[发明专利]一种基于融合神经网络的锂离子电池SOC估计方法

说明书

本发明提供了一种基于融合神经网络的锂离子电池SOC估计方法，属于锂离子电池技术领域。解决了目前电池容量的SOC估计难估计的技术问题。其技术方案为：步骤1)将全新锂电池充满电，测取SOC从1到0的锂离子电池的端电压、电流、温度；步骤2)对测取的数据进行预处理；步骤3)使用2DCNN卷积神经网络对新的数据集进行训练和测试，实现SOC实时估计。本发明的有益效果为：本发明在数据集中加入估计的电池容量数据，能够拥有更高的估计精度，相比较LSTM，不会将误差一直记忆；并且，短的历史数据长度也能拥有更快的估计速度；相较使用3DCNN来估计SOC，能够减少运算量并且减少不必要的误差输入，从而拥有更高的精度。

技术领域

本发明涉及技术领域，尤其涉及一种基于融合神经网络的锂离子电池SOC估计方法。

背景技术

电动汽车已经成为当下汽车行业发展的方向，锂电池凭借其诸多优势在电动汽车中也得到广泛应用。在汽车电池管理系统中，精准的荷电状态(SOC)估计对于计算剩余里程至关重要，同时还能够帮助管理系统更加有效的管理和控制汽车电池。

目前，关于SOC估计的方法有三类，第一类是安时积分法，这种方法需要明确的初始SOC值，因此在实际中很难应用，但是大多数用在SOC值定义中。第二类是基于模型的方法，主要有电化学模型法和等效电路法。电化学模型因为其复杂的结构和过多参数，在手机或汽车电池中的应用不是很占优势；基于等效电路模型的方法有在线和离线两种，辨识出参数后结合滤波算法完成SOC的估计，虽然精度很高，但是很难考虑温度、老化程度随时间的变化。第三类是数据驱动法，主要有支持向量机、神经网络等等，数据驱动模型因为其不需要具体模型，还能够综合考虑多方面的因素，能够拥有更高的精度和良好鲁棒性。在实际应用中，我们更多的还是需要获取汽车手机电池中的剩余电量等数据，这是需要充分考虑温度、老化程度等的。电池容量不仅仅是能够表征老化程度的一个指标，还是在定义SOC值时的一个重要参数，所以基于电池容量的SOC估计成为一个技术难点。

如何解决上述技术问题为本发明面临的课题。

发明内容

本发明的目的在于提供一种基于融合神经网络的锂离子电池SOC估计方法，分别通过不同温度下的电池充放电实验获取电池各项参数，然后处理数据与构建训练数据集，将训练的数据集导入3DCNN卷积神经网络中进行训练，估计出电池容量后，将估计的电池容量加入数据集构建新的数据集，最终可用于锂电池SOC的实时估计。

本发明是通过如下措施实现的：一种基于融合神经网络的锂离子电池SOC估计方法，包括以下步骤：

步骤1)在变化的温度下，将全新锂电池充满电，然后通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验，反复测取SOC从1到0的锂离子电池的端电压、电流、温度；

步骤2)对测取的数据进行预处理，构建用于估计电池容量的3DCNN训练数据集和测试数据集，并利用3DCNN卷积神经网络估计出的电池容量构建新的数据集；

步骤3)使用2DCNN卷积神经网络对新的数据集进行训练和测试，实现最终的SOC实时估计。

作为本发明提供的一种基于融合神经网络的锂离子电池SOC估计方法进一步优化方案，所述步骤2)具体包括如下步骤：

步骤2-1)数据没有统一量纲在神经网络算法拟合时会有收敛速度缓慢、误差偏高等问题，所以需要对测取的数据进行归一化处理。各种工况实验的电池对象相同，但是电压电流等变化范围不同，因此需要先对各种工况的数据单独进行预处理，采用如下公式对输入数据进行归一化处理：

其中，a_ij为第i个输入的第j个数据点，a_min是第i个输入数据的最小值，a_max是第i个输入数据的最大值，x_{in_ij}是a_ij进行归一化处理后的数据。