CN113156320B

CN113156320B - 基于深度学习的锂离子电池soc估计方法及系统

Info

Publication number: CN113156320B
Application number: CN202110268844.4A
Authority: CN
Inventors: 段彬; 张君鸣; 赵光财; 朱瑞; 张承慧
Original assignee: Shandong University
Current assignee: Shandong University
Priority date: 2021-03-12
Filing date: 2021-03-12
Publication date: 2023-05-30
Anticipated expiration: 2041-03-12
Also published as: CN113156320A

Abstract

本公开提供了一种基于神经网络的锂离子电池SOC估计方法及系统，包括：获取锂离子电池的外部状态信息，并进行归一化处理；构建简单循环单元神经网络模型，基于所述外部状态信息，利用预训练的简单循环单元神经网络模型对所述锂离子电池SOC进行估计；其中，所述简单循环单元神经网络采用多层SRU结构，每层SRU结构设置有若干隐藏层神经元；所述方案能够有效简化锂离子电池SOC估计模型的网络结构、解耦对前一时刻隐藏层输出的依赖，其不同时刻可以并行执行，从而大大降低计算复杂度，提高估计精度。

Description

基于深度学习的锂离子电池SOC估计方法及系统

技术领域

本公开属于荷电状态预测技术领域，尤其涉及一种基于深度学习的锂离子电池SOC估计方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

锂离子电池以其在能量密度、功率密度、循环寿命、自放电率等方面具有的独特优势被广泛的应用到很多领域。为确保电池安全、高效地运行，必须配备电池管理系统(Battery Management System，BMS)对电池的各种内部状态做出准确估计和预测。其中，准确的荷电状态(State of Charge，SOC)估计能保障电池的有效运行，甚至避免电池过早失效和安全事故的发生。由于SOC无法通过外部测量手段直接得到，只能通过可测的电压、电流、温度等外部数据进行估算和预测，而数据驱动方法直接从电池的测试数据出发、使用理解简单，应用前景较好。

现有基于深度学习的算法虽然已广泛应用于语音辨识，图像处理等其他领域，现有的锂离子电池SOC估计方法广泛采用循环神经网络来实现，循环神经网络(RecurrentNeuralNetworks，RNN)具有记忆功能，可以捕获时间序列的更多信息，特别适用于估计SOC这种与先前时刻信息相关的状态量；但是，发明人发现，传统循环神经网络会随着网络的加深而出现梯度消失、梯度爆炸等问题而丧失对中长期数据的学习能力，导致SOC估计结果精度不高的问题，而基于长短期记忆单元(LongShort-Term Memory，LSTM)和门控循环单元(Gated Recurrent Unit，GRU)的时间递归神经网络虽然可以解决这方面的问题，但其门限繁杂，每一步更新都要等上一步计算完成才能执行，训练速度过慢，制约了其适用性和扩展性。

发明内容

本公开为了解决上述问题，提供了一种基于深度学习的锂离子电池SOC估计方法及系统，所述方案采用基于简单循环单元神经网络的锂离子电池SOC估计方法，有效简化了网络结构、解耦对前一时刻隐藏层输出的依赖，在不同时刻可以并行执行，从而大大降低计算复杂度，提高了估计精度。

根据本公开实施例的第一个方面，提供了一种基于深度学习的锂离子电池SOC估计方法，包括：

获取锂离子电池的外部状态信息，并进行归一化处理；

构建简单循环单元神经网络模型，基于所述外部状态信息，利用预训练的简单循环单元神经网络模型对所述锂离子电池SOC进行估计；

其中，所述简单循环单元神经网络，采用多层SRU结构，每层SRU结构设置有若干隐藏层神经元。

进一步的，所述简单循环单元神经网络模型采用采用2层SRU结构，其中每层有32个隐藏层神经元个数；采用Adam优化，学习率设置为0.001；模型评价指标选择为均方差损失函数；Batch-size设置为1500；Epoch设置为400。

进一步的，所述简单循环单元神经网络模型的训练具体如下：

利用预先建立的数据集对模型进行训练，为了模拟实际应用情况，在训练阶段，多工况的混合数据被用于模型训练，所述多工况下的UDDS工况、FUDS工况、DST工况和脉冲充放电的数据用来训练网络模型，并且为了提高训练准确性，将数据进行了顺序的随机打乱。

进一步的，所述获取锂离子电池的外部状态信息，包括在不同温度点下的容量测试、工况测试数据，并经预处理后获得的一一对应的电压、电流和温度值。

进一步的，由于测得的电池数据指标电压、电流、温度有不同的量纲和量纲单位，为了消除指标之间的量纲影响，通过数据进行归一化处理，解决数据指标之间的可比性问题，所述归一化处理采用线性归一化方法。

