CN115201683A - 具有自适应权重的混合模型soc估计方法 - Google Patents

具有自适应权重的混合模型soc估计方法 Download PDF

Info

Publication number
CN115201683A
CN115201683A CN202210809725.XA CN202210809725A CN115201683A CN 115201683 A CN115201683 A CN 115201683A CN 202210809725 A CN202210809725 A CN 202210809725A CN 115201683 A CN115201683 A CN 115201683A
Authority
CN
China
Prior art keywords
neural network
network model
data
hybrid
layer
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
Application number
CN202210809725.XA
Other languages
English (en)
Inventor
徐彦忠
赵锦峰
张军
沈志峰
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.)
East Group Co Ltd
Original Assignee
East Group 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 East Group Co Ltd filed Critical East Group Co Ltd
Priority to CN202210809725.XA priority Critical patent/CN115201683A/zh
Publication of CN115201683A publication Critical patent/CN115201683A/zh
Pending legal-status Critical Current

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables

Landscapes

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

Abstract

本发明公开了一种具有自适应权重的混合模型SOC估计方法，其包括如下步骤：S1、获取锂电池在不同工作温度下的不同时刻的充放电数据；S2、基于MATLAB神经网络工具箱搭建混合神经网络模型，所述神经网络层组包括多个不同类型的神经网络层；S3、以训练数据作为数据输入，训练所述混合神经网络模型，直至所述混合神经网络模型收敛；S4、以锂电池的实时充放电数据作为收敛后的混合神经网络模型的数据输入，在线计算锂电池的SOC实时值；本发明融合了多个不同类型的神经网络层，一方面，多个不同类型的神经网络层的加权有效降低混合模型方差，降低对数据的敏感性，缓解过拟合现象，另一方面，相比传统只采用单一的神经网络模型，能够获得更高的电池SOC预测精度。

