CN114062948B - 一种基于3dcnn的锂离子电池soc估计方法 - Google Patents

Abstract

本发明提供了一种基于3DCNN的锂离子电池SOC估计方法，属于锂离子电池技术领域。解决了SOC估计方法中3DCNN卷积神经网络难以用于SOC估计的问题。其技术方案为：该方法包括以下步骤：步骤1）通过放电实验，反复测取电流等数据；步骤2）数据预处理并构建数据集；步骤3）通过3DCNN卷积神经网络对数据集进行训练，得到3DCNN模型用于实时估计。本发明的有益效果为：本发明使用的卷积神经网络结构能够发掘相邻放电周期之间同一时间点上输入数据的联系，时间维度上的卷积核不仅能考虑循环次数，还能提取各个循环之间的特征关系，且凭借其高适应能力，还可以进行电池剩余容量、电池剩余寿命等电池各个参数的预测。

Description

一种基于3DCNN的锂离子电池SOC估计方法

技术领域

本发明涉及锂离子电池技术领域，尤其涉及一种基于3DCNN的锂离子电池SOC估计方法。

背景技术

新能源汽车目前在国内发展迅速，其中以车载锂电池为动力的电动汽车在“十三五”规划中被大力推广。锂电池凭借寿命、比能等多方面的特点成为了最重要的储能元件，锂电池也按照正负极材料不同分为沽酸锂电池、锰酸锂电池、二氧化锰锂电池和磷酸铁锂电池。电动汽车的续航能力、剩余电量等测量准确性也成为了人们关注的重点。在现实中，完成电动汽车电池荷电状态的估计仍然是一项具有挑战性的任务。

目前现有的锂电池SOC估计方法中，有放电试验法、安时积分法、开路电压法、内阻法、卡尔曼滤波法和神经网络算法等。因为在实际运行过程中电动汽车电池受到温度等各种因素的干扰，处于一种电压电流不恒定的放电状态，并且没有一个约定的具体模型，所以前五种算法均考虑不全面，神经网络算法凭借其精度高、适应能力强等优点发展迅速，3DCNN作为一种最初用于视频图像学习的技术，将其用于锂电池SOC估计成为了一个难点。

如何解决上述技术问题为本发明面临的课题。

发明内容

本发明的目的在于提供一种基于3DCNN的锂离子电池SOC估计方法，分别通过不同温度下的电池充放电实验获取电池各项参数，然后处理数据与构建训练数据集，将训练的数据集导入3DCNN卷积神经网络中进行训练，最终可用于锂电池SOC的实时估计。

本发明是通过如下措施实现的：一种基于3DCNN的锂离子电池SOC估计方法，包括以下步骤：

步骤1)在不同温度下，将全新锂电池充满电，然后通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验，反复测取SOC从1到0的锂离子电池端电压、负载电流数据、内阻；

步骤2)对测取的数据进行预处理，构建用于3DCNN的训练数据集和测试数据集；

步骤3)通过3DCNN卷积神经网络对数据集进行训练，得到3DCNN模型用于实时估计；

作为本发明提供的一种基于3DCNN的锂离子电池SOC估计方法进一步优化方案，所述步骤2)具体包括如下步骤：

步骤2-1)数据没有统一量纲在神经网络算法拟合时有收敛速度缓慢、误差偏高等问题，所以需要对测取的数据进行归一化处理，各种工况实验的电池对象相同，但是电压电流等变化范围不同，因此需要先对各种工况的数据单独进行预处理，采用公式(1)对输入数据进行归一化处理：

其中，a_ij为第i个输入的第j个数据点，a_min是第i个输入数据的最小值，a_max是第i个输入数据的最大值，x_inij是a_ij进行归一化处理后的数据。

输出为锂电池的SOC，SOC的范围在0到1之间，因此不需要进行归一化处理。

步骤2-2)数据归一化处理后，为了发掘一个放电周期中各个输入数据间的联系和相邻放电周期之间的联系，使用一种新的方法构建数据集，首先将一个放电周期中的测量值截取成若干个长度为n的数据，如下所示：