根据本公开实施例的第二个方面，提供了一种基于深度学习的锂离子电池SOC估计系统，包括：

数据获取单元，其用于获取锂离子电池的外部状态信息，并进行归一化处理；

模型构建单元，其用于构建简单循环单元神经网络模型；

SOC估计单元，其用于基于所述外部状态信息，利用预训练的简单循环单元神经网络模型对所述锂离子电池SOC进行估计；

其中，所述简单循环单元神经网络采用多层SRU结构，每层SRU结构设置有若干隐藏层神经元。

与现有技术相比，本公开的有益效果是：

(1)本公开所述方案提出一种基于简单循环单元(Simple Recurrent Unit，SRU)神经网络的锂离子电池SOC估计方法，能够有效简化网络结构、解耦对前一时刻隐藏层输出h_t-1的依赖，不同时刻可以并行执行，从而大大降低计算复杂度。

(2)本公开所述方案通过对数据的合理设计对模型进行训练，解耦了t时刻和t-1时刻之间的依赖关系，在不同的温度范围内均实现了良好的SOC估计结果，因此，本公开所述方案具有更高的精度和更强的适应性。

(3)本公开所述方案网络结构轻便，可解释性强，参数设置简单，扩展性强，易于扩展到更多层数的网络以及其他电池类型。

本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例一中所述的SRU网络结构示意图；

图2为本公开实施例一中所述的25℃本公开所述方法与现有算法的SOC估计结果对比图；

图3为本公开实施例一中所述的25℃本公开所述方法与现有算法的SOC估计误差对比图；

图4为本公开实施例一中所述的40℃本公开所述方法与现有算法的SOC估计结果对比图。

具体实施方式

下面结合附图与实施例对本公开做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例一：

本实施例的目的是提供一种基于深度学习的锂离子电池SOC估计方法。

一种基于深度学习的锂离子电池SOC估计方法，包括：

获取锂离子电池的外部状态信息，并进行归一化处理；

具体的，为了便于理解，以下结合附图对本公开所述方案进行详细说明，所述方案包括如下步骤：

(1)建立测量数据也即输入数据与本方法待估变量SOC之间相互对应的数据集：D＝{(x₁,SOC₁),(x₂,SOC₂),...,(x_N,SOC_N)}，其中SOC_k是k时刻的SOC实际值；x_k是k时刻的输入向量。在本方法中定义为x_k＝[V(k),I(k),T(k)]，其中V(k),I(k),T(k)分别为k时刻的电压值、电流值和温度值。本发明所使用的数据来源为实验室使用Arbin设备测得的电池的外部状态信息，具体来说包括不同温度点下的容量测试，工况测试(UDDS工况，FUDS工况，DST工况)数据。经过处理后可得到一一对应的电压，电流，温度和SOC值，以便对模型进行训练与验证。

由于测得的电池数据指标电压、电流、温度有不同的量纲和量纲单位，而这回影响到数据分析的结果，为了消除指标之间的量纲影响，本方法对数据进行归一化处理，解决数据指标之间的可比性问题。对数据进行归一化也可以加快梯度下降求最优解的速度，有可能会提高模型精度。本方法采用的是最大-最小归一化，也即线性归一化；是对原始数据的线性变换，使得结果值映射到[0,1]之间。归一化函数如下：

其中，

为处理后数据，min(x)为同一指标数据中最小值，max(x)为同一指标数据中最大值。

(2)构建SRU算法神经网络模型，搭建具体、可执行训练与验证的实验平台。SRU循环神经网络是RNN的一种变体，结构如图1所示。本设计的关键点在于SRU算法使得门控计算只依赖于当前时刻的输入，从而可以实现并行计算，进而减小计算成本。因此SRU有利于解决复杂时间相关性的长期依赖、缓解梯度消失以及梯度爆炸等问题。同时，相比最初提出的SRU结构，本公开所述方案在激活函数选择为ReLU激活函数，此激活函数为非饱和激活函数，而原算法中所使用的激活函数为传统的sigmoid函数，该激活函数为饱和激活函数，其梯度逐渐趋近于0而无法通过神经元传递到前面层的梯度更新中，这将会导致多层神经网络在反向传播时梯度更新慢，优化效率低下模型拟合缓慢。通过ReLU激活函数有效解决了该问题，无论是前向传播还是反向传播计算速度都更快，实际应用中估计精度也更高。

具体SRU网络的算法公式如下：

其中，x_t为t时刻的输入，对其进行线性变换可得

W为神经网络权重矩阵；然后传输到遗忘门，公式如下：

f_t＝σ(W_fx_t+b_f) (2)

其中，f_t代表t时刻的遗忘门，σ为激活函数，W_f为遗忘门权重矩阵，b_f为遗忘门偏置。遗忘门的计算更新仅依赖于输入x_t，而不依赖前一时刻的输出h_t-1，无需等待前一时刻计算完成便可计算，这使得跨所有时间步长的并行计算成为可能。遗忘门用于调制内部状态c_t，具体公式如下所示：

其中，⊙代表Hadamard运算，替代了传统算法中最消耗算力与计算时间的矩阵乘法运算，大大降低了计算复杂度。重置门的计算与遗忘门类似，公式如下：

r_t＝σ(W_rx_t+b_r) (4)

其中，r_t代表t时刻的重置门，W_r为重置门权重矩阵，b_r为重置门偏置。重置门被用来计算输出状态h_t，具体公式如下：

h_t＝r_t⊙ReLU(c_t)+(1-r_t)⊙x_t (5)