Description

具有自适应权重的混合模型SOC估计方法
技术领域
本发明涉及锂电池SOC估算技术领域，尤其涉及一种具有自适应权重的混合模型SOC估计方法。
背景技术
电池SOC估计是电池管理系统的重要组成部分，能够准确地反应电池当前剩余电量，从而提高电池的使用寿命。在锂电池SOC估计中，神经网络算法因其具有非常强的学习能力而受到广泛应用。单一的神经网络算法往往无法得到最优的预测，因此融合神经网络算法也得到推广。基于固定权重的融合神经网络预测SOC方法，不能够及时调整不同神经网络的预测精准度，具有一定局限性，无法满足锂电池SOC的预测要求。
发明内容
本发明的目的是提供一种具有自适应权重的混合模型SOC估计方法，其混合神经网络模型融合了多个不同类型的神经网络层，一方面，多个不同类型的神经网络层的加权有效降低混合模型方差，降低对数据的敏感性，缓解过拟合现象，另一方面，相比传统只采用单一的神经网络模型，能够获得更高的电池SOC预测精度。
为了实现上述目的，本发明公开了一种具有自适应权重的混合模型SOC估计方法，其包括如下步骤：
S1、获取锂电池在不同工作温度下的不同时刻的充放电数据，其中，所述充放电数据包括训练数据和测试数据，所述训练数据为所述充放电数据中的多个预设温度对应的数据，所述测试数据为所述充放电数据中除去所述训练数据外的剩余数据；
S2、基于MATLAB神经网络工具箱搭建混合神经网络模型，所述混合神经网络模型包括输入层、Dropout层、神经网络层组、全连接层、自适应权重层以及输出层，其中，所述神经网络层组包括多个不同类型的神经网络层；
S3、以训练数据作为数据输入，训练所述混合神经网络模型，直至所述混合神经网络模型收敛；
S4、以锂电池的实时充放电数据作为收敛后的混合神经网络模型的数据输入，在线计算锂电池的SOC实时值。
与现有技术相比，本发明构建并训练具有多个不同类型的神经网络层的混合神经网络模型，以锂电池的实时充放电数据作为收敛后的混合神经网络模型的数据输入，在线计算锂电池的SOC实时值，由于其混合神经网络模型融合了多个不同类型的神经网络层，一方面，多个不同类型的神经网络层的加权有效降低混合模型方差，降低对数据的敏感性，缓解过拟合现象，另一方面，相比传统只采用单一的神经网络模型，能够获得更高的电池SOC预测精度。
较佳地，所述多个不同的神经网络层包括BiLSTM层、LSTM层和GRU层。
较佳地，所述步骤S1具体包括：
S11、在实验室环境中，根据实际运行工况设置锂电池在不同工作温度下进行充放电操作；
S12、测量锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值；
S13、对锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值进行归一化处理，获得充放电数据。
较佳地，所述步骤S13具体包括：
S131、将锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值统一映射到[0，1]区间上，以得到归一化后的锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值；
S132、将归一化后的锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值标记为充放电数据。
较佳地，所述步骤S3具体包括：
S31、以训练数据作为数据输入，导入混合神经网络模型的输入层；
S32、利用MATLAB神经网络工具箱中的反向传播算法函数训练混合神经网络模型，直至混合神经网络模型收敛。
较佳地，所述步骤S32具体包括：
S321、利用MATLAB神经网络工具箱中的反向传播算法函数训练混合神经网络模型；
S322、选择Adam随机梯度下降算法不断更新BiLSTM层、LSTM层和GRU层的权重矩阵参数和偏置值模型参数，直至混合神经网络模型收敛。
较佳地，所述步骤S322具体包括：
设置初始学习率为0.0001，随机选取训练数据中的小批量样本，通过Adam随机梯度下降算法对混合神经网络模型进行预设轮次数的训练，以不断更新BiLSTM层、LSTM层和GRU层的权重矩阵参数和偏置值模型参数，直至混合神经网络模型收敛。
较佳地，所述步骤S322之后还包括：
S323、以测试数据作为输入数据，对收敛后的混合神经网络模型进行验证，且在混合神经网络模型的最大误差MAX小于或等于5％，及平均误差MAE小于或等于2％时，确认当前混合神经网络模型收敛。
较佳地，所述步骤S323中，依据下述公式计算混合神经网络模型的最大误差MAX：
Figure BDA0003740218940000031
较佳地，所述步骤S323中，依据下述公式计算混合神经网络模型的平均误差MAE：
Figure BDA0003740218940000041
附图说明
图1是本发明的具有自适应权重的混合模型SOC估计方法的流程框图；
图2是本发明的具有自适应权重的混合模型SOC估计方法在训练过程中损失函数的误差收敛；
图3是本发明的具有自适应权重的混合模型SOC估计方法的SOC实时值与SOC真实值的曲线图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
请参阅图1-图3所示，本实施例的一种具有自适应权重的混合模型SOC估计方法，其包括如下步骤：
S1、获取锂电池在不同工作温度下的不同时刻的充放电数据，其中，所述充放电数据包括训练数据和测试数据，所述训练数据为所述充放电数据中的多个预设温度对应的数据，所述测试数据为所述充放电数据中除去所述训练数据外的剩余数据；
S2、基于MATLAB神经网络工具箱搭建混合神经网络模型，所述混合神经网络模型包括输入层、Dropout层、神经网络层组、全连接层、自适应权重层以及输出层，其中，所述神经网络层组包括多个不同类型的神经网络层；
S3、以训练数据作为数据输入，训练所述混合神经网络模型，直至所述混合神经网络模型收敛；
S4、以锂电池的实时充放电数据作为收敛后的混合神经网络模型的数据输入，在线计算锂电池的SOC实时值。
较佳地，所述多个不同的神经网络层包括BiLSTM层、LSTM层和GRU层。
较佳地，所述步骤S1具体包括：
S11、在实验室环境中，根据实际运行工况设置锂电池在不同工作温度下进行充放电操作；
S12、测量锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值；
S13、对锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值进行归一化处理，获得充放电数据。
可以理解的是，本实施例选取锂电池在10℃、15℃、20℃、22℃、27℃、32℃、38℃等不同工作温度下进行充放电的数据作为测试数据。
较佳地，所述步骤S13具体包括：
S131、将锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值统一映射到[0，1]区间上，以得到归一化后的锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值；
S132、将归一化后的锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值标记为充放电数据。
较佳地，所述步骤S3具体包括：
S31、以训练数据作为数据输入，导入混合神经网络模型的输入层；
S32、利用MATLAB神经网络工具箱中的反向传播算法函数训练混合神经网络模型，直至混合神经网络模型收敛。
