CN114487844A - 一种基于电池容量的锂离子电池soc估计方法 - Google Patents

Abstract

本发明提供了一种基于电池容量的锂离子电池SOC估计方法，属于锂离子电池技术领域。解决了当前电池容量的SOC难于估计的技术问题。其技术方案为：包括如下步骤：步骤1)测取SOC从1到0的锂离子电池的端电压、电流、温度以及负载的电压、电流；步骤2)对测取的数据进行预处理，构建用于估计电池容量的2DCNN训练数据集和测试数据集，再构建新的数据集；步骤3)实现最终的SOC实时估计。本发明的有益效果为：本发明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，估计出电池容量后，最终可用于锂电池SOC的实时估计。

Description

一种基于电池容量的锂离子电池SOC估计方法

技术领域

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

背景技术

电动汽车如今已经成为了汽车行业发展的一个重要趋势，锂电池凭借其诸多优势成为电动汽车的重要储能物质。在汽车电池管理系统中，精准的荷电状态(SOC)估计对于系统向驾驶员的剩余电量反馈至关重要，同时还能够帮助管理系统更加有效的管理和控制汽车电池。

目前，关于SOC估计技术有三类，第一类是安时积分法，这种方法在实际中很难应用，但是可以用在SOC值定义中，能够达到很高的精度。第二类是基于模型的方法，主要有电化学模型法和等效电路法。电化学模型拥有很明确的物理意义，能够反应电池的各种电化学现象，但是因为其复杂的结构和过多参数在实际应用中不是很占优势；基于等效电路模型的方法有在线和离线两种，可以在辨识出参数后结合滤波算法等完成SOC的估计，虽然能够通过算法的改进达到很高的精度，但是很难考虑温度、老化程度随时间的变化。第三类是数据驱动法，主要有支持向量机、神经网络等等，数据驱动模型因为其不需要具体模型，还能够综合考虑多方面的因素，同时也能够拥有很高的精度。电池容量作为能够表征老化程度的一个重要指标，很难直接测量得到，因此在数据驱动方法中应用中，考虑电池容量的SOC估计成为一个技术难点。

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电池容量的锂离子电池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2DCNN卷积神经网络中进行训练，估计出电池容量后，利用估计的电池容量构建新的数据集，再次用2DCNN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：一种基于电池容量的锂离子电池SOC估计方法，包括以下步骤：

步骤1)在变化的温度下，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的锂离子电池的端电压、电流、温度以及负载的电压、电流；

步骤2)对测取的数据进行预处理，构建用于估计电池容量的2DCNN训练数据集和测试数据集，并利用2DCNN卷积神经网络估计出的电池容量构建新的数据集；

步骤3)使用2DCNN卷积神经网络对新的数据集进行训练和测试，实现最终的SOC实时估计；

作为本发明提供的一种基于电池容量的锂离子电池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会有收敛速度缓慢、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_{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，因此不需要进行归一化处理。

步骤2-2)数据归一化处理后，使用如下的方法构建数据集，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个循环的第j个数据，x_ij对应的输出为t_n时刻的电池容量值。U表示电池两端的电压，I表示电池通过的电流，T表示电池工作时的温度，t表示放电的时间，U_l表示负载的电流，I_l表示负载的电流。本发明中，n取10。

步骤2-3)对于一个总循环充放电次数N、单放电周期t＝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，使用padding方法对边缘数据进行扩充，然后总共生成N×m组大小为6×10的输入数据，对应的N×m个电池容量值为输出数据，不同工况的输入输出数据合并成为总数据集。

步骤2-4)为了不影响数据集的训练，不对总数据集进行打乱操作然后抽取训练与测试数据集。选用一个放电工况前80％的数据作为训练数据集，后20％的数据作为测试数据集，用作2DCNN的训练和测试数据。

步骤2-5)针对锂离子电池电池容量估计开发的2DCNN卷积神经网络架构包括：一个输入层(Input)、四个卷积层(C)、两个全连接层(F)和一个输出层(Output)。

步骤2-6)卷积层和全连接层全部使用relu函数进行激活，输出层使用tanh函数进行激活，并进行映射。

步骤2-7)完成电池容量的估计后，取式(2)中的U、I、T、t以及估计的电池容量构建新的大小为5×10的输入数据集，对应输出数据为t_n时刻的电池SOC值。

作为本发明提供的一种基于电池容量的锂离子电池SOC估计方法进一步优化方案，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2DCNN卷积神经网络架构包括：一个输入层、三个卷积层、两个全连接层和一个输出层。

步骤3-2)卷积层和全连接层全部使用relu函数进行激活，输出层使用tanh函数进行激活，并进行映射。

与现有技术相比，本发明的有益效果为：

(1)本发明使用的一种基于电池容量的融合神经网络算法，在数据集中加入估计的电池容量数据，能够拥有更高的估计精度。

(2)本发明使用的历史数据长度为10甚至更少，并且能够记忆历史数据；并且，短的历史数据长度也能拥有更快的估计速度。

(3)本发明在估计SOC时使用的2DCNN，根据SOC的定义，相较使用3DCNN来估计SOC，能够减少运算量并且减少不必要的误差输入，从而拥有更高的精度。

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为本发明中新数据集构建方法示意图。

图3为本发明电池容量的估计结果曲线图。

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3，本发明提供其技术方案为：一种基于电池容量的锂离子电池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，本实施例是基于融合神经网络的锂离子电池SOC估计方法，具体包括如下步骤：

