一种基于人工智能的锂离子电池系统SOC估计方法与流程

一种基于人工智能的锂离子电池系统soc估计方法
技术领域
[0001]
本发明涉及电池系统领域，尤其涉及锂离子电池系统的荷电状态估计。


背景技术：

[0002]
在锂离子电池的运行过程中，电池管理系统仅能获得电压、电流、温度等信号，而对于荷电状态(state of charge,soc)则不能直接测量，需要基于采样信号进行估计。目前电池soc估计的方法主要使用电池模型结合安时积的分方法，在放电过程进行soc估计。此类方法依赖于soc与电压建模之间的关系，利用安时积分用于实现闭环校正，在实施过程中存在一些局限性。首先，对于某些电池体系，如磷酸铁锂或钛酸锂电池，其电压对soc变化不敏感，因此soc估计效果较差。此外，电池电压模型在低温、大电流、低soc时电压仿真精度降低。另外，电池的动态放电过程多变，如车用动力电池的放电工况依赖于驾驶员习惯、地区、季节、天气等因素。这些不同的情况下，仅基于少量离线试验开发的算法难以保证其大范围应用时的鲁棒性。因此，本领域中尚缺乏针对复杂多变的实际使用情况具有较好的自适应性，且执行过程相对简化、鲁棒性高的锂离子电池系统荷电状态估计方法。


技术实现要素：

[0003]
有鉴于此，本发明提供了一种基于人工智能的锂离子电池系统soc估计方法，具体包括以下步骤：
[0004]
步骤一、获取电池系统采用多种充电方式的日常充电曲线作为训练数据；
[0005]
步骤二、将充电曲线分割为数据片段，并标定数据片段最后一点的soc；
[0006]
步骤三、选择适用的深度学习算法，利用由步骤二获取的各数据片段对所述算法进行训练，建立每个数据片段与该片段最后一点soc间的映射关系；
[0007]
步骤四、将经过步骤三训练好的深度学习算法实际应用，以电池管理系统采集的充电片段数据作为所述深度学习算法的输入，输出估计的电池soc；
[0008]
步骤五、在每两次充电过程之间，使用安时积分算法进行soc的递推计算。
[0009]
进一步地，在锂离子电池系统经历过满充、满放等操作历程后，利用电池管理系统采集的充电曲线重新对所述深度学习算法进行训练更新。
[0010]
进一步地，所述步骤一中在获取日常充电曲线时可采用包括恒流充电、恒流恒压充电、多阶恒流充电、脉冲充电等的常见充电方式；所获得的曲线包括电池充电电流、电压、温度等参数；通过安时积分方法，获得电池的容量，并计算充电曲线上各个时刻的soc。
[0011]
进一步地，所述步骤二中将充电曲线分割为数据片段具体包括：确定一个预设片段长度，将预设片段长度在充电曲线上滑动，由此将步骤一获取的充电曲线划分为包含多个预设片段长度的数据片段，每个分割的片段包括各个时刻的采样信号序列，例如电压、电流、温度等；同时，对于每个片段确定其最后一点的soc。
[0012]
进一步地，所述步骤三中的深度学习算法选用卷积神经网络、密集连接网络、循环神经网络等，使用优选梯度下降算法及其各种变体对其进行训练；以步骤二中分割的各数
据片段作为深度学习算法输入，并且以各片段对应的最后一点soc作为算法输出。
[0013]
进一步地，所述步骤五中利用安时积分法计算两次充电过程之间的soc变化值，用于对soc的递推。
[0014]
上述本发明所提供的方法，充分利用充电过程可控的特点，使用深度学习算法训练充电信号片段与soc之间的关系，在每次充电过程中采集信号片段进行电池soc的标定，两次充电过程之间的soc估计则由安时积分实现，由此避免了放电过程建模效果差、不确定性高对电池soc估计的负面影响。此外，利用经历过满充、满放后重新采集的充电曲线数据对深度学习算法重新训练，使得本发明的方法具有自适应的特点，可以在电池工作条件发生变化时，通过迁移学习实现soc估计算法的快速更新。
附图说明
[0015]
图1是本发明所提供方法的流程图；
[0016]
图2是基于本发明对某款磷酸铁锂电池进行soc估计的过程示意图；
[0017]
图3是基于本发明对某款磷酸铁锂电池进行soc估计的结果。
具体实施方式
[0018]
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
[0019]
本发明所提供的基于人工智能的锂离子电池系统soc估计方法如附图1所示，具体包括以下部分：
[0020]
步骤一、采用如恒流充电、恒流恒压充电、多阶恒流充电、脉冲充电等常见的充电方案，对电池进行充电，利用电池试验、电池管理系统获取电池系统的日常充电曲线作为训练数据。通过安时积分方法，获得电池的容量，并计算充电曲线各个时刻的soc。
[0021]
步骤二、将充电曲线分割为数据片段，并标定数据片段最后一点的soc，具体包括：确定一个预设片段长度，将预设片段长度在充电曲线上滑动，由此将步骤一中获取的充电曲线划分为该长度的数据片段，每个片段包括各个时刻的采样信号序列，例如电压、电流、温度等。同时，对于每个片段确定其最后一点的soc。
[0022]
步骤三、使用卷积神经网络、密集连接网络、循环神经网络等深度学习算法建立数据片段与片段最后一点soc间的映射关系。深度学习算法的输入是步骤二中的数据片段，输出则是片段对应的最后一点soc。采用梯度下降算法及其各种变体对学习算法进行训练。
[0023]
步骤四、在电池系统实际应用过程中，采集充电片段数据作为深度学习算法的输入，输出电池soc，具体包括：在电池实际运行时，电池管理系统在充电过程中基于步骤二中的设定采集充电片段，并将采集到的充电片段作为步骤三中训练好的深度学习算法的输入，由此输出片段最后一点对应的soc。在本发明的一个优选实施例中，如图2过程
①②
所示，针对某款磷酸铁锂电池的0.3c恒流恒压充电，将其划分为最长为10分钟长度的电压、电流数据片段。以该片段作为输入，片段最后一点的soc作为输出，采用深度循环神经网络进行训练。训练后即可使用电池管理系统采集的10分钟长度的电压、电流数据片段估计10分钟片段最后一点的soc。此外，通过在训练过程中将片段数据中的部分标记为缺失(如设置为0)，可以使算法处理任意长度的数据片段。例如，当采集到的数据片段不足10分钟时，可
以为数据填充相应的缺失标记(如0)，补齐为10分钟，作为算法输入，实现soc估计。
[0024]
步骤五、在两次充电过程之间，使用安时积分算法进行soc的递推计算，具体包括：将步骤四中估计的片段最后一点的soc作为初始值，运行安时积分进行soc的递推计算，如图2过程
③
所示，安时积分通过计算电池充放电量来计算soc的变化值，由此可以实现两次充电过程之间的soc递推。直至电池下一次充电过程采集到可用的充电片段，则返回步骤四，更新电池soc。本实施例中磷酸铁锂电池在充电过程的soc估计结果及soc估计误差如图3所示。
[0025]
步骤六、在电池系统经历满充、放光等操作后，采集相应充电曲线，对电池的soc估计算法进行更新，具体包括：在电池系统使用过程中经历了充电至上截止电压(此时soc＝100％)、放电至下截止电压(此时soc＝0)等过程后，采集包含以上两个过程之一的充电曲线。将该充电曲线划分为步骤二中一致的充电曲线片段，并计算相应最后一点的soc，作为新的训练数据，用于更新深度学习算法。可通过微调预先训练的深度学习算法中的部分参数更新soc估计算法。
[0026]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。