较佳地，所述步骤S32具体包括：
S321、利用MATLAB神经网络工具箱中的反向传播算法函数训练混合神经网络模型；
S322、选择Adam随机梯度下降算法不断更新BiLSTM层、LSTM层和GRU层的权重矩阵参数和偏置值模型参数，直至混合神经网络模型收敛。
较佳地，所述步骤S322具体包括：
设置初始学习率为0.0001，随机选取训练数据中的小批量样本，通过Adam随机梯度下降算法对混合神经网络模型进行预设轮次数的训练，以不断更新BiLSTM层、LSTM层和GRU层的权重矩阵参数和偏置值模型参数，直至混合神经网络模型收敛。
较佳地，所述步骤S322之后还包括：
S323、以测试数据作为输入数据，对收敛后的混合神经网络模型进行验证，且在混合神经网络模型的最大误差MAX小于或等于5％，及平均误差MAE小于或等于2％时，确认当前混合神经网络模型收敛。
较佳地，所述步骤S323中，依据下述公式计算混合神经网络模型的最大误差MAX：
Figure BDA0003740218940000061
较佳地，所述步骤S323中，依据下述公式计算混合神经网络模型的平均误差MAE：
Figure BDA0003740218940000062
结合图1-图3，本发明构建并训练具有多个不同类型的神经网络层的混合神经网络模型，以锂电池的实时充放电数据作为收敛后的混合神经网络模型的数据输入，在线计算锂电池的SOC实时值，由于其混合神经网络模型融合了多个不同类型的神经网络层，一方面，多个不同类型的神经网络层的加权有效降低混合模型方差，降低对数据的敏感性，缓解过拟合现象，另一方面，相比传统只采用单一的神经网络模型，能够获得更高的电池SOC预测精度。
以上所揭露的仅为本发明的优选实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种具有自适应权重的混合模型SOC估计方法，其特征在于，包括如下步骤：
获取锂电池在不同工作温度下的不同时刻的充放电数据，其中，所述充放电数据包括训练数据和测试数据，所述训练数据为所述充放电数据中的多个预设温度对应的数据，所述测试数据为所述充放电数据中除去所述训练数据外的剩余数据；
基于MATLAB神经网络工具箱搭建混合神经网络模型，所述混合神经网络模型包括输入层、Dropout层、神经网络层组、全连接层、自适应权重层以及输出层，其中，所述神经网络层组包括多个不同类型的神经网络层；
以训练数据作为数据输入，训练所述混合神经网络模型，直至所述混合神经网络模型收敛；
以锂电池的实时充放电数据作为收敛后的混合神经网络模型的数据输入，在线计算锂电池的SOC实时值。
2.如权利要求1所述的具有自适应权重的混合模型SOC估计方法，其特征在于，所述多个不同的神经网络层包括BiLSTM层、LSTM层和GRU层。
3.如权利要求2所述的具有自适应权重的混合模型SOC估计方法，其特征在于，所述获取锂电池在不同工作温度下的不同时刻的充放电数据，具体包括：
在实验室环境中，根据实际运行工况设置锂电池在不同工作温度下进行充放电操作；
测量锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值；
对锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值进行归一化处理，获得充放电数据。
4.如权利要求3所述的具有自适应权重的混合模型SOC估计方法，其特征在于，所述对锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值进行归一化处理，获得充放电数据，具体包括：
将锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值统一映射到[0，1]区间上，以得到归一化后的锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值；
将归一化后的锂电池在不同工作温度下进行充放电操作时的温度值、电流值、电压值和电池容量变化值标记为充放电数据。
5.如权利要求2所述的具有自适应权重的混合模型SOC估计方法，其特征在于，所述以训练数据作为数据输入，训练所述混合神经网络模型，直至所述混合神经网络模型收敛，具体包括：
以训练数据作为数据输入，导入混合神经网络模型的输入层；
利用MATLAB神经网络工具箱中的反向传播算法函数训练混合神经网络模型，直至混合神经网络模型收敛。
6.如权利要求5所述的具有自适应权重的混合模型SOC估计方法，其特征在于，所述利用MATLAB神经网络工具箱中的反向传播算法函数训练混合神经网络模型，直至混合神经网络模型收敛，具体包括：
利用MATLAB神经网络工具箱中的反向传播算法函数训练混合神经网络模型；
选择Adam随机梯度下降算法不断更新BiLSTM层、LSTM层和GRU层的权重矩阵参数和偏置值模型参数，直至混合神经网络模型收敛。
7.如权利要求6所述的具有自适应权重的混合模型SOC估计方法，其特征在于，所述选择Adam随机梯度下降算法不断更新BiLSTM层、LSTM层和GRU层的权重矩阵参数和偏置值模型参数，直至混合神经网络模型收敛，具体包括：
设置初始学习率为0.0001，随机选取训练数据中的小批量样本，通过Adam随机梯度下降算法对混合神经网络模型进行预设轮次数的训练，以不断更新BiLSTM层、LSTM层和GRU层的权重矩阵参数和偏置值模型参数，直至混合神经网络模型收敛。
8.如权利要求6所述的具有自适应权重的混合模型SOC估计方法，其特征在于，所述选择Adam随机梯度下降算法不断更新BiLSTM层、LSTM层和GRU层的权重矩阵参数和偏置值模型参数，直至混合神经网络模型收敛，之后还包括：
以测试数据作为输入数据，对收敛后的混合神经网络模型进行验证，且在混合神经网络模型的最大误差MAX小于或等于5％，及平均误差MAE小于或等于2％时，确认当前混合神经网络模型收敛。
9.如权利要求8所述的具有自适应权重的混合模型SOC估计方法，其特征在于，所述以测试数据作为输入数据，对收敛后的混合神经网络模型进行验证，且在混合神经网络模型的最大误差MAX小于或等于5％，及平均误差MAE小于或等于2％时，确认当前混合神经网络模型收敛中，依据下述公式计算混合神经网络模型的最大误差MAX：
Figure FDA0003740218930000031
10.如权利要求8所述的具有自适应权重的混合模型SOC估计方法，其特征在于，所述以测试数据作为输入数据，对收敛后的混合神经网络模型进行验证，且在混合神经网络模型的最大误差MAX小于或等于5％，及平均误差MAE小于或等于2％时，确认当前混合神经网络模型收敛中，依据下述公式计算混合神经网络模型的平均误差MAE：
Figure FDA0003740218930000041
CN202210809725.XA 2022-07-11 2022-07-11 具有自适应权重的混合模型soc估计方法 Pending CN115201683A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210809725.XA CN115201683A (zh) 2022-07-11 2022-07-11 具有自适应权重的混合模型soc估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210809725.XA CN115201683A (zh) 2022-07-11 2022-07-11 具有自适应权重的混合模型soc估计方法

