CN113589177B - 一种车载动力电池soc估计方法 - Google Patents

一种车载动力电池soc估计方法 Download PDF

Info

Publication number
CN113589177B
CN113589177B CN202110726961.0A CN202110726961A CN113589177B CN 113589177 B CN113589177 B CN 113589177B CN 202110726961 A CN202110726961 A CN 202110726961A CN 113589177 B CN113589177 B CN 113589177B
Authority
CN
China
Prior art keywords
vehicle
power battery
soc
mounted power
term memory
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.)
Active
Application number
CN202110726961.0A
Other languages
English (en)
Other versions
CN113589177A (zh
Inventor
江泽煜
陈思哲
王玉乐
王裕
常乐
章云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110726961.0A priority Critical patent/CN113589177B/zh
Publication of CN113589177A publication Critical patent/CN113589177A/zh
Application granted granted Critical
Publication of CN113589177B publication Critical patent/CN113589177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种车载动力电池SOC估计方法，通过对与实车电池同型号的电池进行间歇性放电实验，得到电池在多种SOC和多种放电电流下，暂停放电期间的电压数据。使用这些数据，结合自适应变异粒子群优化算法，形成长短期记忆神经网络模型。实车应用中，在车载动力电池每次暂停放电时，采集电池暂停放电前一采样时刻的电流数据、暂停放电后一段时间内的电压序列数据，输入模型，计算SOC。以所计算的SOC为初始值，在车载动力电池连续放电期间持续更新SOC，直至下次暂停放电时，继续采用模型重新计算SOC。本发明能够利用车载动力电池暂停放电期间的电流、电压数据，消除电流传感器累积的测量误差对安时积分法的影响，提高车载动力电池SOC估计精度。

