[发明专利]电动汽车动力电池SOC估计方法

说明书

本申请公开了一种电动汽车动力电池SOC估计方法，包括s1、自BMS中提取可以表征SOC的关联特征；s2、利用关联特征训练深度神经网络模型；s3、基于训练后的深度神经网络模型在线SOC估计。本发明方法从数据出发，避免了对各类SOC估计对近似模型的依赖，同时，与其他数据驱动方法相比，更适合于处理大量BMS样本数据，可获得更高的估计精度。

技术领域

本申请涉及新能源汽车技术领域，特别是涉及一种电动汽车动力电池SOC估计方法。

背景技术

正确估计锂电池的SOC(State of Charge，电池荷电状态)是整车能量管理中提高电池的利用率，延长电池组的使用寿命的基础。SOC在温度不同、倍率不同、充放电效率不同等条件下存在明显差异；电池工作的温度对SOC影响显著，过高或过低会导致电池的可用容量降低；电池的老化和自放电等因素导致SOC的准确估计更加困难。另外，电池组内单体容量衰减存在很大的不一致性，在电动汽车实际运行过程中，SOC的估计精度很难保证，单纯依赖各类近似模型的电池容量估计难以准确得到。

电动汽车实际运行中，无法获得实验室条件下的电池组完整充放电过程，其充放电曲线则是不完整的。在这种情况下，基于安时法计算得到的SOC电池组容量是不准确的，误差较大。电动车辆的动力电池SOC估计的难点在于：

1)锂电池SOC估计过程是在电动车辆的实际操作中。因此，需要实时在线估计，在存在误差的情形下，通过改进估算方法，使其结果仍然具有良好的收敛性和鲁棒性。

2)锂电池的运行状态复杂，关闭或打开锂电池的时间具有随机性，这给估计工作带来了相当程度的困难。

3)电动汽车电流不稳定，工作环境复杂，环境温度和电池自放电等复杂因素给估算增加了许多困难。

现有技术中，SOC估计的方法主要是安时积分法、开路电压法、人工神经网络和卡尔曼滤波(KF)等，其中：

(1)安时积分法需要初始SOC值，才能给出准确的估算结果，同时，在电动汽车实际运行中，由于BMS(BATTERY MANAGEMENT SYSTEM，电池管理系统)系统采样的离散性，以及数据传输过程中不可避免的错误和数据丢失，使得安时法往往误差过大，最终会使估算SOC出现偏差。

(2)开路电压法通过放电实验记录电压与SOC数据，根据电压数据大小来预测SOC的值，但是这种方法不支持动态在线检测

(3)卡尔曼滤波算法需要获得准确的模型，通过算法更新模型中的参数预测SOC的值。而实际中准确的SOC模型往往难以获得，现有的SOC模型多为数据拟合得到的多项式模型或指数模型，偏差较大。

发明内容

本发明的目的在于提供一种电动汽车动力电池SOC估计方法，以克服现有技术中的不足。

为实现上述目的，本发明提供如下技术方案：

本申请实施例公开一种电动汽车动力电池SOC估计方法，包括

s1、自BMS中提取可以表征SOC的关联特征；

s2、利用关联特征训练深度神经网络模型；

s3、基于训练后的深度神经网络模型在线SOC估计。

优选的，在上述的电动汽车动力电池SOC估计方法中，所述关联特征包括电池电流I_k、电池总电压V_k、电池包最低温度T_mink、电池包最高温度T_maxk。

优选的，在上述的电动汽车动力电池SOC估计方法中，深度神经网络模型采用BLSTM-RNN神经网络。

优选的，在上述的电动汽车动力电池SOC估计方法中，步骤s2中，采用Tanh函数作为激活函数：