CN115421043A - 基于跨越-侧抑制宽度学习的电动汽车soc估计方法 - Google Patents
基于跨越-侧抑制宽度学习的电动汽车soc估计方法 Download PDFInfo
- Publication number
- CN115421043A CN115421043A CN202211022348.1A CN202211022348A CN115421043A CN 115421043 A CN115421043 A CN 115421043A CN 202211022348 A CN202211022348 A CN 202211022348A CN 115421043 A CN115421043 A CN 115421043A
- Authority
- CN
- China
- Prior art keywords
- width learning
- electric vehicle
- time
- soc
- span
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000005764 inhibitory process Effects 0.000 title claims abstract description 38
- 230000001629 suppression Effects 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 21
- 230000002787 reinforcement Effects 0.000 claims description 12
- 230000002401 inhibitory effect Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000001914 filtration Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 24
- 210000002569 neuron Anatomy 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000005728 strengthening Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010791 quenching Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000002364 input neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 210000003618 cortical neuron Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000023886 lateral inhibition Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000002856 peripheral neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于跨越‑侧抑制宽度学习的电动汽车SOC估计方法，包括：获取训练数据集；构建跨越‑侧抑制宽度学习系统；通过所述训练数据集对所述跨越‑侧抑制宽度学习系统进行训练；通过训练好的跨越‑侧抑制宽度学习系统估计电动汽车SOC。本发明采用的基于跨越‑侧抑制宽度学习系统的因其良好的非线性映射能力和学习能力，只需考虑电池的外部特征，通过对电池相关样本数据的学习，即可实现电池不同工作状态下SOC的有效估计，因此，本发明提供的电池SOC估计方法可以避免卡尔曼滤波法的SOC估计方法存在的问题，同时比基于物理模型的机理建模方法更方便实用。
Description
技术领域
本发明涉及电动汽车技术领域，特别是涉及一种基于跨越-侧抑制宽度学习的电动汽车SOC估计方法。
背景技术
随着电动汽车(Electric Vehicle，EV)市场的快速发展，严重影响和制约电动汽车动力性能的汽车电池相关核心关键技术的研究已成为一个热点问题，其中，电池的荷电状态(State of Charge，SOC)是电池管理系统中的一个重要参数，可以用来表征汽车电池的剩余能量及其工作状态，以便合理安排充电时间等相关事宜，从而保证电动汽车的可靠和安全运行，因此，开展电动汽车电池SOC的预测估计及其相关故障诊断技术研究具有非常重要的现实意义。