Description

一种车载动力电池SOC估计方法
技术领域
本发明涉及电池状态预测领域，具体涉及一种车载动力电池SOC 估计方法。
背景技术
SOC作为衡量电动汽车运行状态的重要参数，对电动汽车的续航里程预测和安全可靠运行具有重要作用。常见的SOC估计方法有安时积分法、开路电压法、数据驱动法等。安时积分法原理简单，在给定正确初始值的短期预测中，具有速度快、精度高的优点，故应用最广。然而，安时积分法是开环方法，无反馈纠正能力，故在长期预测中存在SOC估计精度因累计误差而下降的不足。开路电压法需要电池长时间静置才能估计准确，在长距离行车期间难以应用。此外，在SOC处于20％-80％区间内，电池端电压随SOC变化较小，影响了开路电压法的估计精度。数据驱动法以近年来发展迅速的神经网络为主，通过离线结合大数据训练模型确保精度，在线使用模型快速预测确保实时性，兼顾了精度和实时性两个方面。然而，现有基于数据驱动的SOC估计方法，其输入变量一般只有当前的电流、电压和温度，输入数据量过少，容易受到传感器测量误差影响，影响SOC的估计精度和鲁棒性。
发明内容
本发明为克服上述现有技术所述的不足，提供了一种车载动力电池SOC估计方法。本发明通过采集电池暂停放电前一采样时刻的电流数据、暂停放电后一段时间内的电压序列数据，并采用长短期记忆神经网络模型进行SOC估计，增加了输入特征，提高了SOC估计的鲁棒性，并且克服了长期预测中累积误差对SOC估计精度的不利影响。本发明的技术方案如下：
一种车载动力电池SOC估计方法，其特征在于，具体步骤如下：
S1：通过对与实车电池同型号的电池进行间歇性放电实验，得到电池在多种SOC和多种放电电流下，暂停放电期间的电压数据；
S2：将暂停放电期间的电压数据和对应的放电电流数据构成数据集，接着将数据集分为训练集和测试集，然后进行归一化处理；
S3：构建与长短期记忆神经网络的待优化参数相适应的粒子群，完成粒子群的初始化，确定长短期记忆神经网络的初始参数结构；
S4：根据权重更新公式，确定粒子更新公式；
S5：根据粒子更新公式，确定每个粒子的位置和速度；
S6：根据适应度公式，确定个体位置极值和群体位置极值；
S7：重复S4-S6，直至达到最大迭代次数，得到最优群体位置极值，确定长短期记忆神经网络的最终参数结构，形成长短期记忆神经网络模型，保存在车载电池管理系统中；
S8：实车应用中，在车载动力电池每次暂停放电时，采集电池暂停放电前一采样时刻的电流数据、暂停放电后一段时间内的电压序列数据，输入车载电池管理系统，采用步骤S7所述的长短期记忆神经网络模型计算车载动力电池的SOC；
S9：以步骤S8所计算的车载动力电池的SOC为初始值，在车载动力电池连续放电期间持续监控电池端电压和输出电流并更新SOC，直至下次暂停放电时，采用步骤S8所述方法重新计算车载动力电池的SOC。
本方案中，步骤S8所述的实车应用中，在车载动力电池每次暂停放电时，采集电池暂停放电前一采样时刻的电流数据、暂停放电后一段时间内的电压序列数据，输入车载电池管理系统，采用步骤S7 所述的长短期记忆神经网络模型计算车载动力电池的SOC，具体步骤如下：
S8-1：车载电池管理系统实时检测车速、车载动力电池的电压和电流，当检测到车速、电流为0时，代表车载动力电池暂停放电，保存暂停放电前一采样时刻的电流并记录为Irest，保存暂停放电后一段时间内的电压序列数据并记录为Urest1,Urest2,…,UrestT。
S8-2：将步骤S8-1所述的Irest,Urest1,Urest2,…,UrestT进行归一化处理；
S8-3：将步骤S8-2处理后的数据，输入步骤S7所述的长短期记忆神经网络模型，得到车载动力电池暂停放电时的SOC值并记录为 SOCrest。
本方案中，步骤S1所述的通过对与实车电池同型号的电池进行间歇性放电实验，得到电池在多种SOC和多种放电电流下，暂停放电期间的电压数据，具体步骤如下：
S1-1：在0至100％区域中均匀选取(M+1)个数据，作为暂停放电的SOC点，在0至最大放电电流Imax之间均匀选取N个数据，作为给定放电电流。将所有暂停放电的SOC点和所有放电电流分别组合，得到M×N种工况。
S1-2：针对步骤S1-1所述的M×N种工况，逐个工况进行恒流放电实验，并记录数据。具体方式为，首先以第n个给定放电电流，将动力电池由第(m+1)个SOC值放电至第m个SOC值，然后暂停放电，并将第m个SOC值记录为SOCn,m，将第n个给定放电电流记录为In,m，将暂停放电后整个电压回升过程的电压序列数据记录为 Un,m,1，Un,m,2，…,Un,m,T，其中n＝1,2,...,N，m＝1,2,...,M。
本方案中，步骤S2所述的将暂停放电期间的电压数据和对应的放电电流数据构成数据集，接着将数据集分为训练集和测试集，然后进行归一化处理，具体步骤如下：
S2-1：将步骤S1-2所述的给定放电电流In,m，以及该放电电流所对应的暂停放电后整个电压回升过程的电压序列数据 Un,m,1，Un,m,2，…,Un,m,T定义为输入数据集，将步骤S1-2所述的SOC值 SOCn,m定义为输出数据集，其中n＝1,2,...,N，m＝1,2,...,M；
S2-2：把数据集按一定比例划分为训练集和测试集；
S2-3：将所述电流、电压、SOC进行归一化处理。
本方案中，所述长短期记忆神经网络的计算过程如下：
i＝σ(Wix[It,U1,t,U2,t，…,UT,t]+Wihht-1+bi)
f＝σ(Wfx[It,U1,t,U2,t，…,UT,t]+Wfhht-1+bf)
o＝σ(Wox[It,U1,t,U2,t，…,UT,t]+Wohht-1+bo)
z＝tanh(Wzx[It,U1,t,U2,t，…,UT,t]+Wzhht-1+bz)
ct＝f⊙ct-1+i⊙z
ht＝o⊙tanh(ct)
其中，[It,U1,t,U2,t，…,UT,t]表示在第t次暂停放电期间的输入，ht-1、ht分别表示在第(t-1)次、第t次的短期记忆信息，ct-1、ct分别表示在第(t-1) 次、第t次的长期记忆信息，Wix、Wfx、Wox、Wzx分别表示输入门、遗忘门、输出门、输入节点与模型输入之间的权值，Wih、Wfh、Woh、Wzh分别表示输入门、遗忘门、输出门、输入节点与短期记忆信息之间的权值，bi、bf、bo、bz分别表示输入门、遗忘门、输出门、输入节点的偏置，i、f、o、z分别表示长短期记忆单元内输入门、遗忘门、输出门、输入节点的输出，σ、tanh、⊙分别表示Sigmoid函数、双曲正切函数、哈达玛积。
本方案中，步骤S3-S7的具体特征如下：
步骤S3所述的与长短期记忆神经网络的待优化参数相适应的粒子群，其中的第i个粒子对应的位置向量为
Xi＝[α,β1,β2,…,βj,…,βc,γ]T，i＝1,2,…,Z，j＝1,2,…,c
其中，Z表示粒子群中粒子个数，c表示长短期记忆网络的长短期记忆层数，α表示长短期记忆网络每个训练批次包含的样本数，βj表示长短期记忆网络的第j个长短期记忆层的长短期记忆单元数，γ表示长短期记忆网络的训练迭代次数。
步骤S4所述的权重更新公式为
Figure RE-GDA0003262027040000051
其中，
Figure RE-GDA0003262027040000061
分别表示第i个粒子在第k次迭代时的个体极值惯性权重、群体极值惯性权重、迭代次数惯性权重，a、b、c均表示常数，