其中，x_ij表示输入数据集中第i个输入的第j帧数据，3DCNN卷积神经网络同时输入一个时间戳上的多帧数据，通过选取同一放电时间段上的连续j个放电周期的电压电流数据作为3DCNN的一个输入，j取3，数据集中，T表示电池工作时的温度，U表示电池两端的电压，I表示电池通过的电流，R表示本放电周期的电池内阻，t表示放电的时间；

步骤2-3)对于一个总循环充放电次数N、单放电周期m的工况放电实验，为了充分发掘每一个放电周期内前后输入数据间的联系和相邻放电周期之间输入数据的联系，使用padding方法对边缘数据进行扩充，然后总共生成N×m组输入数据，对应的N×m个SOC值为输出数据，不同工况的输入输出数据合并成为总数据集；

步骤2-4)为了保证工况的连续性和对特征的充分挖掘，采用总数据集中放电工况前80％的数据作为训练数据集后，20％的数据作为测试数据集，用于3DCNN的训练和测试；

所述步骤3)具体包含如下步骤：

步骤3-1)针对锂离子电池SOC估计开发的3DCNN卷积神经网络架构包括：一个输入层、两个卷积层、一个池化层、一个全连接层和一个输出层；

输入层(Input)：连续3帧大小为5×5的输入数据帧作为输入；

卷积层(Convolution C1)：对输入的数据使用大小为3×3×2的3D卷积核进行卷积操作，卷积核在每次进行卷积运算时都能够包含中心的数据，以便发现当前时刻数据在空间与时间上与其他数据的联系，为了增加特征maps数量，采用两种不同的卷积核，C1层的特征maps数量：((3-2)+1)×2＝4，特征maps大小为：((5-3)+1)×((5-3)+1)＝3×3；

池化层(Sub-sampling S2)：该层采用2×2的核进行average pooling操作，池化操作后maps数量不变，大小变为2×2；

卷积层(Convolution C3)：以池化层的输出作为该层输入，使用2×2×2的卷积核进行卷积操作，选取三种不同的卷积核，C3层的特征maps数量：3×3＝9，大小为：1×1；

全连接层(Fully connected layer F4)：全连接层的输入为卷积层输出，输出的maps数量为9，大小也是1×1；

输出层(Output)：使用softmax激活来进行最终的锂电池SOC估计输出。

与现有技术相比，本发明的有益效果为：

(1)本发明的数据集构建方法相比2DCNN，可以更好发掘相邻放电周期之间同一时间点上输入数据的联系；而且，通过针对锂离子电池SOC估计开发的3DCNN卷积神经网络架构，不需要对数据集进行膨胀操作等，就能让每一层的每一个特征maps都能包含预测对象的信息。

(2)本发明使用的卷积神经网络为3DCNN，相比较2DCNN，3DCNN拥有了时间维度的卷积核，锂离子电池的SOC估计中，电池的剩余寿命和剩余容量对估计的影响很大，这就跟循环充放电的次数有很大的关系，2DCNN仅仅能考虑循环次数，却不能提取各个循环之间的特征关系，3DCNN的引入将会对这一特征进行充分提取。

(3)本发明预测的对象为SOC值，因为本方法的高适应能力，还可以进行电池剩余容量、电池剩余寿命等电池各个参数的预测。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明的总体框架流程图。

图2为本发明中一组DST工况放电实验的SOC数据结果曲线图。

图3为本发明对DST工况的SOC后20％的预测结果曲线图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

参见图1至图3，本发明提供其技术方案为一种基于3DCNN的锂离子电池SOC估计方法，本实施例以松下锂离子电池NCR-18650B为对象展开研究，标定电压为3.7V，电池容量为3400mAh。电池以恒流-恒压充电方式充满，待静置1h后，电池为满电状态。电池分别以恒流放电、DST工况、FUDS工况和US06工况进行放电实验，直至电压降至放电截止电压，反复实验。

为了更好的实现本发明的目的，本实施例是基于3DCNN的锂离子电池SOC估计方法，包括下列步骤：

步骤1)在不同温度下，将全新锂电池充满电，然后通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验，反复测取SOC从1到0的锂离子电池端电压、负载电流数据、内阻，其中如图2所示，是某一组DST工况的放电实验中SOC的原始数据；