针对充电电池SOC的估计，主要有库仑计数法、开路电压法、卡尔曼滤波法、PIO法和神经网络预测法等。由于电池内部结构和工作机理复杂，难以获得精确的机理模型，因此，卡尔曼滤波法和神经网络法是目前的两种主流方法。一方面，尽管基于卡尔曼滤波法的SOC估计，估计精度高，鲁棒性好，但估计过程较复杂，需要建立电池的等效模型并进行参数辨识，且运算量大，需要较高性能的硬件配置。另一方面，神经网络因其较好的学习能力，在电池SOC估计领域已有较多的应用研究，但是汽车行驶过程中会经常出现的启动、刹车、加速等操作会使电池放电电流产生剧烈波动，导致电动汽车电池的SOC估计大大难于普通电子产品电池的SOC估计。因此，基于常规神经网络的电动汽车动力电池SOC预测估计往往也难以获得理想结果。
为了获得更好的学习能力，具有复杂和深层结构的神经网络和学习已经取得了一定的进展，并得到了较成功的探索和应用。然而，尽管深度学习是一种行之有效的学习方法，但由于其数量庞大的待优化参数，通常需要耗费大量的时间和机器资源来进行优化，在一定程度上限制了基于深度学习的神经网络系统的应用。
发明内容
为了解决上述问题，本发明提供了一种基于跨越-侧抑制宽度学习的电动汽车SOC估计方法。
为实现上述目的，本发明提供了如下方案：
一种基于跨越-侧抑制宽度学习的电动汽车SOC估计方法，包括：
获取训练数据集；所述训练数据集包括不同车辆驱动周期下测量的电池数据，所述电池数据包括：k时刻的电流、k时刻的电压、k时刻的电池温度、k时刻的容量、k时刻的输出功率、k-1时刻的电压以及k时刻的电动汽车SOC；
构建跨越-侧抑制宽度学习系统；
通过所述训练数据集对所述跨越-侧抑制宽度学习系统进行训练；所述跨越-侧抑制宽度学习系统的输入为k时刻的电流、k时刻的电压、k时刻的电池温度、k时刻的容量、k时刻的输出功率以及k-1时刻的电压，所述跨越-侧抑制宽度学习系统的输出为k时刻的电动汽车SOC；
通过训练好的跨越-侧抑制宽度学习系统估计电动汽车SOC。
可选地，所述跨越-侧抑制宽度学习系统包括：跨越-侧抑制神经网络模型和宽度学习网络模型。
可选地，所述跨越-侧抑制宽度学习系统由特征映射层、强化层和输出层构成。
可选地，所述强化层包含多个抑制特征，每个抑制特征包含多个抑制节点。
针对上述方法，本发明还提供了一种基于跨越-侧抑制宽度学习的电动汽车SOC估计系统，包括：
数据获取模块，用于获取训练数据集；所述训练数据集包括不同车辆驱动周期下测量的电池数据，所述电池数据包括：k时刻的电流、k时刻的电压、k时刻的电池温度、k时刻的容量、k时刻的输出功率、k-1时刻的电压以及k时刻的电动汽车SOC；
模型构建模块，用于构建跨越-侧抑制宽度学习系统；
训练模块，用于通过所述训练数据集对所述跨越-侧抑制宽度学习系统进行训练；所述跨越-侧抑制宽度学习系统的输入为k时刻的电流、k时刻的电压、k时刻的电池温度、k时刻的容量、k时刻的输出功率以及k-1时刻的电压，所述跨越-侧抑制宽度学习系统的输出为k时刻的电动汽车SOC；
电动汽车SOC估计模块，用于通过训练好的跨越-侧抑制宽度学习系统估计电动汽车SOC。
可选地，所述跨越-侧抑制宽度学习系统包括：跨越-侧抑制神经网络模型和宽度学习网络模型。
可选地，所述跨越-侧抑制宽度学习系统由特征映射层、强化层和输出层构成。
可选地，所述强化层包含多个抑制特征，每个抑制特征包含多个抑制节点。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明采用的基于跨越-侧抑制宽度学习系统因其良好的非线性映射能力和学习能力，只需考虑电池的外部特征，通过对电池相关样本数据的学习，即可实现电池不同工作状态下SOC的有效估计。因此，本发明提供的电动汽车电池SOC估计方法可以避免卡尔曼滤波法的SOC估计方法存在的问题，同时比基于物理模型的机理建模方法更方便实用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于跨越-侧抑制宽度学习的电动汽车SOC估计方法的流程图；
图2为跨越-侧抑制神经网络模型的结构示意图；
图3为宽度学习网络模型的结构示意图；
图4为跨越-侧抑制宽度学习系统的结构示意图；
图5为跨越-侧抑制宽度学习系统的结构调整图；
图6为在环境温度为25℃和-20℃的情况下，在相同的电池上应用US06驱动循环下电压、电流、容量和电池温度示意图；其中，图(a)为电压示意图，图(b)为电流示意图，图(c)为容量示意图，图(d)为电池温度示意图；
图7为不同环境温度下的驱动周期电池温度与电池寿命的关系示意图；
图8为的25℃时US06数据集的预测结果比较图；其中，图(a)为电压预测误差示意图，图(b)为预测电压与期望电压示意图，图(c)为预测的电池SOC值示意图；
图9为25℃时HWFET数据集预测结果比较图；其中，图(a)电压预测误差示意图，图(b)为预测电压与期望电压示意图，图(c)为预测的电池SOC值示意图；