Figure RE-GDA0003262027040000062
分别表示全部粒子在第k次迭代时与个体极值、群体极值的距离，
Figure RE-GDA0003262027040000063
分别表示第i个粒子在第k次迭代时与个体极值、群体极值的距离，ω0、c0、kmax分别表示表示初始惯性权重、初始极值权重、最大迭代次数。
步骤S5所述的粒子更新公式为
Figure RE-GDA0003262027040000064
Figure RE-GDA0003262027040000065
其中，D表示粒子的维度，k表示当前迭代次数，
Figure RE-GDA0003262027040000066
表示第i个粒子在第(k+1)次迭代时第d个维度的速度，
Figure RE-GDA0003262027040000067
表示第i个粒子在第k次迭代的惯性权重，
Figure RE-GDA0003262027040000068
分别表示第k次迭代的个体极值权重、群体极值权重，Xmax、Xmin分别表示粒子的个体位置上限、个体位置下限， rand[0,1]、rand[Xmin,Xmax]分别表示取值范围为[0,1]的随机数、取值范围为[Xmin,Xmax]的随机数，
Figure RE-GDA0003262027040000069
分别表示第i个粒子在第k次迭代时第d个维度的位置、第i个粒子在第k次迭代时第d个维度的个体位置极值、种群在第k次迭代时第d个维度的群体位置极值，
Figure RE-GDA00032620270400000610
表示第i个粒子在第(k+1)次迭代时第d个维度的位置，μ表示变异概率。
步骤S6所述的适应度公式为
LOSS＝0.5×(SOCreal-SOCpre)2
其中，SOCreal、SOCpre分别表示实际的SOC值、长短期记忆网络预测的SOC值。
步骤S7所述的最优群体位置极值为
Xbest＝[αbest,βbest1,βbest2,…,βbestj,…,βbestc,γbest]T，j＝1,2,…,c
其中，αbest表示长短期记忆网络每个训练批次包含的样本数最优值，βbestj表示长短期记忆网络的第j个长短期记忆层的长短期记忆单元数最优值，γbest表示长短期记忆网络的训练迭代次数最优值。
所述最优群体位置极值，用于确定所述的长短期记忆神经网络的最终参数结构，用于计算步骤S8所述的车载动力电池的SOC。
本方案中，所述步骤S1-S7的方法，可用于构建针对车载动力电池单体SOC估计的单个长短期记忆神经网络模型，也可用于构建针对车载动力电池模组SOC估计的多个长短期记忆神经网络模型；在构建针对车载动力电池模组SOC估计的多个长短期记忆神经网络模型时，本发明还提供了一种可加速构建过程的迁移学习方法，具体步骤如下：
步骤I：采用步骤S1-S7构建针对车载动力电池单体SOC估计的单个长短期记忆神经网络模型；
步骤II：使用迁移学习的方法，基于步骤I所得的针对车载动力电池单体SOC估计的单个长短期记忆神经网络模型，加速针对车载动力电池模组SOC估计的多个长短期记忆神经网络模型的构建过程，具体步骤如下：
步骤II-1：将模型参数分为冻结参数和fine-tune参数两种，其中 fine-tune参数为长短期记忆神经网络模型各层之间的权重；fine-tune 操作为通过向已有模型输入新的单体电池数据，调整长短期记忆网络各层之间的权重，以快速构建适用于新的单体电池数据的模型。
步骤II-2：对于冻结参数，本发明直接迁移并冻结，不进行 fine-tune。
步骤II-3：对于fine-tune参数，本发明分为两种情况进行迁移：
在建立新的车载动力电池模组SOC估计模型时，本发明直接迁移权重并进行fine-tune；
在更新旧的车载动力电池模组SOC估计模型时。本发明随机初始化权重并进行fine-tune。fine-tune公式为
Figure RE-GDA0003262027040000081
其中，FINETUNE表示fine-tune操作，c表示长短期记忆网络的长短期记忆层数，case1、case2分别表示建立新的车载动力电池模组SOC 估计模型、更新旧的车载动力电池模组SOC估计模型，
Figure RE-GDA0003262027040000082
Figure RE-GDA0003262027040000083
分别表示已有车载动力电池单体SOC估计模型的输入层和第1 层长短期记忆层间的权重、已有车载动力电池单体SOC估计模型的输入层和第1层长短期记忆层间的随机初始化权重、新的车载动力电池单体SOC估计模型的的输入层和第1层长短期记忆层间的权重，
Figure RE-GDA0003262027040000084
分别表示已有车载动力电池单体SOC估计模型的第(j-1)层和第j层长短期记忆层间的权重、已有车载动力电池单体 SOC估计模型的第(j-1)层和第j层长短期记忆层间的随机初始化权重、新的车载动力电池单体SOC估计模型的第(j-1)层和第j层长短期记忆层间的权重，
Figure RE-GDA0003262027040000091
分别表示已有车载动力电池单体SOC估计模型的最后一层长短期记忆层和输出层间的权重、已有车载动力电池单体SOC估计模型的最后一层长短期记忆层和输出层间的随机初始化权重、新的车载动力电池单体SOC估计模型的最后一层长短期记忆层和输出层间的权重。
本方案中，在并联方式的油电混合动力汽车中，其车载动力电池只在汽车起步、加速阶段使用，有密集的暂停放电阶段，故本发明还提供了一种并联式油电混合动力汽车的车载动力电池使用策略，具体步骤如下：
在汽车处于第p次暂停放电时，使用步骤S8所述的车载动力电池SOC估计方法，得到第p次暂停放电时的SOC估计值SOCp，根据SOCp选择不同车载动力电池使用策略：
如果SOCp≤ψ，车载动力电池连接发动机的输出端，开始充电，取消参与汽车下一次的起步、加速阶段；
如果SOCp＞ψ，车载动力电池连接发动机的输入端，取消充电，开始参与汽车下一次的起步、加速阶段；
其中，ψ表示车载动力电池变换使用策略的SOC阈值。
本方案中，在兼有动力电池和超级电容的电动汽车中，由于动力电池和超级电容均可放电，其车载动力电池存在暂停放电阶段，故本发明还提供了一种兼有动力电池和超级电容的电动汽车的车载动力电池使用和预警策略，具体步骤如下：
在汽车第q次运行的起始阶段，先由动力电池释放电能，超级电容、汽车动力系统接收电能。考虑不过充过放等限制条件，并结合动力电池在第(q-1)次暂停放电状态的SOC估计值SOC(q-1)，确定动力电池最大可释放电能CAPbat，超级电容最大可接收电能CAPsup。考虑汽车动力系统、实际路况、环境温度等实际条件，确定动力电池向超级电容传输电能时的转换效率η。根据以上条件选择不同车载动力电池使用策略：
如果CAPbat＞ηCAPsup，则在超级电容充满电后，由超级电容释放电能，汽车动力系统接收电能，动力电池进入暂停放电阶段，使用步骤 S8所述的车载动力电池SOC估计方法，得到第q次暂停放电状态的 SOC估计值SOCq；
如果CAPbat≤ηCAPsup，则在动力电池放完电后，由超级电容释放电能，汽车动力系统接收电能，动力电池进入暂停放电阶段，使用步骤 S8所述的车载动力电池SOC估计方法，得到第q次暂停放电状态的 SOC估计值SOCq；
根据SOCq选择不同车载动力电池预警策略：
