[发明专利]一种基于深度学习的电池SOC和SOH联合估计方法

说明书

本发明公开了一种基于深度学习的电池SOC和SOH联合估计方法。具体步骤包括电池数据的采集、对数据的预处理、搭建SE‑CNN神经网络和BRNN神经网络、构建并训练估算模型，最后利用训练过的SE‑CNN网络估算电池的SOH值、利用BRNN网络估算电池的SOC值。本发明利用深度学习的参量自学习能力，减少了在估算电池的剩余容量与最大可用容量之比与电池容量和内阻的变化关系过程中的计算量，并考虑SOH和SOC之间的关联，进行联合估计，增强预测模型的稳定性，提高计算的准确性，弥补了现有技术中各种估算方法测量时间长、测量条件要求高、计算量过高以及估算精度低的不足，为各类电池管理系统提供一种快速、准确的SOH和SOC估算方法。

技术领域

本发明属于动力电池管理技术领域，尤其是涉及一种基于深度学习的电池SOC和SOH联合估计方法。

背景技术

SOC的定义是电池的剩余容量与最大可用容量之比，反映的是电池的剩余电量；SOH通常定义为锂离子电池容量和内阻的变化关系，反映锂离子电池的老化情况。对SOC和SOH准确估计是电池管理系统的核心功能之一，对保障电池安全使用，延长电池循环寿命具有重要意义。

电池的SOC与很多因素有关，例如温度、极化效应、电池寿命等，而且具有很强的非线性，对于电池SOC的估计，国内外普遍采用的方法有放电试验法、安时法、开路电压法、内阻法、卡尔曼滤波法、线性模型法和神经网络法，但是这些方法都存在不同程度上的缺陷。

1)放电试验法要求电池处于恒流放电状态，而且需要花费大量测量时间；

2)安时法易受到电流测量精度的影响，在高温或电流波动剧烈情况下精度很差；

3)开路电压法进行电池SOC估计时，电池必须静置较长时间以达到稳定状态，而且只适用于电池电流非剧烈变化状态下的SOC估计，不能满足在线检测的要求；

4)内阻法需要精确测量电池的内阻，一般电池内阻在毫欧级，对测量仪器的要求非常高，难以在实际中加以应用；

5)卡尔曼滤波法是目前采用较多的一种估算方法，它对电池模型依赖性较强，要获得准确的SOC，需要建立较为准确的电池模型，而电池模型的准确程度和复杂度是成正比的；

6)线性模型大致分为等效电路模型和简化电化学模型。等效电路模型多采用较简单的Thevein模型，而如果采用更为复杂的电路模型，模型参数的辨识和状态方程的建立都将是很大的挑战。由于模型的简化，并不能充分反映电池的内部规律，会造成较大的估计误差。

所以现有技术对锂离子电池SOC和SOH的估算，尚未出现全面有效的解决方案，需要在提高准确度和降低计算量这两方面进行优化。

发明内容

针对现有技术的不足，本发明提出一种基于深度学习的电池SOC和SOH联合估计方法，利用深度学习的参量自学习能力，减少估算过程中的计算量，并考虑SOH和SOC之间的关联，进行联合估计，增强预测模型的稳定性，提高计算的准确性，为各类电池管理系统提供一种快速、准确的SOH和SOC估算方法。

一种基于深度学习的电池SOC和SOH联合估计方法，该方法具体包括以下步骤：

步骤一、电池数据采集。

1.1、对锂离子电池进行充放电实验，获取锂离子电池SOC和SOH联合估算模型所需的训练数据，包括锂离子电池的电压、电流、温度以及基于电流积分的电量。

1.2、利用对抗网络生成数据样本以扩充样本数据集。对抗网络由生成网络G和判别网络D两部分组成。生成数据样本的方法包括以下步骤：

1.2.1、向生成网络G输入随机噪声z，生成网络G输出结果数据G(z)。