图10为外界温度由10℃变化到25℃的HWFET数据集的电动汽车电池SOC预测结果比较图；其中，图(a)为电压预测误差示意图，图(b)为预测电压与期望电压示意图，图(c)为预测的电池SOC值示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的基于跨越-侧抑制宽度学习的电动汽车SOC估计方法，包括以下步骤：
步骤101：获取训练数据集；所述训练数据集包括不同车辆驱动周期下测量的电池数据，所述电池数据包括：k时刻的电流、k时刻的电压、k时刻的电池温度、k时刻的容量、k时刻的输出功率、k-1时刻的电压以及k时刻的电动汽车SOC。
步骤102：构建跨越-侧抑制宽度学习系统。
步骤103：通过所述训练数据集对所述跨越-侧抑制宽度学习系统进行训练；所述跨越-侧抑制宽度学习系统的输入为k时刻的电流、k时刻的电压、k时刻的电池温度、k时刻的容量、k时刻的输出功率以及k-1时刻的电压，所述跨越-侧抑制宽度学习系统的输出为k时刻的电动汽车SOC。
步骤104：通过训练好的跨越-侧抑制宽度学习系统估计电动汽车SOC。
具体的，步骤102中所述的跨越-侧抑制宽度学习系统包括：跨越-侧抑制神经网络模型和宽度学习网络模型。跨越-侧抑制宽度学习系统由特征映射层、强化层和输出层构成。强化层包含多个抑制特征，每个抑制特征包含多个抑制节点。
跨越-侧抑制神经网络模型具有层级结构，层级结构包括输入层、隐含层和输出层，跨越-侧抑制神经网络(Span-Lateral Inhibition Neural Network，S-LINN)是基于大脑皮层内锥体神经元在不同层神经元之间的跨越连接和中间神经元在同层内的抑制连接提出的一种新型的人工神经网络，S-LINN在分层结构的基础上在隐含层内引入侧抑制机制实现增大网络输出的对比，同时信息在层与层之间的跨越传输提高了网络的表达能力，为避免网络陷入局部极小做出贡献，具有层级结构的S-LINN网络模拟了大脑皮层内神经元在不同层之间的跨越连接结构和同层神经元之间信息的侧向抑制传递，多层S-LINN网络的结构如图2所示，图中l表示神经网络的层，其中l＝0表示输入层，l＝L表示输出层，l∈[1,L-1]表示隐含层；wid、wdj、wij分别表示各层间的连接权值，vrj、vsj、…等表示隐含层内的抑制连接权值，根据图中网络结构及符号定义，可得S-LINN的数学模型如下：
(1)输入层
l＝0层内应有n个输入神经元对应网络的n维输入，则第i个输入神经元输出
为：
其中，p∈[1,P]表示样本个数。由于定义输入神经元为线性，所以上式可简记为：
(2)隐含层
由于S-LINN网络内存在不同层间信息的前馈及跨越传输，以及隐含层内神经元之间的侧抑制连接机制实现的信息传输和竞争，因此隐含层内的神经元有两类输入：一类是来自于[0,l-1]层内神经元的传入输入，另一类是来自于同一层内相邻神经元的抑制输入，则l层内神经元j的输出
为：
其中，
表示神经元j受周围神经元侧抑制作用时的输出，θrj是神经元j能够抑制神经元r时需要达到的阈值。
(3)输出层
在S-LINN中，输出神经元可以接收来自于输入层和隐含层内神经元的输出信号，因此第k个输出神经元的输出ok为：
由于输出
是关于输入x的函数，所以o也是x的函数，显然，S-LINN网络实现了n维空间到m维空间的映射。
宽度学习网络模型是由随机函数型神经网络(Random Vector Functional-LinkNeural Network，RVFLNN)演变而来的一种增量学习框架。
随机函数链接网络RVFLNN是一种前馈型神经网络，其结构如图3所示。
RVFLNN有三层神经元，分别为输入层、强化层、输出层，各层之间都有正向连接的权值。其中输入层到强化层的权值随机生成，输入层到输出层及强化层到输出层的权值通过线性回归得到，RVFLNN克服了一般前馈网络训练时间过长的缺点，也具有逼近任意函数的能力。在紧凑集合中RVFLNN具有快速学习连续函数的性质，RVFLNN适应不一样的数据量的变化，采用动态逐步更新算法，当新增加样本或者强化层节点时，输出权值能够在线更新。
宽度学习网络模型：宽度学习网络(BLS)基本结构与RVFLNN相似，BLS有三层基本结构，分别为特征映射层、强化层和输出层。相比于RVFLNN，BLS以特征映射层代替了输入层；相对于深度结构，宽度结构没有多层链接，更新权值方便，参数量小，所以计算时间大大减少。特征映射层的输出表达式如式(5)-(6)所示：
Zi(t)＝φ(X(t)Wei+βei),i＝1,2,...,n (5)
其中，Wei，βei分别为特征映射层权值和偏置值，可由稀疏自编码(Sparse Auto-encode，SAE)得到，n为特征映射层节点数，ki为映射层各节点维数，φ(·)为非线性激活函数。相比于随机初始化，SAE方法能更加高效地提取特征。
强化层的输入为特征映射层的输出，节点数量可根据实际情况进行调整，并通过变化可得强化层输出计算公式如(7)-(8)所示：