如果车载动力电池的SOCq低于预警值，车载电池管理系统发出预警，提示驾驶员对车载动力电池进行充电；
如果车载动力电池的SOCq高于预警值，车载电池管理系统不发出警报。
与现有技术相比，本发明技术方案的有益效果是：
本发明通过采集电池暂停放电前一采样时刻的电流数据、暂停放电后一段时间内的电压序列数据，并采用长短期记忆神经网络模型进行SOC估计，增加了输入特征，提高了SOC估计的鲁棒性，并且克服了长期预测中累积误差对SOC估计精度的不利影响。本发明使用自适应变异粒子群优化算法确定网络参数，减少了人工调参的成本；本发明使用迁移学习加速针对车载动力电池模组SOC估计的多个长短期记忆神经网络模型搭建，减少了搭建模型的成本；本发明提供了一种并联式油电混合动力汽车的车载动力电池使用策略，还提供了一种兼有动力电池和超级电容的电动汽车的车载动力电池使用和预警策略，增加了车载动力电池使用过程中的安全性。综上，本发明具有良好的工业应用前景。
附图说明
图1为本发明提出的一种车载动力电池SOC估计方法的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
在一个具体的实施例中，如图1所示，车载动力电池SOC估计方法，包括以下步骤：
S1：通过对与实车电池同型号的电池进行间歇性放电实验，得到电池在多种SOC和多种放电电流下，暂停放电期间的电压数据；
S2：将暂停放电期间的电压数据和对应的放电电流数据构成数据集，接着将数据集分为训练集和测试集，然后进行归一化处理；
S3：构建与长短期记忆神经网络的待优化参数相适应的粒子群，完成粒子群的初始化，确定长短期记忆神经网络的初始参数结构；
S4：根据权重更新公式，确定粒子更新公式；
S5：根据粒子更新公式，确定每个粒子的位置和速度；
S6：根据适应度公式，确定个体位置极值和群体位置极值；
S7：重复S4-S6，直至达到最大迭代次数，得到最优群体位置极值，确定长短期记忆神经网络的最终参数结构，形成长短期记忆神经网络模型，保存在车载电池管理系统中；
S8：实车应用中，在车载动力电池每次暂停放电时，采集电池暂停放电前一采样时刻的电流数据、暂停放电后一段时间内的电压序列数据，输入车载电池管理系统，采用步骤S7所述的长短期记忆神经网络模型计算车载动力电池的SOC；
S9：以步骤S8所计算的车载动力电池的SOC为初始值，在车载动力电池连续放电期间持续监控电池端电压和输出电流并更新SOC，直至下次暂停放电时，采用步骤S8所述方法重新计算车载动力电池的SOC。
本方案中，步骤S8所述的实车应用中，在车载动力电池每次暂停放电时，采集电池暂停放电前一采样时刻的电流数据、暂停放电后一段时间内的电压序列数据，输入车载电池管理系统，采用步骤S7 所述的长短期记忆神经网络模型计算车载动力电池的SOC，具体步骤如下：
S8-1：车载电池管理系统实时检测车速、车载动力电池的电压和电流，当检测到车速、电流为0时，代表车载动力电池暂停放电，保存暂停放电前一采样时刻的电流并记录为Irest，保存暂停放电后一段时间内的电压序列数据并记录为Urest1,Urest2,…,UrestT。
S8-2：将步骤S8-1所述的Irest,Urest1,Urest2,…,UrestT进行归一化处理；
S8-3：将步骤S8-2处理后的数据，输入步骤S7所述的长短期记忆神经网络模型，得到车载动力电池暂停放电时的SOC值并记录为 SOCrest。
本方案中，步骤S1所述的通过对与实车电池同型号的电池进行间歇性放电实验，得到电池在多种SOC和多种放电电流下，暂停放电期间的电压数据，具体步骤如下：
S1-1：在0至100％区域中均匀选取(M+1)个数据，作为暂停放电的SOC点，在0至最大放电电流Imax之间均匀选取N个数据，作为给定放电电流。将所有暂停放电的SOC点和所有放电电流分别组合，得到M×N种工况。
S1-2：针对步骤S1-1所述的M×N种工况，逐个工况进行恒流放电实验，并记录数据。具体方式为，首先以第n个给定放电电流，将动力电池由第(m+1)个SOC值放电至第m个SOC值，然后暂停放电，并将第m个SOC值记录为SOCn,m，将第n个给定放电电流记录为In,m，将暂停放电后整个电压回升过程的电压序列数据记录为Un,m,1，Un,m,2，…,Un,m,T，其中n＝1,2,...,N，m＝1,2,...,M。
本方案中，步骤S2所述的将暂停放电期间的电压数据和对应的放电电流数据构成数据集，接着将数据集分为训练集和测试集，然后进行归一化处理，具体步骤如下：
S2-1：将步骤S1-2所述的给定放电电流In,m，以及该放电电流所对应的暂停放电后整个电压回升过程的电压序列数据 Un,m,1，Un,m,2，…,Un,m,T定义为输入数据集，将步骤S1-2所述的SOC值 SOCn,m定义为输出数据集，其中n＝1,2,...,N，m＝1,2,...,M；
S2-2：把数据集按一定比例划分为训练集和测试集；
S2-3：将所述电流、电压、SOC进行归一化处理。
本方案中，所述长短期记忆神经网络的计算过程如下：
i＝σ(Wix[It,U1,t,U2,t，…,UT,t]+Wihht-1+bi)
f＝σ(Wfx[It,U1,t,U2,t，…,UT,t]+Wfhht-1+bf)
o＝σ(Wox[It,U1,t,U2,t，…,UT,t]+Wohht-1+bo)
z＝tanh(Wzx[It,U1,t,U2,t，…,UT,t]+Wzhht-1+bz)
ct＝f⊙ct-1+i⊙z
ht＝o⊙tanh(ct)
其中，[It,U1,t,U2,t，…,UT,t]表示在第t次暂停放电期间的输入，ht-1、ht分别表示在第(t-1)次、第t次的短期记忆信息，ct-1、ct分别表示在第(t-1) 次、第t次的长期记忆信息，Wix、Wfx、Wox、Wzx分别表示输入门、遗忘门、输出门、输入节点与模型输入之间的权值，Wih、Wfh、Woh、 Wzh分别表示输入门、遗忘门、输出门、输入节点与短期记忆信息之间的权值，bi、bf、bo、bz分别表示输入门、遗忘门、输出门、输入节点的偏置，i、f、o、z分别表示长短期记忆单元内输入门、遗忘门、输出门、输入节点的输出，σ、tanh、⊙分别表示Sigmoid函数、双曲正切函数、哈达玛积。
本方案中，步骤S3-S7的具体特征如下：
步骤S3所述的与长短期记忆神经网络的待优化参数相适应的粒子群，其中的第i个粒子对应的位置向量为
Xi＝[α,β1,β2,…,βj,…,βc,γ]T，i＝1,2,…,Z，j＝1,2,…,c
其中，Z表示粒子群中粒子个数，c表示长短期记忆网络的长短期记忆层数，α表示长短期记忆网络每个训练批次包含的样本数，βj表示长短期记忆网络的第j个长短期记忆层的长短期记忆单元数，γ表示长短期记忆网络的训练迭代次数。
步骤S4所述的权重更新公式为
Figure RE-GDA0003262027040000151
其中，
Figure RE-GDA0003262027040000152
分别表示第i个粒子在第k次迭代时的个体极值惯性权重、群体极值惯性权重、迭代次数惯性权重，a、b、c均表示常数，
Figure RE-GDA0003262027040000161
分别表示全部粒子在第k次迭代时与个体极值、群体极值的距离，
Figure RE-GDA0003262027040000162
分别表示第i个粒子在第k次迭代时与个体极值、群体极值的距离，ω0、c0、kmax分别表示表示初始惯性权重、初始极值权重、最大迭代次数。
