CN113253116A - 锂离子电池荷电状态估计方法、存储介质 - Google Patents

Abstract

本发明涉及一种锂离子电池荷电状态估计方法,首先、采集不同工况下锂离子电池放电数据，并对数据进行归一化处理后划分为训练集和测试集；其次：构建包括输入层、LSTM层、全连接层和输出层的LSTM预测模型；然后、使用粒子群优化算法和训练数据对LSTM预测模型的超参数进行寻优，在满足预测模型评价标准的基础上确定LSTM的最优参数，最终获得锂离子电池荷电状态估计模型，最后利用训练好的LSTM模型对测试集进行预测，得到锂离子电池荷电状态估计结果。构建锂离子电池荷电状态LSTM预测模型，并通过粒子群优化算法(PSO)对LSTM神经网络的超参数进行寻优，进一步提高了LSTM的预测效果和稳定性。

Description

锂离子电池荷电状态估计方法、存储介质

技术领域

本发明涉及锂电池技术领域，尤其是一种锂电池荷电状态估计方法、存储介质，具体的涉及一种基于PSO-LSTM的锂离子电池荷电状态估计方法及存储介质。

背景技术

电池管理系统是新能源整车系统的核心，同时也是新能源汽车技术的发展瓶颈，估算出电池的荷电状态是电池管理系统的关键问题，作为电池管理系统最基本的参数，锂离子电池荷电状态(SOC)的准确估计不仅可以避免电池过充、过放等非正常工作方式，延长电池的寿命，防止安全事故的发生，还对新能源汽车续航里程的预测具有重要意义，目前常用的电荷估算方法为安时积分法，即如果充放电起始状态记为SOC₀,那么当前状态的SOC为

SOC₀是电池电荷状态的初始电量值；C_E是电池的额定容量；I(t)为电池在t时刻的充放电电流；t为充放电的时间；η为充放电效率系数，又被称作库伦效率系数，代表了充放电过程中电池内部的电量耗散，一般以充电放电的倍率和温度修正系数为主,其中若充放电流测量有误，则SOC计算就会有误差，随着使用时间的延长，误差会越来越大，就无法准确的估算荷电状态。

长短时记忆神经网络(LSTM)是循环神经网络(RNN)的变体，有效地解决了传统神经网络容易陷入局部最小值、梯度消失和爆炸的问题。同时，对于时间序列数据的处理具有较强的建模和分析能力，适合应用于具有时间依赖性响应的电池动态系统。

粒子群优化算法(PSO)是基于群智能理论的优化算法，通过群体中个体间的合作与竞争来实现复杂空间最优解的搜索。在迭代过程中计算每个粒子的适应值，通过比较得到个体及全局最优值，进一步更新每个粒子的速度与位置以得到全局最优解。使用粒子群优化算法优化LSTM参数有效的克服了随机确定参数而导致预测模型拟合能力不够、预测精度低的问题，减少工作量。

发明内容

针对上述问题，为了更好的估算锂离子电池荷电状态，本方案提供了一种锂离子电池荷电状态估计方法、存储介质，构建锂离子电池荷电状态LSTM预测模型，并通过粒子群优化算法(PSO)对LSTM神经网络的超参数进行寻优，进一步提高了LSTM的预测效果和稳定性。此外，为提高网络的抗干扰能力，在输入层注入随机噪声，提高了鲁棒性。

本发明提供如下技术方案：一种锂离子电池荷电状态估计方法,包括如下步骤：

步骤1：采集不同工况下锂离子电池放电数据，并对数据进行归一化处理后划分为训练集和测试集，

步骤2：构建包括输入层、LSTM层、全连接层和输出层的LSTM预测模型，

步骤3：使用粒子群优化算法和训练数据对LSTM预测模型的超参数进行寻优，在满足预测模型评价标准的基础上确定LSTM的最优参数，最终获得锂离子电池荷电状态估计模型，

步骤4：利用训练好的LSTM模型对测试集进行预测，得到锂离子电池荷电状态估计结果。

所述步骤1中，采集锂离子电池在放电过程中不同时刻的电流I(t)、电压U(t)和SOC'(t)作为样本数据，采样间隔时间为m，

对样本数据归一化采用min-max标准化，将样本数据映射到[-1，1]之间，公式如下：

其中，x_norm是归一化后的数据，x为原始样本数据，x_max为样本数据的最大值，x_min为样本数据的最小值。

将步骤1归一化处理后的样本数据的80％作为训练集数据，20％作为测试集数据。

所述步骤2中，LSTM预测模型的输入向量为x_t＝[U(t)，I(t)]；输出向量为y_t＝[SOC(t)]。为提高网络的抗干扰能力在输入向量中注入随机噪声R(t)，此时输入向量为x_t＝[U(t)，I(t)，R(t)]。