Hj(t)＝ξj(Zn(t)Whj+βhj) (7)
其中，权值Whj、Wxj以及偏置βhj都随机初始化产生，ξj(·)表示非线性激活函数，m表示强化层节点数，pj表示强化层各节点维数。
网络的输出表示如式(9)所示：
其中，Wm可通过线性回归计算Am的伪逆获得，亦可通过岭回归计算获得，分别如式(10)-(11)所示：
Wm＝[Am]+Y (10)
为了提升基于跨越-侧抑制神经网络的电动汽车SOC估计性能，引入宽度学习方法，设计了跨越-侧抑制宽度学习系统(Span-Lateral Inhibition Board LearningSystem，S-LIBLS)，其结构如图4所示。
S-LIBLS同样由特征映射层、强化层以及输出层构成，与BLS有所不同的是，构成强化层的是相互独立的抑制特征，而不是前向连接的神经元，特征映射层的计算方法如：
Zi＝φ(XWei+βei),i＝1,2,...,n (12)
Wei，βei分别为特征映射层权值和偏置值，可由稀疏自编码(Sparse Auto-encode，SAE)得到，相比于随机初始化，SAE方法能更加高效地提取特征。从训练数据提取稀疏特征可看作以下优化问题：
其中，Z为期望输出，由SAE得到。
由于强化层中每个节点有多个抑制神经元组成，各个节点并联构成，可将其称为抑制层。抑制层的节点及节点内的神经元数量可根据实际情况进行调整。强化层的输入为特征映射层的输出，强化层计算公式如下：
其中，vrj、θrj为抑制系数及阈值，权值Whj以及偏置βhj都随机初始化。综上，S-LIBLS整个网络的输出表示为：
上式中，
可通过线性回归求得，即计算
的伪逆，如下：
其也可以通过岭回归计算：
跨越-侧抑制宽度学习系统最重要的特性是其可与运用增量学习算法实现结构的动态调整，如图5所示。当跨越-侧抑制宽度学习系统每增加新的抑制特征，都能运用增量学习算法实现强化层状态矩阵的快速更新，更新算法如下：
Am＝[Zn|Hm] (20)
Am+1≡[Am|Hm+1] (21)
D＝(Am)+Hm+1 (24)
C＝Hm+1-AmD (26)
其中，Am+1为增加新的抑制特征以后强化层的状态矩阵；(Am+1)+为Am+1的伪逆矩阵，其与输出权值矩阵Wm+1通过式(20)-(24)进行更新。
这种计算输出权值的算法优势在于不用每次都重新计算强化层的状态矩阵，而只需要少量的计算得到，可以实现输出权值的动态更新。
根据电动汽车电池模型的相关特性，基于跨越-侧抑制宽度学习系统估计电动汽车SOC的具体实施过程如下：
使用的输入包括测量的电池电流(I)、电池容量(Ah)、电池温度(T)，以及前一个采样时刻的电池电压(U)。
将SOC的综合计算式用以下物理量表示如下：
Uk＝f(Uk-1,Ik,Ahk,Tk) (27)
其中，Uk,Uk-1为k和k-1时刻的电压，Ik为k时刻的电流，Ahk为k时刻的电池容量；Tk为k时刻的电池温度，P(t)为输出功率，U(t)为电池电压；Qz为电池当前实际额定容量；SOCk为k时刻电池的SOC。
电池本身作为一个特殊电容，电池充放电是引起SOC变化的主要原因，考虑到锂电池的自放电率低和EV电池开路时间短，很难直接测量电池的老化程度，即内阻的变化很难确定。在本发明中SOC估算过程中暂不考虑自放电、老化程度及电池内阻变化等因素的影响。
同时，这些物理量都容易测得，使用这些物理量作为网络模型的输入也避免了对SOC初值的依赖，使得该方法有较好的鲁棒性。
实验数据收集及处理：采用Philip等人通过模拟一系列的车辆驱动周期和充电曲线而得到电池的测量数据用于训练和验证基于S-LIBLS的SOC估计性能。表1给出了实验使用的九个不同的驱动周期。
表1
| Test | Use | Mean | RMS | Peak |
| Power(W) | Power(W) | Power(W) | ||
| Cycle1 | Training | 3 | 7 | 35 |
| Cycle2 | Training | 3 | 7 | 35 |
| Cycle3 | Training | 3 | 7 | 35 |
| Cycle4 | Training | 3 | 7 | 35 |
| US06 | Training | 6 | 13 | 34 |
| HWFET | Training | 5 | 6 | 19 |
| UDDS | Training | 2 | 4 | 19 |
| LA92 | Training | 2 | 7 | 35 |
| NN | Training | 3 | 10 | 39 |
为了在实验室中应用这些驱动循环，对单个电池进行了缩放，其中有4个标准驱动循环(城市道路循环UDDS，高速公路省油测试模式HWFET，通用行车计划LA92和补充联邦测试程序US06)，以及基于S-LIBLS模型的自定义驱动循环，具有对S-LIBLS模型训练有用的额外动态。其他四个周期，周期1到周期4是由四个标准驱动周期以随机、重复的顺序混合组成的。例如，在整个US06驱动周期中，同一电池记录的电压、电流、容量和电池温度如图6和图7所示。