Publications (1)

Publication Number Publication Date
CN115201683A true CN115201683A (zh) 2022-10-18

Family

ID=83580744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210809725.XA Pending CN115201683A (zh) 2022-07-11 2022-07-11 具有自适应权重的混合模型soc估计方法

Country Status (1)

Country Link
CN (1) CN115201683A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7408843B2 (ja) 2020-11-13 2024-01-05 エルジー・ケム・リミテッド 電池の容量測定装置及び方法、並びに該装置を含む電池制御システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7408843B2 (ja) 2020-11-13 2024-01-05 エルジー・ケム・リミテッド 電池の容量測定装置及び方法、並びに該装置を含む電池制御システム

Similar Documents

Publication Publication Date Title
CN105183994B (zh) 一种基于改进的i-elm的动力电池soc预测方法及装置
CN111007399B (zh) 基于改进生成对抗网络的锂电池荷电状态预测方法
CN111007401A (zh) 一种基于人工智能的电动汽车电池故障诊断方法及设备
CN112615075B (zh) 电池快速充电方法及计算机设备
CN111366848A (zh) 一种基于pso-elm算法的电池健康状态预测方法
CN109001640B (zh) 一种动力电池的数据处理方法和装置
CN108872869B (zh) 一种基于bp神经网络的锂离子电池劣化分类方法
CN109031147B (zh) 一种磷酸铁锂电池组的soc估算方法
CN113702843B (zh) 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法
CN115632179B (zh) 一种锂离子电池智能快速充电方法及系统
CN111999648A (zh) 一种基于长短期记忆网络的锂电池剩余寿命预测方法
CN114970332B (zh) 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法
CN113109717B (zh) 一种基于特征曲线优化的锂电池荷电状态估算方法
CN110850298A (zh) 基于数据驱动的锂电池soh估计方法及系统
CN114035072A (zh) 一种基于云边协同的电池组多状态联合估计方法
CN115291116A (zh) 储能电池健康状态预测方法、装置及智能终端
CN111983464B (zh) 一种基于纯电动车用锂电池析锂测试方法
CN115201683A (zh) 具有自适应权重的混合模型soc估计方法
CN115356647A (zh) 一种锂离子电池寿命早期预测方法
US11835589B2 (en) Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine
CN114779103A (zh) 一种基于时滞卷积神经网络的锂离子电池soc估计方法
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
Qiu et al. Estimation of power battery SOC based on PSO-Elman neural network
CN117799495A (zh) 一种锂离子电池荷电状态估算与均衡控制方法
Gharavian et al. ZEBRA battery SOC estimation using PSO-optimized hybrid neural model considering aging effect

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