CN114089190B - 一种基于神经网络的电池soc估算方法 - Google Patents

一种基于神经网络的电池soc估算方法 Download PDF

Info

Publication number
CN114089190B
CN114089190B CN202111332772.1A CN202111332772A CN114089190B CN 114089190 B CN114089190 B CN 114089190B CN 202111332772 A CN202111332772 A CN 202111332772A CN 114089190 B CN114089190 B CN 114089190B
Authority
CN
China
Prior art keywords
data
neural network
network model
battery
method based
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
CN202111332772.1A
Other languages
English (en)
Other versions
CN114089190A (zh
Inventor
沈永柏
王翰超
王云
姜明军
孙艳
江梓贤
刘欢
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.)
Shenzhen Li Hi Tech Co ltd
Original Assignee
Shenzhen Li Hi Tech Co ltd
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 Shenzhen Li Hi Tech Co ltd filed Critical Shenzhen Li Hi Tech Co ltd
Priority to CN202111332772.1A priority Critical patent/CN114089190B/zh
Publication of CN114089190A publication Critical patent/CN114089190A/zh
Application granted granted Critical
Publication of CN114089190B publication Critical patent/CN114089190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明属于电动汽车动力电池领域，具体涉及一种基于神经网络的电池SOC估算方法。本发明包括以下步骤：S1、获得预处理数据；S2、将预处理数据划分为充电数据和放电数据；S3、获得输入数据和输出数据；S4、构建神经网络模型；当前神经网络模型的隐藏层的其中一个节点数据来自前一次神经网络模型的输出层，其余节点数据来自当前神经网络模型的输入层；利用最优化算法，分别将步骤S3中的每段输入数据和输出数据均等比例划分为训练集和验证集，对每个过程分别训练相应的神经网络模型，获得对应的模型参数；S5、获得SOC的预测值。本发明能有效提升电池SOC的预测准确性，预测过程的效率性和成本性也能得到有效保证。