基于不同工况及数据集下的SOC估计：为了验证S-LIBLS在电动汽车快、慢两种动态下的SOC预测性能，分别对环境温度为25℃时US06和HWFET数据集进行了实验验证。SOC估计精度如表2所示。其中，S-LIBLS由3层组成，其中特征映射层包含10个窗口，每个窗口包含100个节点；强化层包含10个抑制特征，每个抑制特征包含10个抑制节点。
表2 25℃固定环境温度下网络的SOC估计精度
| Dataset | MAE(％) | RSME | MAX(％) |
| HWFET | 0.1142 | 0.1892 | 2.528 |
| US06 | 0.3433 | 0.4803 | 4.876 |
| Charging | 0.1357 | 0.1741 | 3.309 |
如表2所示，在慢动态、快动态以及充电验证数据集中都获得了良好的性能，其中最大相对误差分别为2.528％、4.876％和3.309％。
基于S-LIBLS的电动汽车电池SOC估计性能与其他方法的对比如表3所示，由此可知本发明方法获得的SOC估计性能最优。
表3多种方法SOC预测误差的比较
环境温度为25℃时基于US06与HWFET数据集的SOC估计结果分别如如图8和图9所示。
上述实验表明，采用S-LIBLS估算SOC误差波动很小，准确度很高，具有良好的性能与满意的效果。同时在较大网络规模时，对于跨越-侧抑制结构的S-LIBLS仍具有较好的泛化能力，稳定性好。
可变环境温度下的SOC估计：如表1所示的七个数据集均包含了5种不同环境温度(25℃、10℃、0℃、-10℃和-20℃)下的数据。为了进一步验证基于S-LIBLS的电动汽车电池SOC估计性能，基于不同环境温度下采集的数据来进行SOC的估计，即，使用5个不同环境温度的US06数据集来评估S-LIBLS的性能。基于不同环境温度的US06数据集进行的SOC估计精度见表4。
表4
| Temperature | MAE(％) | MAX(％) |
| 25℃ | 0.14 | 4.7169 |
| 10℃ | 0.15 | 5.1409 |
| 0℃ | 0.14 | 6.1713 |
| -10℃ | 0.18 | 6.7587 |
| -20℃ | 0.23 | 7.2783 |
实验结果表明，较低环境温度时，估计误差会变高；可以归因于环境温度较低时，电池表面温度与其内部温度的差值会增大，从而影响电池SOC的预测。
S-LIBLS在可变环境温度下(而不是它所训练的环境温度)估算SOC的能力，数据集验证周期从10℃增加到25℃，如图10所示，由此可见，S-LIBLS在这个验证数据集上表现良好，即使在环境温度在10℃到25℃之间，也能保持良好的估计精度。
针对本发明提供的基于跨越-侧抑制宽度学习的电动汽车SOC估计方法，本发明还提供了一种基于跨越-侧抑制宽度学习的电动汽车SOC估计系统，包括：
数据获取模块，用于获取训练数据集；所述训练数据集包括不同车辆驱动周期下测量的电池数据，所述电池数据包括：k时刻的电流、k时刻的电压、k时刻的电池温度、k时刻的容量、k时刻的输出功率、k-1时刻的电压以及k时刻的电动汽车SOC；
模型构建模块，用于构建跨越-侧抑制宽度学习系统；
训练模块，用于通过所述训练数据集对所述跨越-侧抑制宽度学习系统进行训练；所述跨越-侧抑制宽度学习系统的输入为k时刻的电流、k时刻的电压、k时刻的电池温度、k时刻的容量、k时刻的输出功率以及k-1时刻的电压，所述跨越-侧抑制宽度学习系统的输出为k时刻的电动汽车SOC；
电动汽车SOC估计模块，用于通过训练好的跨越-侧抑制宽度学习系统估计电动汽车SOC。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于跨越-侧抑制宽度学习的电动汽车SOC估计方法，其特征在于，包括：
获取训练数据集；所述训练数据集包括不同车辆驱动周期下测量的电池数据，所述电池数据包括：k时刻的电流、k时刻的电压、k时刻的电池温度、k时刻的容量、k时刻的输出功率、k-1时刻的电压以及k时刻的电动汽车SOC；
构建跨越-侧抑制宽度学习系统；
通过所述训练数据集对所述跨越-侧抑制宽度学习系统进行训练；所述跨越-侧抑制宽度学习系统的输入为k时刻的电流、k时刻的电压、k时刻的电池温度、k时刻的容量、k时刻的输出功率以及k-1时刻的电压，所述跨越-侧抑制宽度学习系统的输出为k时刻的电动汽车SOC；
通过训练好的跨越-侧抑制宽度学习系统估计电动汽车SOC。
2.根据权利要求1所述的基于跨越-侧抑制宽度学习的电动汽车SOC估计方法，其特征在于，所述跨越-侧抑制宽度学习系统包括：跨越-侧抑制神经网络模型和宽度学习网络模型。
