一种考虑容量退化的锂电池荷电状态估计方法

一种考虑容量退化的锂电池荷电状态估计方法
所属技术领域
1.本发明涉及锂电池技术，人工神经网络技术领域，提供一种锂电池荷电状态估计方法，具体涉及一种考虑容量退化的锂电池荷电状态估计方法。


背景技术：

2.准确的锂电池荷电状态估计对于锂电池管理系统来说至关重要，它可以帮助电池管理系统预测剩余行驶里程和避免电池的过充或过放等，从而保障锂电池的安全性和可靠性。然而，准确地估计容量退化时的锂电池荷电状态仍是十分具有挑战性的。
3.常用的锂电池荷电状态估计方法主要包括安时积分法、开路电压法、基于模型的方法和数据驱动方法等。其中，安时积分法虽然简单，但是具有较大的累积误差；开路电压法要求长时间静置电池以获得稳定的电压值，且当电池容量退化后，其荷电状态随开路电压的变化曲线也会发生改变，因此开路电压法无法保证在考虑容量退化时的荷电状态估计值的准确性；基于模型的方法则常通过构建电池的等效电路模型、电化学模型等来模拟电池内部的动态特性，并基于各种滤波算法如扩展卡尔曼滤波、粒子滤波和各种观测器如滑膜观测器、扩展状态观测器等对电池模型中的状态量进行估计进而实现对电池荷电状态的估计。该类方法的荷电状态估计结果的准确度高度取决于所构建的电池模型的准确度，而构建准确的电池模型需要对电池进行深度的研究和试验，且模型的复杂度和模型的准确度之间存在无法避免的矛盾，因此，基于模型的方法的适用性和泛化能力是有限的。与基于模型的方法不同，数据驱动法不关心电池的内部动态特性而是将电池视为黑箱，直接从实验数据中学习一些测量值如电压、电流等与电池荷电状态的对应关系，常用的数据驱动方法具体包括支持向量机、神经网络等。虽然数据驱动类方法的估计结果在考虑动态放电电流或动态环境温度方面表现不错，但是目前对考虑容量退化的电池荷电状态估计的研究较少。