步骤S5所述的粒子更新公式为
Figure RE-GDA0003262027040000163
Figure RE-GDA0003262027040000164
其中，D表示粒子的维度，k表示当前迭代次数，
Figure RE-GDA0003262027040000165
表示第i个粒子在第(k+1)次迭代时第d个维度的速度，
Figure RE-GDA0003262027040000166
表示第i个粒子在第k次迭代的惯性权重，
Figure RE-GDA0003262027040000167
分别表示第k次迭代的个体极值权重、群体极值权重，Xmax、Xmin分别表示粒子的个体位置上限、个体位置下限， rand[0,1]、rand[Xmin,Xmax]分别表示取值范围为[0,1]的随机数、取值范围为[Xmin,Xmax]的随机数，
Figure RE-GDA0003262027040000168
分别表示第i个粒子在第k次迭代时第d个维度的位置、第i个粒子在第k次迭代时第d个维度的个体位置极值、种群在第k次迭代时第d个维度的群体位置极值，
Figure RE-GDA0003262027040000169
表示第i个粒子在第(k+1)次迭代时第d个维度的位置，μ表示变异概率。
步骤S6所述的适应度公式为
LOSS＝0.5×(SOCreal-SOCpre)2
其中，SOCreal、SOCpre分别表示实际的SOC值、长短期记忆网络预测的SOC值。
步骤S7所述的最优群体位置极值为
Xbest＝[αbest,βbest1,βbest2,…,βbestj,…,βbestc,γbest]T，j＝1,2,…,c
其中，αbest表示长短期记忆网络每个训练批次包含的样本数最优值，βbestj表示长短期记忆网络的第j个长短期记忆层的长短期记忆单元数最优值，γbest表示长短期记忆网络的训练迭代次数最优值。
所述最优群体位置极值，用于确定所述的长短期记忆神经网络的最终参数结构，用于计算步骤S8所述的车载动力电池的SOC。
本方案中，所述步骤S1-S7的方法，可用于构建针对车载动力电池单体SOC估计的单个长短期记忆神经网络模型，也可用于构建针对车载动力电池模组SOC估计的多个长短期记忆神经网络模型；在构建针对车载动力电池模组SOC估计的多个长短期记忆神经网络模型时，本发明还提供了一种可加速构建过程的迁移学习方法，具体步骤如下：
步骤I：采用步骤S1-S7构建针对车载动力电池单体SOC估计的单个长短期记忆神经网络模型；
步骤II：使用迁移学习的方法，基于步骤I所得的针对车载动力电池单体SOC估计的单个长短期记忆神经网络模型，加速针对车载动力电池模组SOC估计的多个长短期记忆神经网络模型的构建过程，具体步骤如下：
步骤II-1：将模型参数分为冻结参数和fine-tune参数两种，其中fine-tune参数为长短期记忆神经网络模型各层之间的权重；fine-tune 操作为通过向已有模型输入新的单体电池数据，调整长短期记忆网络各层之间的权重，以快速构建适用于新的单体电池数据的模型。
步骤II-2：对于冻结参数，本发明直接迁移并冻结，不进行 fine-tune。
步骤II-3：对于fine-tune参数，本发明分为两种情况进行迁移：
在建立新的车载动力电池模组SOC估计模型时，本发明直接迁移权重并进行fine-tune；
在更新旧的车载动力电池模组SOC估计模型时。本发明随机初始化权重并进行fine-tune。fine-tune公式为
Figure RE-GDA0003262027040000181
其中，FINETUNE表示fine-tune操作，c表示长短期记忆网络的长短期记忆层数，case1、case2分别表示建立新的车载动力电池模组SOC 估计模型、更新旧的车载动力电池模组SOC估计模型，
Figure RE-GDA0003262027040000182
Figure RE-GDA0003262027040000183
分别表示已有车载动力电池单体SOC估计模型的输入层和第1 层长短期记忆层间的权重、已有车载动力电池单体SOC估计模型的输入层和第1层长短期记忆层间的随机初始化权重、新的车载动力电池单体SOC估计模型的的输入层和第1层长短期记忆层间的权重，
Figure RE-GDA0003262027040000184
分别表示已有车载动力电池单体SOC估计模型的第(j-1)层和第j层长短期记忆层间的权重、已有车载动力电池单体 SOC估计模型的第(j-1)层和第j层长短期记忆层间的随机初始化权重、新的车载动力电池单体SOC估计模型的第(j-1)层和第j层长短期记忆层间的权重，
Figure RE-GDA0003262027040000191
分别表示已有车载动力电池单体SOC估计模型的最后一层长短期记忆层和输出层间的权重、已有车载动力电池单体SOC估计模型的最后一层长短期记忆层和输出层间的随机初始化权重、新的车载动力电池单体SOC估计模型的最后一层长短期记忆层和输出层间的权重。
本方案中，在并联方式的油电混合动力汽车中，其车载动力电池只在汽车起步、加速阶段使用，有密集的暂停放电阶段，故本发明还提供了一种并联式油电混合动力汽车的车载动力电池使用策略，具体步骤如下：
在汽车处于第p次暂停放电时，使用步骤S8所述的车载动力电池SOC估计方法，得到第p次暂停放电时的SOC估计值SOCp，根据SOCp选择不同车载动力电池使用策略：
如果SOCp≤ψ，车载动力电池连接发动机的输出端，开始充电，取消参与汽车下一次的起步、加速阶段；
如果SOCp＞ψ，车载动力电池连接发动机的输入端，取消充电，开始参与汽车下一次的起步、加速阶段；
其中，ψ表示车载动力电池变换使用策略的SOC阈值。
本方案中，在兼有动力电池和超级电容的电动汽车中，由于动力电池和超级电容均可放电，其车载动力电池存在暂停放电阶段，故本发明还提供了一种兼有动力电池和超级电容的电动汽车的车载动力电池使用和预警策略，具体步骤如下：
在汽车第q次运行的起始阶段，先由动力电池释放电能，超级电容、汽车动力系统接收电能。考虑不过充过放等限制条件，并结合动力电池在第(q-1)次暂停放电状态的SOC估计值SOC(q-1)，确定动力电池最大可释放电能CAPbat，超级电容最大可接收电能CAPsup。考虑汽车动力系统、实际路况、环境温度等实际条件，确定动力电池向超级电容传输电能时的转换效率η。根据以上条件选择不同车载动力电池使用策略：
如果CAPbat＞ηCAPsup，则在超级电容充满电后，由超级电容释放电能，汽车动力系统接收电能，动力电池进入暂停放电阶段，使用步骤 S8所述的车载动力电池SOC估计方法，得到第q次暂停放电状态的 SOC估计值SOCq；
如果CAPbat≤ηCAPsup，则在动力电池放完电后，由超级电容释放电能，汽车动力系统接收电能，动力电池进入暂停放电阶段，使用步骤 S8所述的车载动力电池SOC估计方法，得到第q次暂停放电状态的 SOC估计值SOCq；
根据SOCq选择不同车载动力电池预警策略：
如果车载动力电池的SOCq低于预警值，车载电池管理系统发出预警，提示驾驶员对车载动力电池进行充电；
如果车载动力电池的SOCq高于预警值，车载电池管理系统不发出警报。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (9)