所述步骤3包括如下步骤：

步骤31：将LSTM模型中隐藏层神经元个数(ls)、学习率(lr)、训练次数(ep)、学习率下降因子(lrdf)、学习率下降周期(lrdp)作为优化对象，并确定其搜索范围，

步骤32：初始化粒子群参数。确定粒子维数D、种群大小N、迭代次数M、学习因子c1和c2、惯性权重w，在允许的范围内随机产生初始搜索点速度和位置，

步骤33：根据各粒子对应的超参数构建LSTM预测模型，对训练集数据进行模型预测，将预测结果的均方误差作为粒子的适应度值，如下式所示。同时，根据适应度函数更新粒子个体极值(p_ij)和全局极值(p_gi)，

式中T是数据序列长度，SOC'(t)是t时刻真实值，SOC(t)为t时刻的预测值，

步骤34：利用以下公式更新粒子速度(v_ij)和位置(x_ij)：

v_ij(t+1)＝w·v_ij(t)+c₁r₁[p_ij(t)-x_ij(t)]+c₂r₂[p_gi(t)-x_ij(t)]

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

步骤35：判断算法是否满足终止条件：若是，则结束算法并输出最优结果；否则返回到步骤33，

步骤36：输入粒子群算法优化好的参数组合，对LSTM神经网络进行设置；将预测的均方根误差作为LSTM神经网络的优化目标，采用Adam优化算法更新网络权值。

步骤4中，采用训练好的LSTM神经网络模型对测试集进行SOC预测，预测结果采用最大绝对误差(ME)，平均绝对误差(MAE)和均方根误差(RMSE)三项评价指标进行评价，其中：

ME＝max(|SOC'(t)-SOC(t)|)

一种存储介质，存储程序，所述程序被处理器执行时，实现权利要求1～6中任一项的的锂离子电池荷电状态估计方法。

通过上述描述可以看出，本方案将粒子群优化算法与LSTM算法相结合，对LSTM模型的超参数进行寻优，有效的克服了随机确定LSTM参数而导致预测模型拟合能力不够、预测精度低的问题，使得锂离子电池的数据特性与网络拓扑更加匹配。另外，在输入数据中加入随机噪声，提高了网络的鲁棒性。该方法计算工作量小，具有强实时性和适应性等优点，对锂离子电池荷电状态精确估计具有重要意义。。

附图说明

图1是本发明具体实施方式的估计方法流程图。

图2是长短时记忆神经网络的结构示意图。

图3是本发明具体实施方式一的恒流条件下的电流电压数据示意图。

图4是本发明具体实施方式一的UDDS工况下的电流电压数据示意图。

图5是本发明具体实施方式二提供的25℃下两种工况下的SOC估计结果示意图。

图6是是本发明具体实施方式二提供的25℃下两种工况下的SOC估计结果灰度图。

图7是本发明具体实施方式二提供的25℃下两种工况下的SOC估计误差结果示意图。

图8是本发明具体实施方式二提供的25℃下两种工况下的SOC估计误差结果灰度图。

图9是本发明具体实施方式二提供的25℃下两种工况加入随机噪声时SOC估计结果示意图。

图10是本发明具体实施方式二提供的25℃下两种工况加入随机噪声时SOC估计结果灰度图。

图11分别是本发明具体实施方式二提供的25℃下两种工况加入随机噪声时SOC估计误差结果示意图。

具体实施方式

下面将结合本发明具体实施方式中的附图，对本发明具体实施方式中的技术方案进行清楚、完整地描述，显然，所描述的具体实施方式仅仅是本发明一种具体实施方式，而不是全部的具体实施方式。基于本发明中的具体实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。

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申请的示例性实施方式。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；

具体实施方式一

通过附图可以看出，本发明种锂离子电池荷电状态估计方法,包括如下步骤：

步骤1：采集不同工况下锂离子电池放电数据，并对数据进行归一化处理后划分为训练集和测试集，采集锂离子电池在放电过程中不同时刻的电流I(t)、电压U(t)和SOC'(t)作为样本数据，采样间隔时间为m，数据采集时，本具体实施方式的研究对象为额定容量6.2Ah、额定电压3.2V的LiFePO4电池,如图所示，在25℃环境下进行恒流放电实验，得到不同时刻的电流I(t)、电压U(t)和SOC'(t)作为样本数据，采样间隔时间为1秒。同样，如图4所示，25℃环境下得到UDDS工况的样本数据。

