CN114764124A - 一种基于gan和lstm的锂电池soc估计方法 - Google Patents
一种基于gan和lstm的锂电池soc估计方法 Download PDFInfo
- Publication number
- CN114764124A CN114764124A CN202111222842.8A CN202111222842A CN114764124A CN 114764124 A CN114764124 A CN 114764124A CN 202111222842 A CN202111222842 A CN 202111222842A CN 114764124 A CN114764124 A CN 114764124A
- Authority
- CN
- China
- Prior art keywords
- gan
- lstm
- training
- network
- battery
- 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.)
- Pending
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种基于GAN和LSTM的锂电池SOC估计方法，涉及锂离子电池技术领域。种基于GAN和LSTM的锂电池SOC估计方法，包括GAN和LSTM，其中GAN负责训练样本生成，LSTM负责通过时间序列预测实现SOC估计。本方法的大体步骤如下：1)将电池进行充放电测试，获取初始的训练数据，充放电测试条件涵盖多个环境温度、充放工况、老化状况；2)获取的充放电数据，作为训练数据集投入到GAN中，以生成更多的训练样本；3)将生成的训练样本和原始的训练数据集投入到LSTM网络进行训练；4)将电池的实时运行数据投入到训练好的LSTM网络进行SOC估计；有益效果1：提高soc估计精度，降低数据训练成本。
Description
技术领域
本发明涉及锂离子电池技术领域，具体为一种基于GAN和LSTM的锂电池SOC估计方法。
背景技术
准确的锂电池SOC估计可以确保电池的安全高效运行。当前用于锂电池SOC估计的方法包括如下几种：
1，安时积分法。该方法通过对电池的充放电电流进行积分计算，累计出当前电池的剩余电量。此类方法的缺点是对电流采集精度要求较高，电流采集误差积累会对估计精度造成较大影响。
2，基于模型的SOC估计方法。这类方法基于电池模型，采用卡尔曼滤波等方法对电池SOC进行估计。这类方法可以消除电流累计误差，但是对电池模型精度要求较高，在不同温度、不同电池老化状态下，SOC的估计精度受影响严重。
3，人工智能方法。这类方法的利用各类神经网络或者深度学习算法，使用电池充放电数据对网络进行训练，然后利用训练好的网络进行SOC估计。这类方法的缺点是对训练数据集的数量、覆盖性要求较高。
综上所述，在众多方法中，人工智能方法相比较其他方法可以克服电流采集误差的影响，并且脱离电池模型精度限制，在不同温度和老化状况下保持较高估计精度。但是其缺点也较为明显，即需要大量的不同状态下的电池充放电数据对网络进行训练。在实际工业应用中，得到各种环境、工况下大量全面的训练数据集较为困难，而且测试成本较高。在这种情况下，由于数据集较为稀少，这类方法的估计精度较低。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于GAN和LSTM的锂电池SOC估计方法，解决了现有技术中存在的缺陷与不足。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于GAN和LSTM的锂电池SOC估计方法，包括GAN和LSTM，其中GAN负责训练样本生成，LSTM负责通过时间序列预测实现SOC估计。本方法的大体步骤如下：
1)将电池进行充放电测试，获取初始的训练数据，充放电测试条件涵盖多个环境温度、充放工况、老化状况；
2)获取的充放电数据，作为训练数据集投入到GAN中，以生成更多的训练样本；
3)将生成的训练样本和原始的训练数据集投入到LSTM网络进行训练；
4)将电池的实时运行数据投入到训练好的LSTM网络进行SOC估计；
优选的，在步骤1的电池充放电测试过程中，分别将电池放置于-20、-10、0、10、25、45摄氏度的环境中，以0.5C的倍率进行充电，分别采用1C恒流、UDDS、NEDC三种放电工况进行放电试验，记录测试过程中的电池端电压、电流、SOC、温度值作为训练数据集。
优选的，在步骤2中，利用生成式对抗神经网络GAN生成更多训练样本，可以看到，步骤1中在少数几个温度点进行电池测试，而对于其他的温度点、变化的温度范围、更复杂的充放电工况、不同的电池老化这些状况下的数据，当前的训练数据集并不能涵盖，采用GAN可以达到训练样本数量扩充的目的。
GAN的包括Generator(G)和Discriminator(D)两个神经网络，Generator(G)和Discriminator(D)两个网络采用相同结构的三层神经网络。Generator(G)网络的作用是根据随机输入产生样本，所产生的样本和实际训练样本共同输入给Discriminator(D)网络，由Discriminator(D)网络输出两个样本的标签值。
优选的，Generator(G)和Discriminator(D)的误差梯度函数分别为：
其中m表示学习的批次长度，r和z表示Generator(G)和Discriminator(D)的输入，采用常规的ADAM优化方法可是Generator(G)和Discriminator(D)沿梯度函数使损耗最小化，最终达到平衡状态，此时由Generator(G)网络生成的样本数据质量最佳。
优选的，LSTM网络是处理时间序列的循环神经网络，可以将其按时间不长展开，网络的输入层为电池端电压、电流、上时刻SOC、当前温度；网络输出层为当前SOC。
(三)有益效果
本发明提供了一种基于GAN和LSTM的锂电池SOC估计方法。具备以下有益效果：
本发明，可以解决本发明所解决技术问题：1，利用LSTM进行SOC估计可以解决安时积分法中电流累计误差问题，基于模型的估计方法所遇到的估计精度受限于电池模型精度问题；
2，基于人工智能算法的SOC估计方法需要大量的训练数据集保证算法的估计精度。训练数据集需要包括电池在不同温度、不同老化状况、不同充放电工况下的数据从而确保算法的适应性。而实际工业应用中，得到各种环境、老化、工况下大量全面的训练数据集较为困难，而且测试成本较高。本发明可利用GAN网络生成高质量训练数据集，从而降低前期巨大的测试工作量。