Description

一种基于神经网络的电池SOC估算方法
技术领域
本发明属于电动汽车动力电池领域，具体涉及一种基于神经网络的电池SOC估算方法。
背景技术
电池SOC描述动力电池状态的重要参数之一，对电池SOC的准确估计是新能源电池管理系统的一项关键技术。关于电池SOC估算的研究一直都是动力电池研究重点，但是很大一部分研究都是采用单体电池在理想实验条件下的充放电数据进行的，这种做法有两个问题：首先，电池在真实环境下的充放电工况比理想条件下复杂得多，不能将理想条件下的研究结果简单推广；其次，实际使用的动力电池是由很多单体电池串并联而成，不同电池的出厂状态不同，运行环境也有差异，而且随着时间的推移，这种差异会越来越大，使用单体电池研究时，没有考虑到这些因素，亟待解决。
发明内容
本发明的目的是克服上述现有技术的不足，提供一种基于神经网络的电池SOC估算方法，其能有效提升电池SOC的预测准确性，预测过程的效率性和成本性也能得到有效保证。
为实现上述目的，本发明采用了以下技术方案：
一种基于神经网络的电池SOC估算方法，其特征在于包括以下步骤：
S1、对获取的电池的运行数据进行预处理，得到预处理数据；
S2、将预处理数据划分为充电数据和放电数据；
S3、对充电数据和放电数据，分别提取最高温度、最低温度、最高电压、最低电压、电流数据，组成输入数据；同时提取SOC数据，作为输出数据；
S4、构建基于输入层、隐藏层和输出层的神经网络模型；同时，当前神经网络模型的隐藏层的其中一个节点数据来自前一次神经网络模型的输出层，其余节点数据来自当前神经网络模型的输入层；利用最优化算法，分别将步骤S3中的每段输入数据和输出数据均等比例划分为训练集和验证集，对每个过程分别训练相应的神经网络模型，获得对应的模型参数；
S5、利用步骤S4训练出的带有对应的模型参数的神经网络模型，获得SOC的预测值。
所述步骤S1具体包括：
S11、按照每条数据中的数据采集时间对数据重新排序；
S12、根据电压U、电流I、温度T的范围对数据进行筛选，去除范围之外的数据；
S13、进行二次筛选，去除其中温度T或者SOC跳变的数据，得到预处理数据。
所述步骤S11中，对于时间有重复的数据，去除除第一条数据之外的所有数据。
所述S12中，数据筛选范围为100mV＜U＜5000mV，-1000A＜I＜1000A，-50℃＜T＜500℃。
所述步骤S2具体包括：
S21、根据数据中的电池运行状态字段，当电池运行状态为充电时，则该条数据为充电数据，若为其他状态，则该条数据为放电数据；
S22、对于每一段充电或者放电数据，设定时间阈值T0，并比较相邻数据的时间间隔ΔT，如果ΔT＞T0，则在此处将数据进一步切割为两段；
所述步骤S4中，神经网络模型为三层，其中输入层包含5个节点，隐藏层包含6个节点，输出层包含1个节点；隐藏层前5个节点和当前神经网络模型的输入层的节点完全连接，第6个节点的数据来自于前一次的输出层，并且预设权重阈值ω0，设置第6个节点到输出层的权重ω6＞ω0。
所述最优化算法为Levenberg-Marquardt算法。
所述步骤S5具体包括：
S51、按照步骤S1和S2的方法将电池的运行数据划分成充电数据和放电数据；
S52、对于每段充电数据和放电数据，分别使用与之对应的带有相应模型参数的神经网络模型获得SOC预测值。
本发明的有益效果在于：
1)、通过上述方法，本发明直接利用电池实际运行数据训练模型，避免了理想条件下的估算结果不能推广的问题，同时不需要进行实现的电池参数测量或者电池建模，节约了大量时间。值得注意的是，本发明还通过引入前次输出结果作为当前模型中的隐藏层的节点，使得整个流程更为贴合SOC缓变的实际情况，有效避免了预测出的SOC出现跳变的可能性，最终进一步的确保了SOC预测结果的准确性，成效显著。
2)、通过上述方法，不需要建立电池模型，避免了进行大量实验获取电池参数的过程，节约了人力物力，同时避免了电池参数不准确导致的SOC估算误差。
3)、本发明应用范围广，而且应用方式灵活，不仅可以在大数据平台中，利用车辆上传到云端的数据训练和预测结果，而且通过内置算法模型加参数下发的模式，本发明可以在车载电池管理系统上实现SOC的估算。
附图说明
图1为本发明的工作流程简图；
图2为本发明的神经网络模型示意图；
