电动汽车动力电池SOC估计方法与流程

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(stateofcharge，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(batterymanagementsystem，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。

技术实现要素：

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ik、电池总电压vk、电池包最低温度tmink、电池包最高温度tmaxk。

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：

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，全连接层将隐藏层的状态hk线性映射成soc估计值sock：

sock＝νouthk+bk

其中，vout是全连接层的权值矩阵，bk是偏移量。

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，回归模型的训练样本集k＝1,...,n，其中，为已有的soc真实值，作为训练样本的标签。

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，将训练样本集输入到blstm-rnn神经网络中，采用梯度下降法对网络参数进行学习，当损失函数值小于给定阈值时，停止训练。

优选的，在上述的电动汽车动力电池soc估计方法中，步骤s3中，自bms中提取实时的关联特征，并输入训练好的blstm-rnn神经网络，得到实时的soc估计结果。

与现有技术相比，本发明的优点至少包括：

本发明soc估计方法，利用bms历史数据，提取出与soc相关的状态量，构建基于双向长短期记忆网络的深度神经网络，对该模型进行训练，得到训练好的离线soc估计模型；在线阶段，以bms系统的实时数据为输入，构造状态量，输入soc估计模型，得到soc的实时估计结果。这一方法从数据出发，避免了对各类soc估计的近似模型的依赖，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。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1所示为本发明具体实施例中soc估计方法的原理方框图；

图2所示为本发明具体实施例中blstm-rnn模型结构；

图3所示为本发明具体实施例中lstm单元结构；

图4所示为本发明具体实施例中基于blstm神经网络的soc估计算法流程图。

具体实施方式

在以下描述中，出于解释目的，阐明具体细节以便提供对本发明的理解。然而，将对本领域的技术人员显而易见的是，可在没有这些细节的情况下实践本发明。此外，本领域的技术人员将认识到，下文描述的本发明的实施方式可以以各种方式(例如过程、装置、系统、设备或方法)在非瞬时计算机可读介质上实施。

附图中示出的组件或是模块是本发明实施方式的示例性说明，并且意图避免使本发明不清楚。还应理解，在本论述的全文中，组件可描述为单独的功能单元(可包括子单元)，但是本领域的技术人员将认识到，各种组件或其部分可划分成单独组件，或者可整合在一起(包括整合在单个的系统或组件内)。应当关注，本文论述的功能或操作可实施为组件。组件可以以软件、硬件、或它们的组合实施。

此外，附图内的组件或系统之间的连接并不旨在限于直接连接。相反，在这些组件之间的数据可由中间组件修改、重格式化、或以其他方式改变。另外，可以使用另外或更少的连接。还应关注，术语“联接”、“连接”、或“通信地联接”应理解为包括直接连接、通过一个或多个中间设备来进行的间接连接、和无线连接。

在本说明书中对“一个实施方式”、“优选实施方式”、“实施方式”、“多个实施方式”的提及表示结合实施方式所描述的具体特征、结构、特性或功能包括在本发明的至少一个实施方式中。另外，在本说明书的各个地方出现以上所提到的短语并不一定全都是指相同的实施方式或多个相同实施方式。

在本说明书的各个地方使用某些术语目的在于说明，并且不应被理解为限制。服务、功能或资源并不限于单个服务、单个功能或单个资源；这些术语的使用可指代相关服务、功能或资源的可分布或聚合的分组。术语“包括”、“包括有”、“包含”、“包含有”应理解为开放性的术语，并且其后任何列出内容都是实例，而不旨在限于所列项目。术语“图像”应理解为包括静态图像或视频图像。本文所使用的任何标题仅是为了组织目的，并且不应被用于限制说明书或权利要求的范围。本专利文献中提到的每个参考文献以其全文通过引用并入本文。

此外，本领域的技术人员应认识到，(1)某些步骤可以可选地执行；(2)步骤可不限于本文所阐述的特定次序；(3)某些步骤可以以不同次序执行；以及(4)某些步骤可同时地进行。

本实施例以准确实时估计锂电池soc为目标，将人工智能技术与电化学机理相结合，提出一套完整的基于实时和历史bms数据的实时soc估计技术方案，提高整车能量管理能力。

结合图1所示，本实施例以bms系统中监测到的各种信号为输入，通过与soc相关的特征分析与提取，建立基于数据驱动的估计模型来在线实时估计动力电池的soc，实现基于bms历史和实时监控数据的动力电池准确soc估计。

soc可以表示为温度和充放电电流、电压的非线性函数，如何准确挖掘和表达这种非线性关系是进行soc估计的关键。本实施例采用深度学习来对电动汽车运行和充电状态中每一时刻的soc进行估计。具体步骤包括：