附图说明
图1为本发明方法框架图；
图2为GAN网络结构图；
图3为三层神经网络结构图；
图4为基于LSTM估计SOC原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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实施例，都属于本发明保护的范围。
一种基于GAN和LSTM的锂电池SOC估计方法，包括GAN和LSTM，其中GAN负责训练样本生成，LSTM负责通过时间序列预测实现SOC估计。本方法的大体步骤如下：
1)将电池进行充放电测试，获取初始的训练数据，充放电测试条件涵盖多个环境温度、充放工况、老化状况；
2)获取的充放电数据，作为训练数据集投入到GAN中，以生成更多的训练样本；
3)将生成的训练样本和原始的训练数据集投入到LSTM网络进行训练；
4)将电池的实时运行数据投入到训练好的LSTM网络进行SOC估计；
进一步，，在步骤1的电池充放电测试过程中，分别将电池放置于-20、-10、0、10、25、45摄氏度的环境中，以0.5C的倍率进行充电，分别采用1C恒流、UDDS、NEDC三种放电工况进行放电试验，记录测试过程中的电池端电压、电流、SOC、温度值作为训练数据集。
进一步，，在步骤2中，利用生成式对抗神经网络GAN生成更多训练样本，可以看到，步骤1中在少数几个温度点进行电池测试，而对于其他的温度点、变化的温度范围、更复杂的充放电工况、不同的电池老化这些状况下的数据，当前的训练数据集并不能涵盖，采用GAN可以达到训练样本数量扩充的目的。
GAN的包括Generator(G)和Discriminator(D)两个神经网络，Generator(G)和Discriminator(D)两个网络采用相同结构的三层神经网络。Generator(G)网络的作用是根据随机输入产生样本，所产生的样本和实际训练样本共同输入给Discriminator(D)网络，由Discriminator(D)网络输出两个样本的标签值。
优选的，Generator(G)和Discriminator(D)的误差梯度函数分别为：
其中m表示学习的批次长度，r和z表示Generator(G)和Discriminator(D)的输入，采用常规的ADAM优化方法可是Generator(G)和Discriminator(D)沿梯度函数使损耗最小化，最终达到平衡状态，此时由Generator(G)网络生成的样本数据质量最佳。
进一步，LSTM网络是处理时间序列的循环神经网络，可以将其按时间不长展开，网络的输入层为电池端电压、电流、上时刻SOC、当前温度；网络输出层为当前SOC。
提高soc估计精度。利用LSTM进行SOC估计可以凭借其对时间序列的预测功能实现。这种方法可以有效的解决电流采集误差对SOC估计的影响，同时此方法不需要基于电池的模型，因此温度、老化等对影响电池模型的因素也得到规避。
降低数据训练成本。如果LSTM达到较高精度，需要大量涵盖各种工况环境的训练数据对网络进行训练。这会消耗大量的测试时间和成本，并且某些极端情况的测试数据也不容易得到。因此，借助生成对抗神经网络GAN可产生大量高质量训练数据，将GAN生成的训练数据与前期少量的原始测试数据投入LSTM训练，可使网络达到较高的估计精度，同时大大节省数据训练成本
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、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 (5)
1.一种基于GAN和LSTM的锂电池SOC估计方法，其特征在于：包括GAN和LSTM，其中GAN负责训练样本生成，LSTM负责通过时间序列预测实现SOC估计。本方法的大体步骤如下：
1)，将电池进行充放电测试，获取初始的训练数据，充放电测试条件涵盖多个环境温度、充放工况、老化状况；
2)获取的充放电数据，作为训练数据集投入到GAN中，以生成更多的训练样本；
3)将生成的训练样本和原始的训练数据集投入到LSTM网络进行训练；
4)将电池的实时运行数据投入到训练好的LSTM网络进行SOC估计。
2.根据权利要求2所述的一种基于GAN和LSTM的锂电池SOC估计方法，其特征在于：在步骤1的电池充放电测试过程中，分别将电池放置于-20、-10、0、10、25、45摄氏度的环境中，以0.5C的倍率进行充电，分别采用1C恒流、UDDS、NEDC三种放电工况进行放电试验，记录测试过程中的电池端电压、电流、SOC、温度值作为训练数据集。
3.根据权利要求2所述的一种基于GAN和LSTM的锂电池SOC估计方法，其特征在于：在步骤2中，利用生成式对抗神经网络GAN生成更多训练样本，可以看到，步骤1中在少数几个温度点进行电池测试，而对于其他的温度点、变化的温度范围、更复杂的充放电工况、不同的电池老化这些状况下的数据，当前的训练数据集并不能涵盖，采用GAN可以达到训练样本数量扩充的目的。
GAN的包括Generator(G)和Discriminator(D)两个神经网络，Generator(G)和Discriminator(D)两个网络采用相同结构的三层神经网络。Generator(G)网络的作用是根据随机输入产生样本，所产生的样本和实际训练样本共同输入给Discriminator(D)网络，由Discriminator(D)网络输出两个样本的标签值。
4.根据权利要求2所述的一种基于GAN和LSTM的锂电池SOC估计方法，其特征在于：所述的Generator(G)和Discriminator(D)的误差梯度函数分别为：
其中m表示学习的批次长度，r和z表示Generator(G)和Discriminator(D)的输入，采用常规的ADAM优化方法可是Generator(G)和Discriminator(D)沿梯度函数使损耗最小化，最终达到平衡状态，此时由Generator(G)网络生成的样本数据质量最佳。