3.根据权利要求1所述的基于跨越-侧抑制宽度学习的电动汽车SOC估计方法，其特征在于，所述跨越-侧抑制宽度学习系统由特征映射层、强化层和输出层构成。
4.根据权利要求3所述的基于跨越-侧抑制宽度学习的电动汽车SOC估计方法，其特征在于，所述强化层包含多个抑制特征，每个抑制特征包含多个抑制节点。
5.一种基于跨越-侧抑制宽度学习的电动汽车SOC估计系统，其特征在于，包括：
数据获取模块，用于获取训练数据集；所述训练数据集包括不同车辆驱动周期下测量的电池数据，所述电池数据包括：k时刻的电流、k时刻的电压、k时刻的电池温度、k时刻的容量、k时刻的输出功率、k-1时刻的电压以及k时刻的电动汽车SOC；
模型构建模块，用于构建跨越-侧抑制宽度学习系统；
训练模块，用于通过所述训练数据集对所述跨越-侧抑制宽度学习系统进行训练；所述跨越-侧抑制宽度学习系统的输入为k时刻的电流、k时刻的电压、k时刻的电池温度、k时刻的容量、k时刻的输出功率以及k-1时刻的电压，所述跨越-侧抑制宽度学习系统的输出为k时刻的电动汽车SOC；
电动汽车SOC估计模块，用于通过训练好的跨越-侧抑制宽度学习系统估计电动汽车SOC。
6.根据权利要求5所述的基于跨越-侧抑制宽度学习的电动汽车SOC估计系统，其特征在于，所述跨越-侧抑制宽度学习系统包括：跨越-侧抑制神经网络模型和宽度学习网络模型。
7.根据权利要求5所述的基于跨越-侧抑制宽度学习的电动汽车SOC估计系统，其特征在于，所述跨越-侧抑制宽度学习系统由特征映射层、强化层和输出层构成。
8.根据权利要求7所述的基于跨越-侧抑制宽度学习的电动汽车SOC估计系统，其特征在于，所述强化层包含多个抑制特征，每个抑制特征包含多个抑制节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211022348.1A CN115421043A (zh) | 2022-08-25 | 2022-08-25 | 基于跨越-侧抑制宽度学习的电动汽车soc估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211022348.1A CN115421043A (zh) | 2022-08-25 | 2022-08-25 | 基于跨越-侧抑制宽度学习的电动汽车soc估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115421043A true CN115421043A (zh) | 2022-12-02 |
Family
ID=84198943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211022348.1A Pending CN115421043A (zh) | 2022-08-25 | 2022-08-25 | 基于跨越-侧抑制宽度学习的电动汽车soc估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115421043A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109784480A (zh) * | 2019-01-17 | 2019-05-21 | 武汉大学 | 一种基于卷积神经网络的电力系统状态估计方法 |
| CN110068772A (zh) * | 2019-05-06 | 2019-07-30 | 重庆大学 | 基于改进分数阶模型的锂离子电池荷电状态估计方法 |
| CN111160268A (zh) * | 2019-12-30 | 2020-05-15 | 北京化工大学 | 一种基于多任务学习的多角度sar目标识别方法 |
| CN112557907A (zh) * | 2020-12-17 | 2021-03-26 | 杭州六纪科技有限公司 | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 |
| WO2021185308A1 (zh) * | 2020-03-18 | 2021-09-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和系统 |
-
2022
- 2022-08-25 CN CN202211022348.1A patent/CN115421043A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109784480A (zh) * | 2019-01-17 | 2019-05-21 | 武汉大学 | 一种基于卷积神经网络的电力系统状态估计方法 |
| CN110068772A (zh) * | 2019-05-06 | 2019-07-30 | 重庆大学 | 基于改进分数阶模型的锂离子电池荷电状态估计方法 |