1.一种车载动力电池SOC估计方法，其特征在于，具体步骤如下：
S1：通过对与实车电池同型号的电池进行间歇性放电实验，得到电池在多种SOC和多种放电电流下，暂停放电期间的电压数据；
S2：将暂停放电期间的电压数据和对应的放电电流数据构成数据集，接着将数据集分为训练集和测试集，然后进行归一化处理；
S3：构建与长短期记忆神经网络的待优化参数相适应的粒子群，完成粒子群的初始化，确定长短期记忆神经网络的初始参数结构；
S4：根据权重更新公式，确定粒子更新公式；
S5：根据粒子更新公式，确定每个粒子的位置和速度；
S6：根据适应度公式，确定个体位置极值和群体位置极值；
S7：重复S4-S6，直至达到最大迭代次数，得到最优群体位置极值，确定长短期记忆神经网络的最终参数结构，形成长短期记忆神经网络模型，保存在车载电池管理系统中；
S8：实车应用中，在车载动力电池每次暂停放电时，采集电池暂停放电前一采样时刻的电流数据、暂停放电后一段时间内的电压序列数据，输入车载电池管理系统，采用步骤S7所述的长短期记忆神经网络模型计算车载动力电池的SOC；
S9：以步骤S8所计算的车载动力电池的SOC为初始值，在车载动力电池连续放电期间持续监控电池端电压和输出电流并更新SOC，直至下次暂停放电时，采用步骤S8所述方法重新计算车载动力电池的SOC。
2.权利要求1所述的一种车载动力电池SOC估计方法，其特征在于，步骤S8所述的实车应用中，在车载动力电池每次暂停放电时，采集电池暂停放电前一采样时刻的电流数据、暂停放电后一段时间内的电压序列数据，输入车载电池管理系统，采用步骤S7所述的长短期记忆神经网络模型计算车载动力电池的SOC，具体步骤如下：
S8-1：车载电池管理系统实时检测车速、车载动力电池的电压和电流，当检测到车速和电流为0时，代表车载动力电池暂停放电，保存暂停放电前一采样时刻的电流并记录为Irest，保存暂停放电后一段时间内的电压序列数据并记录为Urest1,Urest2,…,UrestT；
S8-2：将步骤S8-1所述的Irest,Urest1,Urest2,…,UrestT进行归一化处理；
S8-3：将步骤S8-2处理后的数据，输入步骤S7所述的长短期记忆神经网络模型，得到车载动力电池暂停放电时的SOC值并记录为SOCrest。
3.如权利要求1所述的一种车载动力电池SOC估计方法，其特征在于，步骤S1所述的通过对与实车电池同型号的电池进行间歇性放电实验，得到电池在多种SOC和多种放电电流下，暂停放电期间的电压数据，具体步骤如下：
S1-1：在0至100％区域中均匀选取(M+1)个数据，作为暂停放电的SOC点，在0至最大放电电流Imax之间均匀选取N个数据，作为给定放电电流；将所有暂停放电的SOC点和所有放电电流分别组合，得到M×N种工况；
S1-2：针对步骤S1-1所述的M×N种工况，逐个工况进行恒流放电实验，并记录数据；具体方式为，首先以第n个给定放电电流，将动力电池由第(m+1)个SOC值放电至第m个SOC值，然后暂停放电，并将第m个SOC值记录为SOCn,m，将第n个给定放电电流记录为In,m，将暂停放电后整个电压回升过程的电压序列数据记录为Un,m,1，Un,m,2，…,Un,m,T，其中n＝1,2,...,N，m＝1,2,...,M。
4.如权利要求3所述的一种车载动力电池SOC估计方法，其特征在于，步骤S2所述的将暂停放电期间的电压数据和对应的放电电流数据构成数据集，接着将数据集分为训练集和测试集，然后进行归一化处理，具体步骤如下：
S2-1：将步骤S1-2所述的给定放电电流In,m，以及该放电电流所对应的暂停放电后整个电压回升过程的电压序列数据Un,m,1，Un,m,2，…,Un,m,T定义为输入数据集，将步骤S1-2所述的SOC值SOCn,m定义为输出数据集，其中n＝1,2,...,N，m＝1,2,...,M；
S2-2：把数据集按一定比例划分为训练集和测试集；
S2-3：将所述电流、电压和SOC进行归一化处理。
5.如权利要求1所述的一种车载动力电池SOC估计方法，其特征在于，所述长短期记忆神经网络的计算过程如下：
i＝σ(Wix[It,U1,t,U2,t，…,UT,t]+Wihht-1+bi)
f＝σ(Wfx[It,U1,t,U2,t，…,UT,t]+Wfhht-1+bf)
o＝σ(Wox[It,U1,t,U2,t，…,UT,t]+Wohht-1+bo)
z＝tanh(Wzx[It,U1,t,U2,t，…,UT,t]+Wzhht-1+bz)
ct＝f⊙ct-1+i⊙z
ht＝o⊙tanh(ct)
其中，[It,U1,t,U2,t，…,UT,t]表示在第t次暂停放电期间的输入，ht-1、ht分别表示在第(t-1)次、第t次的短期记忆信息，ct-1、ct分别表示在第(t-1)次、第t次的长期记忆信息，Wix、Wfx、Wox、Wzx分别表示输入门、遗忘门、输出门、输入节点与模型输入之间的权值，Wih、Wfh、Woh、Wzh分别表示输入门、遗忘门、输出门、输入节点与短期记忆信息之间的权值，bi、bf、bo、bz分别表示输入门、遗忘门、输出门、输入节点的偏置，i、f、o、z分别表示长短期记忆单元内输入门、遗忘门、输出门、输入节点的输出，σ、tanh、⊙分别表示Sigmoid函数、双曲正切函数、哈达玛积。
6.如权利要求1所述的一种车载动力电池SOC估计方法，其特征在于，步骤S3-S7的具体特征如下：
步骤S3所述的与长短期记忆神经网络的待优化参数相适应的粒子群，其中的第i个粒子对应的位置向量为
Xi＝[α,β1,β2,…,βj,…,βc,γ]T，i＝1,2,…,Z，j＝1,2,…,c
其中，Z表示粒子群中粒子个数，c表示长短期记忆网络的长短期记忆层数，α表示长短期记忆网络每个训练批次包含的样本数，βj表示长短期记忆网络的第j个长短期记忆层的长短期记忆单元数，γ表示长短期记忆网络的训练迭代次数；
步骤S4所述的权重更新公式为
Figure FDA0003471058290000051
Figure FDA0003471058290000052
Figure FDA0003471058290000053
Figure FDA0003471058290000054
Figure FDA0003471058290000055
Figure FDA0003471058290000056
i＝1,2,…,N
其中，
Figure FDA0003471058290000057
分别表示第i个粒子在第k次迭代时的个体极值惯性权重、群体极值惯性权重、迭代次数惯性权重，a、b、c均表示常数，
Figure FDA0003471058290000058
分别表示全部粒子在第k次迭代时与个体极值、群体极值的距离，
Figure FDA0003471058290000059
分别表示第i个粒子在第k次迭代时与个体极值、群体极值的距离，ω0、c0、kmax分别表示表示初始惯性权重、初始极值权重、最大迭代次数；
步骤S5所述的粒子更新公式为
Figure FDA00034710582900000510
Figure FDA00034710582900000511
其中，D表示粒子的维度，k表示当前迭代次数，
Figure FDA00034710582900000512
表示第i个粒子在第(k+1)次迭代时第d个维度的速度，
Figure FDA00034710582900000513
表示第i个粒子在第k次迭代的惯性权重，