图3为对某搭载锂电池的纯电动车辆进行实地测试后，本发明的预测SOC与真实SOC的对比图。
具体实施方式
为便于理解，此处结合图1-3，对本发明的具体工作流程作以下进一步描述：
根据国标中对SOC的定义，电池SOC的变化量为电流对时间的积分除以电池可用容量，即ΔSOC＝∫idt/Q；上述公式表示在有限时间内，ΔSOC的值是有限的。这就意味着，当选取的时间间隔合适时，SOC应该平滑变化的，不会出现跳变。同时考虑到，SOC对外输出时，通常都会使用0至100之间的整数。将这两点结合，可以得到如下结论：选择合适的时间间隔后，每条数据的SOC相对于前一条数据的SOC有且仅有三种变化类型，+1，-1和不变。本发明基于一段连续的运行数据，通过在第k+1次计算中引入第k次计算的输出结果，作为输出层前一层的输入值，不仅可以满足SOC不跳变的条件，而且降低了算法的复杂度。基于前面所述内容，本发明使用电动汽车真实的运行数据作为算法输入，提出了一种可以应用于新能源汽车的电池SOC估算方法，具体如图1所示，包括以下步骤：
S1、对获取的电池包的运行数据进行预处理，得到预处理数据，具体来说，按照处理先后顺序包含下列步骤：
S11、按照每条数据中的数据采集时间对数据重新排序，对于时间有重复的数据，去除除第一条数据之外的所有数据，以实现去重处理；
S12、根据电压U、电流I、温度T的范围对数据进行筛选，去除范围之外的数据；具体地，数据筛选范围为100mV＜U＜5000mV，-1000A＜I＜1000A，-50℃＜T＜500℃；
S13、进行二次筛选，去除温度或者SOC跳变的数据。
S2、将预处理之后的数据划分为充电数据和放电数据，具体来说：
S21、划分运行状态：根据数据中的电池包运行状态字段区分，当电池包运行状态为充电时，则该条数据为充电数据，若为其他状态，则该条数据为放电数据；
S22、划分连续运行数据：对于每一段充电或者放电数据，设定时间阈值T0，并比较相邻数据的时间间隔ΔT，如果ΔT＞T0，则在此处将数据进一步切割为两段。
S3、对充电数据和放电数据分别提取最高温度、最低温度、最高电压、最低电压、电流数据，组成输入数据，提取SOC数据，作为输出数据。
S4、构建神经网络模型，分别利用充电和放电的输入数据和输出数据来训练该模型，具体来说：
S41、构建如图2所示的三层神经网络模型，输入层包含5个节点，隐藏层包含6个节点，输出层包含1个节点，隐藏层前5个节点和输入层的节点完全连接，第6个节点的数据来自于前一次的输出层，并且预设权重阈值ω0，设置第6个节点到输出层的权重ω6＞ω0；
S42、选择最优化算法为Levenberg-Marquardt算法，分别将充电和放电过程的每段数据等比例划分为训练集和验证集，对每个过程分别进行训练，获得相应的模型参数。
S5、利用训练出的带有相应的模型参数的神经网络模型来预测结果，具体来说：
S51、依序按照步骤S1和步骤S2的方法将各数据划分成一段一段的充电数据和放电数据；
S52、对于每段充电数据和放电数据，分别使用具备对应模型参数的神经网络模型预测SOC值。
实施例：
为了验证本发明的对锂电池SOC估计的精度，使用某搭载锂电池的纯电动车辆的运行数据进行以下试验：
初始参数：电池包容量为210Ah，包含32节电池单体和16个温度传感器。
试验过程：使用CAN记录仪收集车辆运行过程中的数据，将记录的电池SOC作为真实SOC。车辆共运行3个月，收集8720709条数据。由于原始数据量较大，训练算法时，取其中1％的数据，这部分数据中训练集和验证集的数据比例为8：2，数据选择方法为随机抽样。
试验结果：图3是利用本发明的结果与真实结果的比较，为了测试算法效果，真实值有三处在原值上下20％的SOC跳变为故意设置，但是可以看到预测出的SOC并没有发生跳变。本发明在测试集上的均方根误差为1.24％，可以看出，本发明所述算法已经达到了较高的精度，这说明了算法的优越性。
当然，对于本领域技术人员而言，本发明不限于上述示范性实施例的细节，而还包括在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现的相同或类似技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
本发明未详细描述的技术为公知技术。