步骤2)对测取的数据进行预处理，构建用于3DCNN的训练数据集和测试数据集；

步骤3)通过3DCNN卷积神经网络对数据集进行训练，得到3DCNN模型用于实时估计。

具体地，所述步骤2)具体包括如下步骤：

步骤2-1)对测取的数据进行归一化处理，因为各种工况实验的电池对象相同，但是电压电流等变化范围不同，因此需要先对各种工况的数据单独进行预处理，采用如下公式对输入数据进行归一化处理：

其中，a_ij为第i个输入的第j个数据点，a_min是第i个输入数据的最小值，a_max是第i个输入数据的最大值，x_inij是a_ij进行归一化处理后的数据。

输出为锂电池的SOC，SOC的范围在0到1之间，因此不需要进行归一化处理。

步骤2-2)数据归一化处理后，为了发掘一个放电周期中各个输入数据间的联系和相邻放电周期之间的联系，使用一种新的方法构建数据集，首先将一个放电周期中的测量值截取成若干个长度为n的数据，如下所示：

其中，x_ij表示输入数据集中第i个输入的第j帧数据，3DCNN卷积神经网络同时输入一个时间戳上的多帧数据，通过选取同一放电时间段上的连续j个放电周期的电压电流数据作为3DCNN的一个输入，j取3，数据集中，T表示电池工作时的温度，U表示电池两端的电压，I表示电池通过的电流，R表示本放电周期的电池内阻，t表示放电的时间；

步骤2-3)对于一个总循环充放电次数N、单放电周期m的工况放电实验，为了充分发掘每一个放电周期内前后输入数据间的联系和相邻放电周期之间输入数据的联系，使用padding方法对边缘数据进行扩充，然后总共生成N×m组输入数据，对应的N×m个SOC值为输出数据，不同工况的输入输出数据合并成为总数据集；

步骤2-4)为了保证工况的连续性和对特征的充分挖掘，采用总数据集中放电工况前80％的数据作为训练数据集后，20％的数据作为测试数据集，用于3DCNN的训练和测试；

所述步骤3)具体包含如下步骤：

步骤3-1)针对锂离子电池SOC估计开发的3DCNN卷积神经网络架构包括：一个输入层、两个卷积层、一个池化层、一个全连接层和一个输出层；

输入层(Input)：连续3帧大小为5×5的输入数据帧作为输入；

卷积层(Convolution C1)：对输入的数据使用大小为3×3×2的3D卷积核进行卷积操作，卷积核在每次进行卷积运算时都能够包含中心的数据，以便发现当前时刻数据在空间与时间上与其他数据的联系，为了增加特征maps数量，采用两种不同的卷积核，C1层的特征maps数量：((3-2)+1)×2＝4，特征maps大小为：((5-3)+1)×((5-3)+1)＝3×3；

池化层(Sub-sampling S2)：该层采用2×2的核进行average pooling操作，池化操作后maps数量不变，大小变为2×2；

卷积层(Convolution C3)：以池化层的输出作为该层输入，使用2×2×2的卷积核进行卷积操作，选取三种不同的卷积核，C3层的特征maps数量：3×3＝9，大小为：1×1；

全连接层(Fully connected layer F4)：全连接层的输入为卷积层输出，输出的maps数量为9，大小也是1×1；

输出层(Output)：使用softmax激活来进行最终的锂电池SOC估计输出。

输入到3DCNN的数据集构建方法与2DCNN相比，可以更好发掘相邻放电周期之间同一时间点上输入数据的联系；而且，通过针对锂离子电池SOC估计开发的3DCNN卷积神经网络架构，不需要对数据集进行膨胀操作等，就能让每一层的每一个特征maps都能包含预测对象的信息。最终，将图2所示DST工况后20％的数据作为输入，对SOC进行预测，结果如图3所示。