Figure FDA00034710582900000514
分别表示第k次迭代的个体极值权重、群体极值权重，Xmax、Xmin分别表示粒子的个体位置上限、个体位置下限，rand[0,1]、rand[Xmin,Xmax]分别表示取值范围为[0,1]的随机数、取值范围为[Xmin,Xmax]的随机数，
Figure FDA0003471058290000061
分别表示第i个粒子在第k次迭代时第d个维度的位置、第i个粒子在第k次迭代时第d个维度的个体位置极值、种群在第k次迭代时第d个维度的群体位置极值，
Figure FDA0003471058290000062
表示第i个粒子在第(k+1)次迭代时第d个维度的位置，μ表示变异概率；
步骤S6所述的适应度公式为
LOSS＝0.5×(SOCreal-SOCpre)2
其中，SOCreal、SOCpre分别表示实际的SOC值、长短期记忆网络预测的SOC值；
步骤S7所述的最优群体位置极值为
Xbest＝[αbest,βbest1,βbest2,…,βbestj,…,βbestc,γbest]T，j＝1,2,…,c
其中，αbest表示长短期记忆网络每个训练批次包含的样本数最优值，βbestj表示长短期记忆网络的第j个长短期记忆层的长短期记忆单元数最优值，γbest表示长短期记忆网络的训练迭代次数最优值；
所述最优群体位置极值，用于确定所述的长短期记忆神经网络的最终参数结构，用于计算步骤S8所述的车载动力电池的SOC。
7.如权利要求1所述的一种车载动力电池SOC估计方法，其特征在于，所述步骤S1-S7的方法，用于构建针对车载动力电池单体SOC估计的单个长短期记忆神经网络模型，或用于构建针对车载动力电池模组SOC估计的多个长短期记忆神经网络模型；在构建针对车载动力电池模组SOC估计的多个长短期记忆神经网络模型时，还提供了一种可加速构建过程的迁移学习方法，具体步骤如下：
步骤I：采用步骤S1-S7构建针对车载动力电池单体SOC估计的单个长短期记忆神经网络模型；
步骤II：使用迁移学习的方法，基于步骤I所得的针对车载动力电池单体SOC估计的单个长短期记忆神经网络模型，加速针对车载动力电池模组SOC估计的多个长短期记忆神经网络模型的构建过程，具体步骤如下：
步骤II-1：将模型参数分为冻结参数和fine-tune参数两种，其中fine-tune参数为长短期记忆神经网络模型各层之间的权重；fine-tune操作为通过向已有模型输入新的单体电池数据，调整长短期记忆网络各层之间的权重，以快速构建适用于新的单体电池数据的模型；
步骤II-2：对于冻结参数，直接迁移并冻结，不进行fine-tune；
步骤II-3：对于fine-tune参数，分为两种情况进行迁移：
在建立新的车载动力电池模组SOC估计模型时，直接迁移权重并进行fine-tune；
在更新旧的车载动力电池模组SOC估计模型时；随机初始化权重并进行fine-tune；fine-tune公式为
Figure FDA0003471058290000071
其中，FINETUNE表示fine-tune操作，c表示长短期记忆网络的长短期记忆层数，case1、case2分别表示建立新的车载动力电池模组SOC估计模型、更新旧的车载动力电池模组SOC估计模型，
Figure FDA0003471058290000072
Figure FDA0003471058290000081
分别表示已有车载动力电池单体SOC估计模型的输入层和第1层长短期记忆层间的权重、已有车载动力电池单体SOC估计模型的输入层和第1层长短期记忆层间的随机初始化权重、新的车载动力电池单体SOC估计模型的的输入层和第1层长短期记忆层间的权重，
Figure FDA0003471058290000082
分别表示已有车载动力电池单体SOC估计模型的第(j-1)层和第j层长短期记忆层间的权重、已有车载动力电池单体SOC估计模型的第(j-1)层和第j层长短期记忆层间的随机初始化权重、新的车载动力电池单体SOC估计模型的第(j-1)层和第j层长短期记忆层间的权重，
Figure FDA0003471058290000083
分别表示已有车载动力电池单体SOC估计模型的最后一层长短期记忆层和输出层间的权重、已有车载动力电池单体SOC估计模型的最后一层长短期记忆层和输出层间的随机初始化权重、新的车载动力电池单体SOC估计模型的最后一层长短期记忆层和输出层间的权重。
8.如权利要求1所述的一种车载动力电池SOC估计方法，其特征在于，在并联方式的油电混合动力汽车中，其车载动力电池只在汽车起步和加速阶段使用，有密集的暂停放电阶段，还提供了一种并联式油电混合动力汽车的车载动力电池使用策略，具体步骤如下：
在汽车处于第p次暂停放电时，使用步骤S8所述的车载动力电池SOC估计方法，得到第p次暂停放电时的SOC估计值SOCp，根据SOCp选择不同车载动力电池使用策略：
如果SOCp≤ψ，车载动力电池连接发动机的输出端，开始充电，取消参与汽车下一次的起步和加速阶段；
如果SOCp＞ψ，车载动力电池连接发动机的输入端，取消充电，开始参与汽车下一次的起步和加速阶段；
其中，ψ表示车载动力电池变换使用策略的SOC阈值。
9.如权利要求1所述的一种车载动力电池SOC估计方法，其特征在于，在兼有动力电池和超级电容的电动汽车中，由于动力电池和超级电容均可放电，其车载动力电池存在暂停放电阶段，还提供了一种兼有动力电池和超级电容的电动汽车的车载动力电池使用和预警策略，具体步骤如下：
在汽车第q次运行的起始阶段，先由动力电池释放电能，超级电容和汽车动力系统接收电能；考虑不过充过放限制条件，并结合动力电池在第(q-1)次暂停放电状态的SOC估计值SOC(q-1)，确定动力电池最大可释放电能CAPbat，超级电容最大可接收电能CAPsup；考虑汽车动力系统、实际路况和环境温度实际条件，确定动力电池向超级电容传输电能时的转换效率η；根据以上条件选择不同车载动力电池使用策略：
如果CAPbat＞ηCAPsup，则在超级电容充满电后，由超级电容释放电能，汽车动力系统接收电能，动力电池进入暂停放电阶段，使用步骤S8所述的车载动力电池SOC估计方法，得到第q次暂停放电状态的SOC估计值SOCq；
如果CAPbat≤ηCAPsup，则在动力电池放完电后，由超级电容释放电能，汽车动力系统接收电能，动力电池进入暂停放电阶段，使用步骤S8所述的车载动力电池SOC估计方法，得到第q次暂停放电状态的SOC估计值SOCq；
根据SOCq选择不同车载动力电池预警策略：
如果车载动力电池的SOCq低于预警值，车载电池管理系统发出预警，提示驾驶员对车载动力电池进行充电；
如果车载动力电池的SOCq高于预警值，车载电池管理系统不发出警报。
CN202110726961.0A 2021-06-29 2021-06-29 一种车载动力电池soc估计方法 Active CN113589177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110726961.0A CN113589177B (zh) 2021-06-29 2021-06-29 一种车载动力电池soc估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110726961.0A CN113589177B (zh) 2021-06-29 2021-06-29 一种车载动力电池soc估计方法