对样本数据归一化采用min-max标准化，将样本数据映射到[-1，1]之间，公式如下：

其中，x_norm是归一化后的数据，x为原始样本数据，x_max为样本数据的最大值，x_min为样本数据的最小值。

将归一化处理后的样本数据的80％作为训练集数据，20％作为测试集数据。

步骤2：构建包括输入层、LSTM层、全连接层和输出层的LSTM预测模型，如图2所示，LSTM预测模型的输入向量为x_t＝[U(t)，I(t)]；输出向量为y_t＝[SOC(t)]。为提高网络的抗干扰能力在输入向量中注入随机噪声R(t)，此时输入向量为x_t＝[U(t)，I(t)，R(t)]。

步骤3：使用粒子群优化算法和训练数据对LSTM预测模型的超参数进行寻优，在满足预测模型评价标准的基础上确定LSTM的最优参数，最终获得锂离子电池荷电状态估计模型。步骤3具体为：

步骤31：将LSTM模型中隐藏层神经元个数(ls)、学习率(lr)、训练次数(ep)、学习率下降因子(lrdf)、学习率下降周期(lrdp)作为优化对象，并确定其搜索范围；

步骤32：初始化粒子群参数。确定粒子维数D、种群大小N、迭代次数M、学习因子c1和c2、惯性权重w，在允许的范围内随机产生初始搜索点速度和位置；

步骤33：根据各粒子对应的超参数构建LSTM预测模型，对训练集数据进行模型预测，将预测结果的均方误差作为粒子的适应度值，如下式(2)所示，同时，根据适应度函数更新粒子个体极值(p_ij)和全局极值(p_gi)，

式中T是数据序列长度，SOC'(t)是t时刻真实值，SOC(t)为t时刻的预测值，

步骤34：利用公式(3)和公式(4)更新粒子速度(v_ij)和位置(x_ij)：

v_ij(t+1)＝w·v_ij(t)+c₁r₁[p_ij(t)-x_ij(t)]+c₂r₂[p_gi(t)-x_ij(t)] (3)

x_ij(t+1)＝x_ij(t)+v_ij(t+1) (4)

步骤35：判断算法是否满足终止条件：若是，则结束算法并输出最优结果；否则返回到步骤33，

步骤36：输入粒子群算法优化好的参数组合，即隐藏层神经元数目、训练次数、学习率、学习率下降因子和学习率下降周期对LSTM神经网络进行设置；将预测的均方根误差作为LSTM神经网络的优化目标，采用Adam优化算法更新网络权值。

步骤4：利用训练好的LSTM模型对测试集进行预测，得到锂离子电池荷电状态估计结果。步骤4中，采用训练好的LSTM神经网络模型对测试集进行SOC预测，预测结果采用最大绝对误差(ME)，平均绝对误差(MAE)和均方根误差(RMSE)三项评价指标进行评价，其中：

ME＝max(|SOC'(t)-SOC(t)|) (5)

一种存储介质，存储程序，所述程序被处理器执行时上述的锂离子电池荷电状态估计方法，所述的存储介质可以为光盘、U盘、移动硬盘等介质。

具体实施方式二

在不同工况下对具体实施方式一的锂电池荷电状态估计方法和扩展卡尔曼滤波EKF及长短时记忆网络LSTM方法分别进行仿真，对比三种算法的SOC估算结果。

实验结果如图5-图8所示，其中图5和图6显示了两种工况下的SOC估计结果；图7和图8显示了两种工况下的SOC估计误差结果。同时，表1为不同工况下的SOC估计的数值结果。基于EKF的SOC估计方法在恒流和UDDS工况条件下收敛速度都相对较慢；基于PSO-LSTM的SOC估计方法在UDDS条件下相比于LSTM的估计精度更高，而且收敛后的总体误差在0.6％以内，可以准确的估计电池的荷电状态。

表1不同工况下的三种算法的SOC估计结果

基于上述SOC估计方法，本发明实施例还在LSTM预测模型的输入层向量中加入随机噪声以提高模型的抗干扰能力，SOC估计结果曲线如图9-图11所示，表2展示了加入随加噪声后LSTM和PSO-LSTM预测模型的实验数值结果。可以看出，该网络模型达到了非常好的预测效果：在25℃情况下，恒流测试集的MAE达到了0.1608％，UDDS测试集的MAE达到了0.3493％。在两种工况条件下，本发明所提供基于PSO-LSTM的预测模型抗干扰能力都优于普通的LSTM模型，这于锂离子电池SOC的估计有着非常重要的应用价值。