其中，ReLU为线性整流激活函数(Rectified Linear Unit,ReLU)。

具体搭建的SRU网络结构参数如下：采用2层SRU结构，其中每层有32个隐藏层神经元个数；采用Adam优化，学习率设置为0.001；模型评价指标选择为均方差损失函数；Batch-size设置为1500；Epoch设置为400。

此外本发明的实验环境如下：Windows10操作系统，Intel Core i5-7400 CPU，8G运行内存，Nvidia GeForce GTX 1060 6GB GPU，深度学习框架TensorFlow，版本号1.14.0

(3)利用前述所建立的数据集训练以及验证模型。为了模拟实际应用情况，在训练阶段，多工况的混合数据被用于模型训练。具体来说UDDS工况、FUDS工况、DST工况和脉冲充放电的数据被用来训练网络模型，并且为了提高训练准确性，将数据进行了顺序的随机打乱。为了验证模型的扩展性和易用性，验证集为不同于训练集的电池模块进行实验得到的数据。所述方法在不同的温度下可对不同类型、工况下的锂离子电池SOC进行准确估计，如图2、图3、图4所示。基于本方法得到的模型可应用在电动汽车动力电池和储能装置等锂离子电池SOC估计领域。

实施例二：

本实施例的目的是提供一种基于深度学习的锂离子电池SOC估计系统。

一种基于深度学习的锂离子电池SOC估计系统，包括：

模型构建单元，其用于构建简单循环单元神经网络模型；

进一步的，所述模型构建单元中，所述简单循环单元神经网络模型采用采用2层SRU结构，其中每层有32个隐藏层神经元个数；采用Adam优化，学习率设置为0.001；模型评价指标选择为均方差损失函数；Batch-size设置为1500；Epoch设置为400。

进一步的，所述SOC估计单元中，所述简单循环单元神经网络模型的训练具体如下：

进一步的，所述数据获取单元中，所述获取锂离子电池的外部状态信息，包括在不同温度点下的容量测试、工况测试数据，并经预处理后获得的一一对应的电压、电流和温度值。

进一步的，所述数据获取单元中，由于测得的电池数据指标电压、电流、温度有不同的量纲和量纲单位，为了消除指标之间的量纲影响，通过数据进行归一化处理，解决数据指标之间的可比性问题，所述归一化处理采用线性归一化方法。

本公开所述方案具有以下有益效果：

(1)基于该方法的SOC估计精度高，适应性强

所发明的基于人工智能SRU算法的SOC估计方法，通过对数据的合理设计对模型进行训练，解耦了t时刻和t-1时刻之间的依赖关系，在不同的温度范围内均实现了良好的SOC估计结果。

(2)该方法网络结构轻便，可解释性强，参数设置简单，扩展性强，易于扩展到更多层数的网络以及其他电池类型。

在更多实施例中，还提供：

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

上述实施例提供的一种基于神经网络的锂离子电池SOC估计方法及系统可以实现，具有广阔的应用前景。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims

1.一种基于深度学习的锂离子电池SOC估计方法，其特征在于，包括：

获取锂离子电池的外部状态信息，并进行归一化处理；

所述简单循环单元神经网络模型采用采用2层SRU结构，其中每层有32个隐藏层神经元个数；采用Adam优化，学习率设置为0.001；模型评价指标选择为均方差损失函数；Batch-size设置为1500；Epoch设置为400；选用ReLU激活函数；

所述简单循环单元神经网络模型的训练具体如下：

2.如权利要求1所述的一种基于深度学习的锂离子电池SOC估计方法，其特征在于，所述获取锂离子电池的外部状态信息，包括在不同温度点下的容量测试、工况测试数据，并经预处理后获得的一一对应的电压、电流和温度值。

3.如权利要求1所述的一种基于深度学习的锂离子电池SOC估计方法，其特征在于，由于测得的电池数据指标电压、电流、温度有不同的量纲和量纲单位，为了消除指标之间的量纲影响，通过数据进行归一化处理，解决数据指标之间的可比性问题，所述归一化处理采用线性归一化方法。

4.一种基于深度学习的锂离子电池SOC估计系统，其特征在于，包括：

模型构建单元，其用于构建简单循环单元神经网络模型；

所述SOC估计单元中，所述简单循环单元神经网络模型的训练具体如下：

5.如权利要求4所述的一种基于深度学习的锂离子电池SOC估计系统，其特征在于，所述数据获取单元中，所述获取锂离子电池的外部状态信息，包括在不同温度点下的容量测试、工况测试数据，并经预处理后获得的一一对应的电压、电流和温度值。

6.如权利要求4所述的一种基于深度学习的锂离子电池SOC估计系统，其特征在于，所述数据获取单元中，由于测得的电池数据指标电压、电流、温度有不同的量纲和量纲单位，为了消除指标之间的量纲影响，通过数据进行归一化处理，解决数据指标之间的可比性问题，所述归一化处理采用线性归一化方法。