后的数据集为源数据集，利用寻优算法，基于源数据集对神经网络超参数进行寻优，确定神经网络超参数，再基于源数据集对神经网络进行训练，确定神经网络参数；

步骤5：训练卷积时间记忆神经网络模型；将步骤2划分的测试组数据中不同充放电倍率下充放电的电池组容量为卷积时间记忆神经网络的输出，以单电池充电电压、单电池充电电流、单电池放电电压、单电池放电电流、单电池温度和单电池内阻数据作为卷积时间记忆神经网络的输入，将训练初始学习率定为0.001，并规定当训练过程中迭代次数达到1000次时，按0.1的倍率减小学习率；根据训练迭代次数是否达到设定值或者训练误差是否下降至初始设定的值来判定是否可以结束训练；

步骤6：得到待测电池组容量估计值；取待测电池组最近一次充电过程中任意一段单电池充电电压、单电池充电电流、单电池放电电压、单电池放电电流、单电池表面温度以及单电池内阻的数据，按步骤2的方法得到单电池充电电压、单电池充电电流、电池放电电压、单电池放电电流、单电池内阻和单电池表面温度输入到步骤5训练好的卷积时间记忆神经网络中，其输出作为待测电池组剩余容量的估计值。

2.根据权利要求1所述基于卷积时间记忆神经网络的锂电池容量估计方法，其特征在于：步骤3的实现方法为：选取不同的裁剪范围，对数据集进行剪切再拼接，首先确认电池总数分别进行编号记为Bn，最后一个电池编号为Bmax，其中n＝0,1，……，max，然后构建数组low＝[low0，low1，……lowmax]和数组high＝[high0，high1，……highmax]，数组中[lown,highn]分别用于增强区间的上下限，其中low0＝high0＝0，在区间[lown，highn]通过随机函数选取一个值randn，复制当前Bn下电池数据并粘贴到总数据尾部；重复上述步骤转向下一个编号Bn+1，最后达到Bmax。

3.根据权利要求1所述基于卷积时间记忆神经网络的锂电池容量估计方法，其特征在于：步骤4所构建卷积时间记忆神经网络模型，为具有多层结构的卷积时间记忆神经网络，包括2层卷积层，相应的伴有池化层，LSTM网络层为2层，相互之间通过全连接层进行连接；采用反向传导算法沿着误差减小的方向从输出层逐层调整网络的连接权值。

Images