技术实现要素：

4.为解决现有技术存在的不足，本发明提供一种考虑容量退化的锂电池荷电状态估计方法。该方法适用于对处于不同退化状态的锂电池荷电状态进行估计，具有很大的实际应用价值。
5.步骤1：获取锂电池实验数据集，数据集中包含锂电池额定容量及实验过程中的锂电池电压、电流和时间数据；
6.步骤2：基于锂电池实验数据集计算锂电池荷电状态及锂电池健康状态，得到完整数据集；
7.步骤3：搭建包括两个输入端，一个输出端、一个及以上循环网络层和一个及以上全连接层的神经网络；
8.步骤4：使用完整数据集训练神经网络，将训练完成的神经网络用于锂电池荷电状态估计。
9.可选地，所述步骤3进一步包含以下内容：所述神经网络的其中一个输入端以电池的电压、电流为输入数据且该输入端直接输入数据至一个循环网络层，所述神经网络的另一个输入端以电池的健康状态为输入数据且该输入端直接输入数据至一个全连接层，所述神经网络的输出端输出锂电池荷电状态值。
10.本发明的有益效果：本发明采用了具有双输入端、结合了循环网络层和全连接层的神经网络，并且充分利用锂电池的电压数据、电流数据和健康状态数据，从而可以对容量发生退化即不同健康状态下的锂电池进行准确的荷电状态估计。
附图说明
11.图1为本发明实施例的考虑容量退化的锂电池荷电状态估计方法的步骤流程图。
12.图2为本发明实施例构建的神经网络结构图。
13.图3为本发明实施例的电池荷电状态估计结果。
具体实施方式
14.下面结合附图及具体实施方法对本发明进一步说明。
15.如图1所示，一种考虑容量退化的锂电池荷电状态估计方法，包括以下步骤：
16.s1.获取锂电池实验数据集，数据集中包含锂电池额定容量及实验过程中的电压、电流和时间数据。本实施例中，以马里兰大学calce中心提供的编号为cs2_33,cs2_34,cs2_35,cs2_36,cs2_37的五个额定容量均为1.1ah的锂电池标准充放电循环实验数据为数据来源，其中cs2_33,cs2_34,cs2_35,cs2_36电池的实验数据作为锂电池实验数据集，cs2_37电池作为荷电状态待估计电池。在该实验中，五个电池均在室温下经历相同的标准充电过程，充电过程中恒定电流速率为0.5c，直到电压达到4.2v，然后充电电压维持4.2v，直到充电电流降至0.05a以下。同时，四个电池的放电截止电压均为2.7v，其中，cs2_33,cs2_34，的放电电流倍率为0.5c，cs2_35，cs2_36和cs2_37的放电电流倍率均为1c。
17.s2.基于锂电池实验数据集计算锂电池荷电状态及锂电池健康状态，得到完整数据集。在本实施例中，使用安时积分法计算锂电池荷电状态:
[0018][0019]
其中，soc0为锂电池初始荷电状态值，soc
t
为t时刻锂电池荷电状态值，i为锂电池放电电流，c为锂电池当前容量；
[0020]
本实施例中，使用以下公式计算锂电池健康状态：
[0021][0022]
其中，c为锂电池当前容量，c0为锂电池额定容量，soh为锂电池健康状态。
[0023]
s3.建立包括两个输入端，一个输出端、一个以上循环网络层和一个以上全连接层的神经网络且其中一个输入端以电池的电压、电流为输入数据且该输入端直接输入数据至一个循环网络层，另一个输入端以电池的健康状态为输入数据且该输入端直接输入数据至一个全连接层，输出端输出锂电池荷电状态值。在本实施例中，搭建的神经网络共包含4个门控循环网络层，2个全连接层，其具体结构如图2所示，其中层1、层2、层5和层6为门控循环
网络层，层1、层2、层5均由80个门控循环单元构成，层6由1个门控循环单元构成，层3、层4为全连接层，每层均由80个全连接单元构成，层1接受输入端1的输入i1且i1＝[v，cur]，v,cur分别是电压、电流值，层3接受输入端2的输入i2且i2＝[soh]。
[0024]
s4.使用完整数据集训练神经网络，将训练完成的神经网络用于锂电池荷电状态估计。在本实施例中，对完整数据集进行归一化处理，并将处理后的电压、电流、电池健康状态及对应电池荷电状态数据作为处理后的实验数据集，按照7：3的比例将完整数据集分为训练集和验证集并结合adam优化器对神经网络进行训练。
[0025]
s5.使用训练完成的神经网络对锂电池荷电状态进行估计，在本实施例中，使用训练完成的神经网络分别在容量退化至健康状态soh为1、0.8时对cs2_37电池进行荷电状态估计，荷电状态的估计结果与基于安时积分法的实验结果如图3所示。在被估计的两个放电循环中，电池荷电状态估计值与基于安时积分法的实验值之间的均方根误差分别为2.38％，2.44％，证明了本方法在容量退化的锂电池荷电状态估计上的可行性和有效性。


技术特征：
1.一种考虑容量退化的锂电池荷电状态估计方法，其特征在于，包括以下步骤：步骤1：获取锂电池实验数据集，数据集中包含锂电池额定容量及实验过程中的锂电池电压、电流和时间数据；步骤2：基于锂电池实验数据集计算锂电池荷电状态及锂电池健康状态，得到完整数据集；步骤3：搭建包括两个输入端，一个输出端、一个及以上循环网络层和一个及以上全连接层的神经网络；步骤4：使用完整数据集训练神经网络，将训练完成的神经网络用于锂电池荷电状态估计。2.如权利要求1所述的锂电池荷电状态估计方法，其特征在于，所述步骤3进一步包含以下内容：所述神经网络的其中一个输入端以电池的电压、电流为输入数据且该输入端直接输入数据至循环网络层，所述神经网络的另一个输入端以电池的健康状态为输入数据且该输入端直接输入数据至全连接层，所述神经网络的输出端输出锂电池荷电状态值。

技术总结
本发明公开了一种考虑容量退化的锂电池荷电状态估计方法，首先获取锂电池实验数据集，并计算电池荷电状态和健康状态数据以得到完整数据集；随后构建具有两个输入端、一个输出端、一个及以上循环网络层、一个及以上全连接层的混合神经网络；所建立的混合神经网络经完整数据集进行训练之后，用于对待估计电池进行荷电状态估计。本发明可适用于考虑容量退化即不同健康状态下的锂电池的荷电状态估计，估计精度高，具有很高的实际应用价值。具有很高的实际应用价值。具有很高的实际应用价值。


技术研发人员：钱诚 徐炳辉 任羿 孙博 王自力
受保护的技术使用者：北京航空航天大学
技术研发日：2021.05.19
技术公布日：2021/9/13