Publications (2)

Publication Number Publication Date
CN113589177A CN113589177A (zh) 2021-11-02
CN113589177B true CN113589177B (zh) 2022-04-01

Family

ID=78244987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110726961.0A Active CN113589177B (zh) 2021-06-29 2021-06-29 一种车载动力电池soc估计方法

Country Status (1)

Country Link
CN (1) CN113589177B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116203432B (zh) * 2023-03-23 2023-10-20 广东工业大学 基于cso优化的无迹卡尔曼滤波预测电池荷电状态的方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11171498B2 (en) * 2017-11-20 2021-11-09 The Trustees Of Columbia University In The City Of New York Neural-network state-of-charge estimation
CN108196200B (zh) * 2018-01-28 2020-08-28 复旦大学 一种锂电池健康和荷电状态的联合模拟评估方法
CN109459699A (zh) * 2018-12-25 2019-03-12 北京理工大学 一种锂离子动力电池soc实时监测方法
CN110361668A (zh) * 2019-07-31 2019-10-22 江西恒动新能源有限公司 一种动力电池组荷电状态soc的估算方法
KR102246633B1 (ko) * 2019-09-26 2021-04-30 금오공과대학교 산학협력단 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법
CN111537888A (zh) * 2020-05-09 2020-08-14 国网福建省电力有限公司莆田供电公司 一种数据驱动的梯次电池soc预测方法
CN112415408A (zh) * 2020-11-10 2021-02-26 南昌济铃新能源科技有限责任公司 一种动力电池soc估算方法

Also Published As

Publication number Publication date
CN113589177A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN111638465B (zh) 基于卷积神经网络和迁移学习的锂电池健康状态估计方法
CN110888059B (zh) 基于改进随机森林联合容积卡尔曼的荷电状态估计算法
JP4075925B2 (ja) 車両用鉛蓄電池の内部状態検出システム
CN112241608A (zh) 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN110133507B (zh) 一种基于narx-ukf算法的电池剩余电量估计方法
CN113917337A (zh) 基于充电数据和lstm神经网络的电池健康状态估计方法
CN111983457A (zh) 一种基于lstm神经网络的电池组soh估算方法
CN113189490B (zh) 基于特征筛选和高斯过程回归的锂电池健康状态估计方法
CN111191824B (zh) 一种动力电池容量衰减预测方法及系统
KR102297343B1 (ko) 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법
CN112163372B (zh) 一种动力电池的soc估算方法
CN112215434A (zh) 一种lstm模型的生成方法、充电时长预测方法及介质
CN112269133B (zh) 一种基于预充电路模型参数识别的soc估计方法
CN111983468A (zh) 基于神经网络的锂动力电池的安全度估算方法
CN113777510A (zh) 一种锂电池荷电状态估计方法及装置
CN113589177B (zh) 一种车载动力电池soc估计方法
CN115856678A (zh) 一种锂离子电池健康状态估计方法
CN115308628A (zh) 一种电池健康状态监测方法
CN116008844A (zh) 一种适应快充策略的车用锂电池健康状态在线预测方法
CN115219906A (zh) 基于ga-pso优化的多模型融合电池荷电状态预测方法及系统
CN115742855A (zh) 电动汽车剩余里程预测方法、装置、电动汽车及介质
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
KR102246633B1 (ko) 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
CN114814592A (zh) 锂电池健康状态估计与剩余使用寿命预测方法及设备

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
GR01 Patent grant
GR01 Patent grant