本发明提出的一种基于PSO-LSTM的锂离子电池荷电状态估计方法，使用粒子群优化算法代替手动试错来寻找LSTM的最佳参数，解决了依据经验选取参数而导致的模型拟合能力不够、预测精度低的问题。另外，在输入数据中加入随机噪声，提高了网络的鲁棒性。通过大量实验证明了该方法的准确性，对于锂离子电池SOC的估计有着非常重要的应用价值。

尽管已经示出和描述了本发明的具体实施方式，对于本领域的普通技术人员而言，可以理解在不脱离发明的原理和精神的情况下可以对这些具体实施方式进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种锂离子电池荷电状态估计方法,其特征在于包括如下步骤：

步骤1：采集不同工况下锂离子电池放电数据，并对数据进行归一化处理后划分为训练集和测试集，

步骤2：构建包括输入层、LSTM层、全连接层和输出层的LSTM预测模型，

步骤3：使用粒子群优化算法和训练数据对LSTM预测模型的超参数进行寻优，在满足预测模型评价标准的基础上确定LSTM的最优参数，最终获得锂离子电池荷电状态估计模型，

步骤4：利用训练好的LSTM模型对测试集进行预测，得到锂离子电池荷电状态估计结果。

2.根据权利要求1所述的锂离子电池荷电状态估计方法，其特征是：

所述步骤1中，采集锂离子电池在放电过程中不同时刻的电流I(t)、电压U(t)和SOC'(t)作为样本数据，采样间隔时间为m，

对样本数据归一化采用min-max标准化，将样本数据映射到[-1，1]之间，公式如下：

其中，x_norm是归一化后的数据，x为原始样本数据，x_max为样本数据的最大值，x_min为样本数据的最小值。

3.根据权利要求2所述的锂离子电池荷电状态估计方法，其特征是：

将归一化处理后的样本数据的80％作为训练集数据，20％作为测试集数据。

4.根据权利要求3所述的锂离子电池荷电状态估计方法，其特征是：

所述步骤2中，LSTM预测模型的输入向量为x_t＝[U(t)，I(t)]；输出向量为y_t＝[SOC(t)]。为提高网络的抗干扰能力在输入向量中注入随机噪声R(t)，此时输入向量为x_t＝[U(t)，I(t)，R(t)]。

5.根据权利要求4所述的锂离子电池荷电状态估计方法，其特征是：

所述步骤3具体为：

步骤31：将LSTM模型中隐藏层神经元个数(ls)、学习率(lr)、训练次数(ep)、学习率下降因子(lrdf)、学习率下降周期(lrdp)作为优化对象，并确定其搜索范围，

步骤32：初始化粒子群参数。确定粒子维数D、种群大小N、迭代次数M、学习因子c1和c2、惯性权重w，在允许的范围内随机产生初始搜索点速度和位置，

步骤33：根据各粒子对应的超参数构建LSTM预测模型，对训练集数据进行模型预测，将预测结果的均方误差作为粒子的适应度值，如下式所示。同时，根据适应度函数更新粒子个体极值(p_ij)和全局极值(p_gi)，

式中T是数据序列长度，SOC'(t)是t时刻真实值，SOC(t)为t时刻的预测值，

步骤34：利用以下公式更新粒子速度(v_ij)和位置(x_ij)：

v_ij(t+1)＝w·v_ij(t)+c₁r₁[p_ij(t)-x_ij(t)]+c₂r₂[p_gi(t)-x_ij(t)]

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

步骤35：判断算法是否满足终止条件：若是，则结束算法并输出最优结果；否则返回到步骤33，

步骤36：输入粒子群算法优化好的参数组合，对LSTM神经网络进行设置；将预测的均方根误差作为LSTM神经网络的优化目标，采用Adam优化算法更新网络权值。

6.根据权利要求5所述的锂离子电池荷电状态估计方法，其特征是：

所述步骤4，采用训练好的LSTM神经网络模型对测试集进行SOC预测，预测结果采用最大绝对误差(ME)，平均绝对误差(MAE)和均方根误差(RMSE)三项评价指标进行评价，其中：

ME＝max(|SOC'(t)-SOC(t)|)

7.一种存储介质，存储程序，其特征是：所述程序被处理器执行时，实现权利要求1～6中任一项的锂离子电池荷电状态估计方法。

Images