[发明专利]一种基于多层感知机算法的动力锂电池荷电状态的估计方法

说明书

本发明公开了一种基于多层感知机算法的动力锂电池荷电状态的估计方法，其改进之处在于，包括如下步骤：步骤1，数据拆分：步骤2，数据预处理：步骤3，设计多层感知机网络：步骤4：超参数的选取：步骤5：参数调节：步骤6，模型验证。本发明所公开的估计方法，相对简单查表法以及模型估计法来说估计预测更加准确，对环境等因素不敏感，稳定性好。相对于数据驱动法的LSTM方法，训练速度更快。

技术领域

本发明属于动力锂电池荷电状态估计方法领域，特别涉及该领域中的一种基于多层感知机算法的动力锂电池荷电状态的估计方法。

背景技术

21世纪以来，能源危机以及汽车尾气污染等问题日益突出，减少碳排放成为共识，动力锂电池是新能源发展的重要方向，它能够广泛应用于新能源汽车以及储能等领域。电池荷电状态(SOC)是衡量电池性能好坏的重要因素，是锂离子电池的关键参数之一。电池SOC估计越准确，电池管理系统性能越优越，反之，如电池SOC估值不精确，既浪费能源，又损坏电池，严重时还会造成安全隐患。

常规的电池SOC是指在一定放电电流的情况下，电池所能放出来的电量比上在该情况下其额定容量所得到的总值。锂离子电池具有典型的非线性特征，难以通过现有手段或者方法测定电池释放的总电量。根据安时积分法理论，电池SOC尤为关键，它可以准确反映能量状况。当前电池SOC的估计方法主要有：简单查表法，模型估计法和数据驱动估计法。

简单查表法，一般是使用开路电压法将开路电压与电池SOC进行静态测试，拟合出OCVSOC曲线，作为静态校正。再使用安时积分法进行动态估计，最终估计出电池荷电状态的值。简单查表法的最大缺点是耗时长，浪费能源，不能实时进行估计，更重要的是采用开环估计方法，存在着累计误差。

模型估计法，一般是建立电池模型，比如电化学阻抗模型(EIM)以及等效电路模型(ECM)等。通过模型的荷电状态来估计动力锂电池的荷电状态。主要缺点是建模困难，基于模型的估计方法需要对电池有非常深入的了解，才能对使用电化学及材料性能等参数进行建模，还有参数辨识难度大和计算量大等缺点。

数据驱动估计法，以锂离子电池在应用过程中积累的数据为依据，通过机器学习方法，学习荷电状态的内在机理，使用监督学习方法对荷电状态进行估计。数据驱动估计法从全过程测试数据的角度出发描述电池性能，进而分析电池SOC，需要使用专业的锂电池测试设备和高精度的数据采集电路，通过对锂电池的测试来模拟锂电池真实的工况。它主要的缺点是高度依赖数据的完整性以及计算机处理的速度，对数据要求高、离散训练耗时长。

发明内容

本发明所要解决的技术问题就是提供一种基于多层感知机算法的动力锂电池荷电状态的估计方法。

本发明采用如下技术方案：

一种基于多层感知机算法的动力锂电池荷电状态的估计方法，其改进之处在于，包括如下步骤：

步骤1，数据拆分：

将电池测试总数据集T_ot分为两部分，75％为训练数据集T_ra，25％为测试数据集T_es；

步骤2，数据预处理：

对训练数据集T_ra中的数据进行标准化，公式如下：

其中，x表示某个特征，x_min表示该特征中最小的值，x_max表示该特征中最大的值；

步骤3，设计多层感知机网络：

设计全连接神经网络：

m＝f(z)

h＝f(s)