| CN111160268A (zh) * | 2019-12-30 | 2020-05-15 | 北京化工大学 | 一种基于多任务学习的多角度sar目标识别方法 |
| WO2021185308A1 (zh) * | 2020-03-18 | 2021-09-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和系统 |
| CN112557907A (zh) * | 2020-12-17 | 2021-03-26 | 杭州六纪科技有限公司 | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 程兴: "基于跨越-侧抑制宽度学习的电动汽车SOC估计研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2022, pages 035 - 965 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110659722B (zh) | 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法 | |
| CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
| CN110286332B (zh) | 一种基于多新息理论的电动汽车动力电池soc估计方法 | |
| CN112241608A (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
| CN111060834A (zh) | 一种动力电池健康状态估算方法 | |
| CN113064093B (zh) | 储能电池荷电状态与健康状态联合估算方法及系统 | |
| 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 | |
| CN111428433B (zh) | 基于混合滤波的锂离子电池状态计算方法 | |
| CN112949164A (zh) | 一种锂电池健康状态预测方法 | |
| CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
| Fu et al. | State of charge estimation of lithium-ion phosphate battery based on weighted multi-innovation cubature Kalman filter | |
| Takyi-Aninakwa et al. | Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties | |
| CN111812519A (zh) | 一种电池参数辨识方法及系统 | |
| CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
| CN113761726A (zh) | 一种锂电池参数辨识方法及系统 | |
| CN114726045A (zh) | 一种基于ipea-lstm模型的锂电池soh估计方法 | |
| CN115453399A (zh) | 一种考虑不一致性的电池组soh估计方法 | |
| CN115201686A (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
| CN112526354A (zh) | 一种锂电池健康状态估计方法 | |
| CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
| CN115186579A (zh) | 一种基于容量增量变化量曲线的锂电池健康状态估计方法 | |
| CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
| CN111948539A (zh) | 一种基于深度强化学习的卡尔曼滤波锂离子电池soc估计方法 | |
| Hu et al. | State-of-charge estimation for lithium-ion batteries of electric vehicle based on sensor random error compensation | |
| CN113805062A (zh) | 锂电池等效电路模型参数在线鲁棒自适应辨识方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221202 |