5.根据权利要求2所述的一种基于GAN和LSTM的锂电池SOC估计方法，其特征在于：所述的LSTM网络是处理时间序列的循环神经网络，可以将其按时间不长展开，网络的输入层为电池端电压、电流、上时刻SOC、当前温度；网络输出层为当前SOC。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111222842.8A CN114764124A (zh) | 2021-10-20 | 2021-10-20 | 一种基于gan和lstm的锂电池soc估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111222842.8A CN114764124A (zh) | 2021-10-20 | 2021-10-20 | 一种基于gan和lstm的锂电池soc估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114764124A true CN114764124A (zh) | 2022-07-19 |
Family
ID=82364729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111222842.8A Pending CN114764124A (zh) | 2021-10-20 | 2021-10-20 | 一种基于gan和lstm的锂电池soc估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114764124A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117665684A (zh) * | 2023-12-05 | 2024-03-08 | 广东天汇储能科技有限公司 | 一种锂电池状态估计算法的测试方法及装置 |
-
2021
- 2021-10-20 CN CN202111222842.8A patent/CN114764124A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117665684A (zh) * | 2023-12-05 | 2024-03-08 | 广东天汇储能科技有限公司 | 一种锂电池状态估计算法的测试方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
| CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
| CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
| CN112034356B (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
| CN109543317B (zh) | 一种pemfc剩余使用寿命预测的方法及装置 | |
| CN108009585B (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
| CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
| CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
| CN111208438B (zh) | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 | |
| CN111707956A (zh) | 多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法 | |
| Zheng et al. | A novel method for lithium-ion battery remaining useful life prediction using time window and gradient boosting decision trees | |
| CN112580211A (zh) | 基于sa和ann算法的铅酸蓄电池soh估计方法 | |
| Wong et al. | A Homogeneous Meta-Learning LSTM-RNN Ensemble Method for Electric Vehicle Battery State of Charge Estimation | |
| CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
| CN114764124A (zh) | 一种基于gan和lstm的锂电池soc估计方法 | |
| Eleftheriadis et al. | Hyperband optimization of stacked bidirectional long short-term memory neural network for the state of charge estimation | |
| CN111274539B (zh) | 一种基于交替最小二乘法的锂电池soh估计方法 | |
| CN117074955A (zh) | 一种基于云-端修正ocv的锂电池状态联合估计方法 | |
| 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 | |
| Fairweather et al. | VRLA battery parameter identification using pseudo random binary sequences (PRBS) | |
| Liu et al. | An Accurate State of Health Estimation for Retired Lithium-ion Batteries Based on Electrochemical Impedance Spectroscopy | |
| CN113255215B (zh) | 一种基于电压片段的锂电池健康状态估计方法 | |
| CN118156549A (zh) | 基于人工神经网络的全钒液流电池soc预测方法 | |
| CN114879050A (zh) | 基于云边协同的动力电池寿命智能快速测试方法及系统 | |
| Zhao et al. | Capacity prediction and remaining useful life diagnosis of lithium-ion batteries using CNN-LSTM hybrid neural network |
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 |