1.一种基于深度神经网络的车辆电池荷电状态估计方法,其特征在于,包括以下步骤:
步骤1:采集预设温度下,不同模拟汽车驾驶习惯的负载对电池进行放电操作的历史数据,并对所述历史数据进行初步处理得到原始数据;
步骤2:将所述原始数据转换为双向lstmencoder-decoder深度神经网络可以训练的数据集,所述数据集包括训练集和测试集;
步骤3:初始化所述双向lstmencoder-decoder深度神经网络,并利用所述训练集对所述双向lstmencoder-decoder深度神经网络进行训练,获得训练后的网络模型参数;
步骤4:利用步骤3获得的模型对所述测试集进行测试,得到soc估计的效果;
若效果在可接受误差内直接运用到在线车辆电池荷电状态的估计。
2.根据权利要求1所述的一种基于深度神经网络的车辆电池荷电状态估计方法,其特征在于,所述历史数据包括电池电压v、电池电流i,电池表面温度t和电池当前电量ah。
3.根据权利要求2所述的一种基于深度神经网络的车辆电池荷电状态估计方法,其特征在于,对所述历史数据进行初步处理得到原始数据包括以下步骤:
步骤11:对包括电池电压v、电池电流i,电池表面温度t和电池当前电量ah的历史数据进行重新采样,采样频率为1hz,得到不同时刻的电池电压vt、电池电流it、电池表面温度tt和电池当前电量aht;
步骤12:根据所述电池当前电量和标准电量计算电池的soc值,并作为网络的标签数据,其计算公式为:
其中,aht表示t时刻测得的电池电量,ah0表示电池标准电量。
4.根据权利要求3所述的一种基于深度神经网络的车辆电池荷电状态估计方法,其特征在于,将所述原始数据转换为双向lstmencoder-decoder深度神经网络可以训练的数据集,具体包括以下步骤:
步骤21:将不同时刻的所述电池电压vt、所述电池电流it和所述电池表面温度tt进行归一化,使其分布在[0,1]区间,具体公式为:
其中,d表示电压、电流和电池表面温度中任意一个,dt表示t时刻的数据,dmin表示最小的数据点,dmax表示最大的数据点;
步骤22:将归一化后的电压vt'、电流i’t和表面温度tt'连接为输入向量xt=[vt',i’t,tt'],对应的标签为soct;
步骤23:将归一化的数据转换为所述双向lstmencoder-decoder深度神经网络模型需要的数据结构,其中所述数据结构为[样本数,时间步,特征数],变形后的单个样本结构为[[vt',i’t,tt'],[v’t+1,i’t+1,t’t+1],……[v’t+k-1,i’t+k-1,t’t+k-1]],表示时间步为k时的单个样本输入。
5.根据权利要求4所述的一种基于深度神经网络的车辆电池荷电状态估计方法,其特征在于,
所述训练集:所有模拟汽车驾驶情况下对电池施加负载的随机混合而成的数据集;
所述测试集:单个模拟汽车驾驶情况下对电池施加负载的数据集。
6.根据权利要求5所述的一种基于深度神经网络的车辆电池荷电状态估计方法,其特征在于,所述双向lstmencoder-decoder深度网络模型结构具体为:encoder部分采用双向lstm层,decoder部分采用lstm层,中间的语义向量c作为decoder部分的每次输入。
7.根据权利要求6所述的一种基于深度神经网络的车辆电池荷电状态估计方法,其特征在于,所述步骤3具体包括以下步骤:
步骤31:随机设置所述双向lstmencoder-decoder深度神经网络的所有参数,包括权重值和偏置值,完成模型的初始化;
步骤32:将所述步骤23得到的训练数据输入所述步骤31得到的深度神经网络中,经过网络的前向传播计算得到预测值soct’,其计算公式为:
soc’t=σ(vt',i’t,tt')(3)
其中,σ表示神经网络的一次前向传播;
步骤33:训练神经网络的损失函数loss,其计算公式为:
其中,y表示训练集soc的标签值,
步骤34:采用穿过时间的反向传播算法更新网络的权值参数;
步骤35:重复步骤32-34,直到神经网络收敛,完成训练,获得网络模型的参数。
8.根据权利要求7所述的一种基于深度神经网络的车辆电池荷电状态估计方法,其特征在于,所述步骤4具体包括以下步骤:
步骤41:将所述测试集的测试数据输入至训练完成的深度神经网络,经过网络的前向传播计算得到预测值soc”t;
步骤42:利用平均绝对误差mae评价模型性能,其计算公式为:
其中,y表示测试集soc的标签值,
当测试集的mae在可接受范围内时表示网络模型性能卓越,输入当前时刻电池的电压、电流和电池表面温度,得到当前时刻的电池soc值。