步骤1)在变化的温度下，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的锂离子电池的端电压、电流、温度以及负载的电压、电流；

步骤2)对测取的数据进行预处理，构建用于估计电池容量的2DCNN训练数据集和测试数据集，并利用2DCNN卷积神经网络估计出的电池容量构建新的数据集；

步骤3)使用2DCNN卷积神经网络对新的数据集进行训练和测试，实现最终的SOC实时估计。

优选地，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会有收敛速度缓慢、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_{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，因此不需要进行归一化处理。

步骤2-2)数据归一化处理后，使用如下的方法构建数据集，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个循环的第j个数据，x_ij对应的输出为t_n时刻的电池容量值。U表示电池两端的电压，I表示电池通过的电流，T表示电池工作时的温度，t表示放电的时间，U_l表示负载的电流，I_l表示负载的电流。本发明中，n取10。

步骤2-3)对于一个总循环充放电次数N、单放电周期t＝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，使用padding方法对边缘数据进行扩充，然后总共生成N×m组大小为6×10的输入数据，对应的N×m个电池容量值为输出数据，不同工况的输入输出数据合并成为总数据集。

步骤2-4)为了不影响数据集的训练，不对总数据集进行打乱操作然后抽取训练与测试数据集。选用一个放电工况前80％的数据作为训练数据集，后20％的数据作为测试数据集，用作3DCNN的训练和测试数据。

步骤2-5)针对锂离子电池电池容量估计开发的2DCNN卷积神经网络架构包括：一个输入层(Input)、四个卷积层(C)、两个全连接层(F)和一个输出层(Output)。其中具体的：卷积层中，前三层为2×2的32个二维卷积核，第四层为3×3的64个二维卷积核；全连层个数为64、32，估计结果如图3所示。

步骤2-6)卷积层和全连接层全部使用relu函数进行激活，输出层使用tanh函数进行激活，并进行映射。

步骤2-7)完成电池容量的估计后，取式(2)中的U、I、T、t以及估计的电池容量构建新的大小为5×10的输入数据集，对应输出数据为t_n时刻的电池SOC值。

优选地，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2DCNN卷积神经网络架构包括：一个输入层、三个卷积层、两个全连接层和一个输出层。其中具体的：卷积层中，前两层为2×2的32个二维卷积核，第三层为3×3的64个二维卷积核；全连层个数为64、32。

步骤3-2)卷积层和全连接层全部使用relu函数进行激活，输出层使用tanh函数进行激活，并进行映射。

本发明使用的一种基于电池容量的融合神经网络算法，在数据集中加入估计的电池容量数据，能够拥有更高的估计精度。

本发明使用的历史数据长度为10甚至更少，并且能够记忆历史数据；并且，短的历史数据长度也能拥有更快的估计速度。

本发明在估计SOC时使用的2DCNN，根据SOC的定义，相较使用3DCNN来估计SOC，能够减少运算量并且减少不必要的误差输入，从而拥有更高的精度。

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 (3)

1.一种基于电池容量的锂离子电池SOC估计方法，其特征在于，所述包括以下步骤：

步骤1)在变化的温度下，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的锂离子电池的端电压、电流、温度以及负载的电压、电流；

步骤2)对测取的数据进行预处理，构建用于估计电池容量的2DCNN训练数据集和测试数据集，并利用2DCNN卷积神经网络估计出的电池容量构建新的数据集；

步骤3)使用2DCNN卷积神经网络对新的数据集进行训练和测试，实现最终的SOC实时估计。

2.根据权利要求1所述的基于电池容量的锂离子电池SOC估计方法，其特征在于，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，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_{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，使用如下的方法构建数据集，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个循环的第j个数据，x_ij对应的输出为t_n时刻的电池容量值，U表示电池两端的电压，I表示电池通过的电流，T表示电池工作时的温度，t表示放电的时间，U_l表示负载的电流，I_l表示负载的电流；

步骤2-3)对于一个总循环充放电次数N、单放电周期t＝m的工况放电实验，使每一个放电周期内前后输入数据间的联系，使用padding方法对边缘数据进行扩充，然后总共生成N×m组大小为6×10的输入数据，对应的N×m个电池容量值为输出数据，不同工况的输入输出数据合并成为总数据集；

步骤2-4)选用一个放电工况前80％的数据作为训练数据集，后20％的数据作为测试数据集，用作2DCNN的训练和测试数据；

步骤2-5)针对锂离子电池容量估计开发的2DCNN卷积神经网络架构包括：一个输入层(Input)、四个卷积层(C)、两个全连接层(F)和一个输出层(Output)；

步骤2-6)卷积层和全连接层全部使用relu函数进行激活，输出层使用tanh函数进行激活，并进行映射；

步骤2-7)完成电池容量的估计后，取式(2)中的U、I、T、t以及估计的电池容量构建新的大小为5×10的输入数据集，对应输出数据为t_n时刻的电池SOC值。

3.根据权利要求1或2所述的基于电池容量的锂离子电池SOC估计方法，其特征在于，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2DCNN卷积神经网络架构包括：一个输入层、三个卷积层、两个全连接层和一个输出层；

步骤3-2)卷积层和全连接层全部使用relu函数进行激活，输出层使用tanh函数进行激活，并进行映射。

Images