Claims (8)

1.一种基于神经网络的电池SOC估算方法，其特征在于包括以下步骤：
S1、对获取的电池的运行数据进行预处理，得到预处理数据；
S2、将预处理数据划分为充电数据和放电数据；
S3、对充电数据和放电数据，分别提取最高温度、最低温度、最高电压、最低电压、电流数据，组成输入数据；同时提取SOC数据，作为输出数据；
S4、构建基于输入层、隐藏层和输出层的神经网络模型；同时，当前神经网络模型的隐藏层的其中一个节点数据来自前一次神经网络模型的输出层，其余节点数据来自当前神经网络模型的输入层；利用最优化算法，分别将步骤S3中的每段输入数据和输出数据均等比例划分为训练集和验证集，对每个过程分别训练相应的神经网络模型，获得对应的模型参数；
S5、利用步骤S4训练出的带有对应的模型参数的神经网络模型，获得SOC的预测值。
2.根据权利要求1所述的一种基于神经网络的电池SOC估算方法，其特征在于：所述步骤S1具体包括：
S11、按照每条数据中的数据采集时间对数据重新排序；
S12、根据电压U、电流I、温度T的范围对数据进行筛选，去除范围之外的数据；
S13、进行二次筛选，去除其中温度T或者SOC跳变的数据，得到预处理数据。
3.根据权利要求2所述的一种基于神经网络的电池SOC估算方法，其特征在于：所述步骤S11中，对于时间有重复的数据，去除除第一条数据之外的所有数据。
4.根据权利要求2所述的一种基于神经网络的电池SOC估算方法，其特征在于：所述S12中，数据筛选范围为100mV＜U＜5000mV，-1000A＜I＜1000A，-50℃＜T＜500℃。
5.根据权利要求1或2或3或4所述的一种基于神经网络的电池SOC估算方法，其特征在于：所述步骤S2具体包括：
S21、根据数据中的电池运行状态字段，当电池运行状态为充电时，则该条数据为充电数据，若为其他状态，则该条数据为放电数据；
S22、对于每一段充电或者放电数据，设定时间阈值T0，并比较相邻数据的时间间隔ΔT，如果ΔT＞T0，则在此处将数据进一步切割为两段。
6.根据权利要求1或2或3或4所述的一种基于神经网络的电池SOC估算方法，其特征在于：所述步骤S4中，神经网络模型为三层，其中输入层包含5个节点，隐藏层包含6个节点，输出层包含1个节点；隐藏层前5个节点和当前神经网络模型的输入层的节点完全连接，第6个节点的数据来自于前一次的输出层，并且预设权重阈值ω0，设置第6个节点到输出层的权重ω6＞ω0。
7.根据权利要求6所述的一种基于神经网络的电池SOC估算方法，其特征在于：所述最优化算法为Levenberg-Marquardt算法。
8.根据权利要求1或2或3或4所述的一种基于神经网络的电池SOC估算方法，其特征在于：所述步骤S5具体包括：
S51、按照步骤S1和S2的方法将电池的运行数据划分成充电数据和放电数据；
S52、对于每段充电数据和放电数据，分别使用与之对应的带有相应模型参数的神经网络模型获得SOC预测值。
CN202111332772.1A 2021-11-11 2021-11-11 一种基于神经网络的电池soc估算方法 Active CN114089190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111332772.1A CN114089190B (zh) 2021-11-11 2021-11-11 一种基于神经网络的电池soc估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111332772.1A CN114089190B (zh) 2021-11-11 2021-11-11 一种基于神经网络的电池soc估算方法

Publications (2)

Publication Number Publication Date
CN114089190A CN114089190A (zh) 2022-02-25
CN114089190B true CN114089190B (zh) 2023-08-22

Family

ID=80299997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111332772.1A Active CN114089190B (zh) 2021-11-11 2021-11-11 一种基于神经网络的电池soc估算方法

Country Status (1)

Country Link
CN (1) CN114089190B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295064A (zh) * 2016-08-24 2017-01-04 天津大学 一种hemt的温度相关的i‑v特性及其高阶跨导的模型
EP3399471A1 (en) * 2017-05-05 2018-11-07 INTEL Corporation Efficient learning and using of topologies of neural networks in machine learning
CN110658459A (zh) * 2019-09-12 2020-01-07 北京航空航天大学 基于双向循环神经网络的锂离子电池荷电状态估计方法
CN110673039A (zh) * 2019-11-11 2020-01-10 安徽优旦科技有限公司 一种基于大数据的磷酸铁锂电池soc充电在线校正方法
CN111160139A (zh) * 2019-12-13 2020-05-15 中国科学院深圳先进技术研究院 心电信号的处理方法、装置及终端设备
CN111415685A (zh) * 2020-03-26 2020-07-14 腾讯科技（深圳）有限公司 音频信号的检测方法、装置、设备及计算机可读存储介质
CN112881930A (zh) * 2021-01-19 2021-06-01 北京昆兰新能源技术有限公司 一种基于物联网的储能电池健康管理预测方法及系统
EP4036809A1 (en) * 2017-12-30 2022-08-03 Intel Corporation Efficient convolution in machine learning environments