1)从bms系统中提取可以表征soc的关联特征；

2)构建深度神经网络模型；

3)深度神经网络的参数训练；

4)基于训练好的深度神经网络的在线soc估计。

一、关联特征提取

本实施例结合电池电化学原理和相关性分析，从bms系统提供的数据源中提取与soc关联最强的特征向量。依据国标bms系统提供的数据类型如表1所示。

表1bms系统数据结构

经过数据相关性分析和电化学机理分析，得出高压电池电流ik、电池总电压vk、电池包最高温度tk、显示电池容量sk构成每个时刻电池状态的特征向量。

二、构建深度神经网络模型

神经网络模型采用blstm-rnn(双向长短时记忆网络与条件随机场相结合)。在其他实施例中，也可以采用其他深度神经网络模型。

图2所示为blstm-rnn模型结构，图3所示为lstm单元结构。

关于代价函数与隐藏单元，本实施例采用极大似然估计来训练模型，损失函数的定义如公式(1)所示。

隐藏单元是在神经网络内部对训练集当中输入的数据进行各种线性和非线性的变换，可以描述为接受输入向量x，计算仿射变换z＝w^tx+b，然后对向量z中的每一个值输入非线性函数g(z)，获取最终隐藏单元的输出。本实施例采用tanh函数作为激活函数。

tanh函数作为激活函数时，具体的形式如公式(2)所示：

在上述的结构中，第一层的输出由下式给出：

h⁽¹⁾＝g⁽¹⁾(w^(1)tx+b⁽¹⁾)(3)

第二层由

h⁽²⁾＝g⁽²⁾(w^(2)th⁽¹⁾+b⁽²⁾)(4)

其中a表示汇集计算的值，b表示经过激活函数计算的值，w是不同神经元之间连接的参数，带下标k的是输出层，带下标h的是隐藏层相关的内容，l则是模型当中最后使用的损失函数。

关于反向传播(backwardpass)，公式(9)中括号里包含两个部分，第一项是当前时间输出层传回的残差，第二项是下一时间隐藏层传回的残差。

关于全连接层，将隐藏层的状态hk线性映射成soc估计值sock，计算公式如下：

sock＝νouthk+bk(12)

其中，νout是全连接层的权值矩阵，bk是偏移量。

三、blstm-rnn训练

1)样本集构造

回归模型的训练样本集k＝1,...,n，其中，为已有的soc真实值，作为训练样本的标签。

2)回归模型训练

将训练样本集输入到搭建好的blstm-rnn网络中，设定训练步长度、衰减率等参数，采用梯度下降法对网络参数进行学习，当损失函数值小于给定阈值时，停止训练。

四、soc估计

提取当前待估计soc的汽车bms系统中当前时刻之前的数据，构造测试样本，将任意时刻k的(ik，vk，tmaxk，tmink)输入训练好的blstm-rnn网络，得到k时刻的soc估计值sock。算法的整体流程如图4所示。

综上所述，本发明首次提出了基于深度学习的电动汽车动力电池在线soc估计方法，利用bms历史数据，提取出与soc相关的状态量，构建基于双向长短期记忆网络的深度神经网络，对该模型进行训练，得到训练好的离线soc估计模型；在线阶段，以bms系统的实时数据为输入，构造状态量，输入soc估计模型，得到soc的实时估计结果。这一方法从数据出发，避免了对各类soc估计的近似模型的依赖，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。

本发明的实施方式可以利用用于一个或多个处理器或处理单元以使步骤执行的指令在一个或多个非暂态计算机可读介质上编码。应注意，一个或多个非暂态计算机可读介质应当包括易失性存储器和非易失性存储器。应注意，替代实现方式是可能的，其包括硬件实现方式或软件/硬件实现方式。硬件实施的功能可使用asic、可编程的阵列、数字信号处理电路等来实现。因此，任何权利要求中的术语“手段”旨在涵盖软件实现方式和硬件实现方式两者。类似地，如本文使用的术语“计算机可读媒介或介质”包括具有实施在其上的指令程序的软件和/或硬件或它们的组合。利用所构想的这些替代实现方式，应当理解，附图以及随附描述提供本领域的技术人员编写程序代码(即，软件)和/或制造电路(即，硬件)以执行所需处理所要求的功能信息。

应当注意，本发明的实施方式还可涉及具有其上具有用于执行各种计算机实施的操作的计算机代码的非暂态有形计算机可读介质的计算机产品。介质和计算机代码可为出于本发明的目的而专门设计和构造的介质和计算机代码，或者它们可为相关领域中的技术人员已知或可用的。有形计算机可读介质的示例包括但不限于：诸如硬盘、软盘和磁带的磁性介质；诸如cd-rom和全息设备的光学介质；磁光介质；以及专门配置成存储或存储并执行程序代码的硬件设备，例如，专用集成电路(asic)、可编程逻辑器件(pld)、闪存设备、以及rom和ram设备。计算机代码的示例包括机器代码(例如，编译器产生的代码)以及包含可由计算机使用解释器来执行的更高级代码的文件。本发明的实施方式可整体地或部分地实施为可在由处理设备执行的程序模块中的机器可执行指令。程序模块的示例包括库、程序、例程、对象、组件和数据结构。在分布的计算环境中，程序模块可物理上定位在本地、远程或两者的设定中。

本领域的技术人员将认识到，计算系统或编程语言对本发明的实践来说均不重要。本领域的技术人员将还将认识到，多个上述元件可物理地和/或在功能上划分成子模块或组合在一起。

将理解，前文的示例、实施方式和实验是示例性的，并且出于清楚和理解的目的，而不限制本发明的范围。旨在说明的是，在本领域的技术人员阅读本说明书并研究附图后将对本领域的技术人员显而易见的本发明的所有替代、置换、增强、等同、组合或改进包括在本发明的范围内。因此，旨在说明的是，权利要求书包括落在本发明的真实精神和范围内的所有此类替代、置换、增强、等同、组合或改进，除非随附权利要求书以其语言来另外明确说明。应注意，随附权利要求书的元素可不同地布置，包括具有多个从属、配置和组合。例如，在实施方式中，各权利要求的主题可与其他权利要求组合。