3DCNN相比较2DCNN，3DCNN拥有了时间维度的卷积核。锂离子电池的SOC估计中，电池的剩余寿命和剩余容量对估计的影响很大，这就跟循环充放电的次数有很大的关系，2DCNN仅仅能考虑循环次数，却不能提取各个循环之间的特征关系，3DCNN的引入将会对这一特征进行充分提取。

本发明中的方法最初用于预测SOC值，因为本方法的高适应能力，还可以进行电池剩余容量、电池剩余寿命等电池各个参数的预测。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于3DCNN的锂离子电池SOC估计方法，其特征在于，包括以下步骤：

步骤1)在不同温度下，将全新锂电池充满电，通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验，反复测取SOC从1到0的锂离子电池端电压、负载电流数据、内阻；

步骤2)对测取的数据进行预处理，构建用于3DCNN的训练数据集和测试数据集；

步骤3)通过3DCNN卷积神经网络对数据集进行训练，得到3DCNN模型用于实时估计；

所述步骤2)具体包括如下步骤：

步骤2-1)数据没有统一量纲在神经网络算法拟合时有收敛速度缓慢、误差偏高的问题，对测取的数据进行归一化处理，各种工况实验的电池对象相同，电压电流变化范围不同，先对各种工况的数据单独进行预处理，采用公式(1)对输入数据进行归一化处理：

其中，a_ij为第i个输入的第j个数据点，a_min是第i个输入数据的最小值，a_max是第i个输入数据的最大值，x_{in_ij}是a_ij进行归一化处理后的数据；

输出为锂电池的SOC，SOC的范围在0到1之间，不需要进行归一化处理；

步骤2-2)数据归一化处理后，为了发掘一个放电周期中各个输入数据间的联系和相邻放电周期之间的联系，使用一种新的方法构建数据集，首先将一个放电周期中的测量值截取成若干个长度为n的数据，如下所示：

其中，x_ij表示输入数据集中第i个输入的第j帧数据，3DCNN卷积神经网络同时输入一个时间戳上的多帧数据，通过选取同一放电时间段上的连续j个放电周期的电压电流数据作为3DCNN的一个输入，j取3，数据集中，T表示电池工作时的温度，U表示电池两端的电压，I表示电池通过的电流，R表示本放电周期的电池内阻，t表示放电的时间；

步骤2-3)对于一个总循环充放电次数N、单放电周期m的工况放电实验，为了充分发掘每一个放电周期内前后输入数据间的联系和相邻放电周期之间输入数据的联系，使用padding方法对边缘数据进行扩充，然后总共生成N×m组输入数据，对应的N×m个SOC值为输出数据，不同工况的输入输出数据合并成为总数据集；

步骤2-4)为了保证工况的连续性和对特征的充分挖掘，采用总数据集中放电工况前80％的数据作为训练数据集后，20％的数据作为测试数据集，用于3DCNN的训练和测试；

所述步骤3)具体包含如下步骤：

步骤3-1)针对锂离子电池SOC估计开发的3DCNN卷积神经网络架构包括：一个输入层、两个卷积层、一个池化层、一个全连接层和一个输出层；

输入层(Input)：连续3帧大小为5×5的输入数据帧作为输入；

卷积层C1(Convolution C1)：对输入的数据使用大小为3×3×2的3D卷积核进行卷积操作，卷积核在每次进行卷积运算时都能够包含中心的数据，以便发现当前时刻数据在空间与时间上与其他数据的联系，为了增加特征maps数量，采用两种不同的卷积核，C1层的特征maps数量：((3-2)+1)×2＝4，特征maps大小为：((5-3)+1)×((5-3)+1)＝3×3；

池化层S2(Sub-sampling S2)：该层采用2×2的核进行average pooling操作，池化操作后maps数量不变，大小变为2×2；

卷积层C3(Convolution C3)：以池化层的输出作为该层输入，使用2×2×2的卷积核进行卷积操作，选取三种不同的卷积核，C3层的特征maps数量：3×3＝9，大小为：1×1；

全连接层F4(Fully connected layer F4)：全连接层的输入为卷积层输出，输出的maps数量为9，大小也是1×1；

输出层(Output)：使用softmax激活来进行最终的锂电池SOC估计输出。

Images