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295064A (zh) * 2016-08-24 2017-01-04 天津大学 一种hemt的温度相关的i‑v特性及其高阶跨导的模型
EP3399471A1 (en) * 2017-05-05 2018-11-07 INTEL Corporation Efficient learning and using of topologies of neural networks in machine learning
EP4036809A1 (en) * 2017-12-30 2022-08-03 Intel Corporation Efficient convolution in machine learning environments
CN110658459A (zh) * 2019-09-12 2020-01-07 北京航空航天大学 基于双向循环神经网络的锂离子电池荷电状态估计方法
CN110673039A (zh) * 2019-11-11 2020-01-10 安徽优旦科技有限公司 一种基于大数据的磷酸铁锂电池soc充电在线校正方法
CN111160139A (zh) * 2019-12-13 2020-05-15 中国科学院深圳先进技术研究院 心电信号的处理方法、装置及终端设备
CN111415685A (zh) * 2020-03-26 2020-07-14 腾讯科技（深圳）有限公司 音频信号的检测方法、装置、设备及计算机可读存储介质
CN112881930A (zh) * 2021-01-19 2021-06-01 北京昆兰新能源技术有限公司 一种基于物联网的储能电池健康管理预测方法及系统

Also Published As

Publication number Publication date
CN114089190A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
CN112034356B (zh) 基于gp-ukf的电动汽车动力电池在线soh估算方法
Jiaqiang et al. Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge
CN111398833B (zh) 一种电池健康状态评估方法
CN110146822B (zh) 一种基于恒流充电过程的车用动力电池容量在线估计方法
CN109655754B (zh) 一种基于充电过程多维分阶的电池性能评估方法
CN107741568B (zh) 一种基于状态转移优化rbf神经网络的锂电池soc估算方法
CN112986830A (zh) 一种基于卷积时间记忆神经网络的锂电池容量估计方法
CN112083346B (zh) 基于lstm的并联电池组内部电流分布估计方法及系统
CN113406520B (zh) 针对现实新能源汽车的电池健康状态估计方法
Qiuting et al. State of health estimation for lithium-ion battery based on D-UKF
CN111064253A (zh) 一种基于平均离散Fréchet距离的电池健康度快速评估方法
CN108732499A (zh) 一种检测锂离子电池循环寿命的方法和系统
Zhou et al. Online State of Health Estimation for Series-Connected LiFePO₄ Battery Pack Based on Differential Voltage and Inconsistency Analysis
CN110850322B (zh) 一种基于小波信号分解的电池相对健康状态估计方法
CN115327415A (zh) 基于限定记忆递推最小二乘算法的锂电池soc估算方法
CN113935222B (zh) 基于有序加权平均算子的动力电池多模型融合估计方法
CN105652210B (zh) 一种依电池状态量变化过程进行soc修正的方法及系统
CN117371230A (zh) 一种计及极化效应的锂离子电池参数辨识方法
CN114089190B (zh) 一种基于神经网络的电池soc估算方法
CN116449244A (zh) 基于单次放电曲线的锂电池老化轨迹早期预测方法及系统
CN110927585A (zh) 一种基于自循环校正的锂电池soh估算系统及方法
CN116224127A (zh) 基于大数据分析的电池健康状态估算方法
CN115407217A (zh) 一种电动汽车锂电池荷电状态在线估计方法及系统
Lin et al. Research on Inconsistency Identification of Lithium-ion Battery Pack Based on Operational Data

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230724

Address after: 306 AAC Technologies Building (Lvchuang Cloud Valley), No. 38, Gaoxin North 6th Road, Songpingshan Community, Xili Street, Nanshan District, Shenzhen, Guangdong 518000

Applicant after: Shenzhen Li Hi Tech Co.,Ltd.

Address before: 265499 in No. 300, Changjiang Road, Yantai Economic and Technological Development Zone, Shandong Province

Applicant before: LIGO (Shandong) New Energy Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant