一种锂离子电池SOC估计的方法

一种锂离子电池soc估计的方法
技术领域
1.本发明涉及电池荷电状态估计领域，具体涉及一种锂离子电池soc估计的方法。


背景技术：

2.为了缓解能源危机、温室气体排放和环境污染，电动汽车作为一种具有代表性的解决方案受到了广泛的关注。目前，锂离子电池作为主流的储能介质，以其高能量密度、高功率密度、无记忆性、自放电率低、宽工作温度范围和寿命长等优点在电动汽车中得到了广泛的应用。soc作为锂离子电池管理系统中的重要参数，其高精度的估计对于提高电池运行安全性、延长电池使用寿命、优化电动汽车运行经济性具有重要意义。
3.现在常见的soc估计方法主要包括安时积分法、开路电压法、基于模型的滤波方法和神经网络的方法。安时积分法操作简单，易于实现。但是，该方法的精度很大程度上依赖于初始soc的精度和电流传感器的精度，而且该方法会产生累积误差，因此该方法一般不单独使用。基于开路电压的方法是一种被广泛接受的离线soc估计方法，其基本原理是根据soc与ocv之间的非线性关系建立ocv
‑
soc映射表。但是，只有将电池放置足够长的时间后，才能得到准确的ocv值，这使得该方法在实际中难以实现。基于模型的滤波方法首先要利用先验知识对锂离子电池进行建模，然后利用最小二乘法、遗传算法或者观测器的方法对模型的参数进行辨识，最后采用滤波方法对锂离子电池的soc进行估计。然而，该方法存在模型选择困难、参数辨识计算量大、电池模型需要根据锂离子电池类型和工作状态进行重建或者不断修正，使其难以扩展和应用。而且这个方法在低温、低soc区间以及锂离子电池的电压平台期极易出现误差增大甚至结果发散的情况。神经网络的方法由于不需要考虑锂离子电池的内部机理和电化学反应，只需要通过神经网络学习到soc与外部可测量变量之间潜在的非线性关系就可以对锂离子电池的soc进行估计，是一种实用性较强的soc估计方法。然而，神经网络方法的鲁棒性较差，因而无法减轻测量噪声对soc估计的影响，一旦出现不可忽略的噪声，估计结果会出现明显的波动，导致较大的soc估计误差。


技术实现要素：

4.本发明所要解决的技术问题是提供一种锂离子电池soc估计的方法来解决现有技术中的不同类型锂离子电池建模困难以及现有的soc方法难以在包含了宽温度范围以及老化条件的复杂运行环境下准确估计soc的问题。
5.为解决以上技术问题，本发明的技术方案为：提供一种锂离子电池soc估计的方法，其创新点在于，包括以下步骤：
6.(1)获取锂离子电池原始数据：采集预设温度下锂离子电池的充放电数据，形成原始数据集，其中充电过程采用恒流恒压的充电方式，放电过程采用fuds、udds和dst等典型的车用工况对锂离子电池进行放电；
7.(2)数据处理和特征提取：根据步骤(1)的原始数据计算soh值和soc值，并进行特征提取以及训练集和测试集的划分；
8.(3)获得基于lstm神经网络的soc估计值：使用分步搜索方法和训练集确定基于lstm神经网络的soc估计模型，使用所述的测试集获得基于lstm神经网络的soc估计值；
9.(4)获得ahif算法滤波后的soc估计值。
10.进一步的，所述的步骤(1)中的锂电池的充放电数据包括电压、电流、温度
11.进一步的，所述的步骤(2)中所述的数据处理和特征提取具体包括以下步骤：
12.(21)计算锂离子电池的soh值和soc值，公式如下：
[0013][0014]
其中，soh
t
′
和soc
t
分别表示t时刻的soh值和soc值；ca表示电池的实际放电容量；q
new
表示电池的标称容量；η表示库伦效率设置为1；δt表示采样时间；i
t
′
表示充电电流；
[0015]
(22)提取原始数据中锂离子电池的电压、电流、温度以及(21)计算的soh值作为特征数据，并对所述的特征数据进行归一化处理，得到不同时刻的归一特征数据，分别为电压v
t
、电流i
t
、温度t
t
和soh
t
；
[0016]
(23)把归一化后的归一特征数据按照温度和工况划分为训练集和测试集。
[0017]
进一步的，所述的步骤(23)中把归一化后的归一特征数据按照温度和工况划分为训练集和测试集的具体方法为：设定在n个温度条件下的fuds放电工况归一特征数据作为训练集，设定n+1组测试集，n+1组测试集均为dst放电工况归一特征数据，n+1组测试集中的任意n组测试集的温度条件分别与训练集中的n个温度条件相同，其余的1组测试集的温度条件不同于训练集中的任何温度条件。
[0018]
进一步的，所述的步骤(23)中把归一化后的归一特征数据按照温度和工况划分为训练集和测试集的具体方法为：将在dst和udds两种动态工况在动态变温度情况下的放电归一特征数据组成训练集，设定测试集为a组，a组测试集分别为在不同的动态变温度下进行fuds工况放电的归一特征数据，所述的测试集的动态变温度范围包含在训练集的动态变温度范围内，各组所述的测试集的动态变温度范围之间均有交叉。
[0019]
进一步的，所述的步骤(3)中获得基于lstm神经网络的soc估计值具体包括如下步骤：
[0020]
(31)确定基于lstm神经网络的soc估计模型的输入向量和标签值，输入向量由步骤(22)归一化后的特征数据组成，表示为x
t
＝[v
t
,i
t
,t
t
,soh
t
]，标签值为步骤(21)计算的soc值，表示为y
t
＝[soc
t
]；
[0021]
(32)使用分步搜索的方法确定lstm神经网络的超参数，包括隐藏层数、隐藏层节点数、时间步、批处理个数、训练代数epoch；
[0022]
(33)使用步骤(23)的训练集训练所述的lstm神经网络，在训练过程中使用adam优化算法和dropout机制提升lstm神经网络的性能，最终能获得lstm神经网络soc估计模型；
[0023]
(34)将所述的测试集输入到步骤(33)获得的soc估计模型，得到基于lstm神经网络的soc估计值，并作为ahif算法的观测值。
[0024]
进一步的，步骤(4)中获得ahif算法滤波后的soc估计值具体包括以下步骤：
[0025]
(41)建立ahif算法的状态空间模型，状态方程是基于安时积分的方法，测量方程是基于lstm神经网络的方法，两种方程具体如下：
[0026]
状态方程:
[0027][0028]
测量方程:
[0029]
soc
l,k
＝soc
k
+ν
k
，
[0030]
其中，soc
k
‑1表示k
‑
1时刻的soc估计值，i
k
表示k时刻的电流，δt表示采样间隔时间，ca表示电池的最大放电容量，ω
k
‑1表示k
‑
1时刻的状态过程的噪声，ν
k
表示k时刻的测量过程的噪声；
[0031]
(42)初始化ahif算法中的相关参数，包括初始状态量soc0，初始系统噪声协方差q0，初始测量协方差r0，初始误差协方差p0，设置协方差匹配窗口n，设置边界条件ε，设置对称正定矩阵s；
[0032]
(43)利用步骤(41)中的状态方程和测量方程分别得到k时刻的先验soc估计值和观测值soc
l,k
；
[0033]
(44)计算k时刻的先验误差协方差新息e
k
和测量协方差r
k
，公式如下：
[0034][0035]
其中，状态转移矩阵a
k
‑1为1，q
k
‑1表示噪声协方差；
[0036]
(45)计算k时刻的测量协方差r
k
，公式如下：
[0037][0038]
其中，c
k
表示k时刻的测量矩阵；
[0039]
(46)计算k时刻的增益，公式如下：
[0040][0041]
其中，i表示单位矩阵；
[0042]
(47)计算k时刻的状态协方差q
k
，公式如下：
[0043][0044]
(48)计算k时刻的后验soc估计值soc
k
，该值就是ahif算法滤波后的soc估计值，公式如下：
[0045][0046]
(49)计算k时刻的后验误差协方差p
k
，为k+1时刻的状态估计做准备，公式如下：
[0047][0048]
其中，i表示单位矩阵。
[0049]
与现有技术相比，本发明的一种锂离子电池soc估计的方法具有如下优点：
[0050]
1、与其他融合方法相比，本发明的方法提高了估计精度和鲁棒性，同时保持了建模过程中合理的简洁性。
[0051]
2、本发明建立的soc估计模型具有较强的适用性和通用性，可以应用于磷酸铁锂电池和三元锂电池这两种主流电池，避免了不同类型电池需要建立不同模型的冗余繁琐。
[0052]
3、本发明的方法可以在较宽的温度范围和不同的老化状态下实现高精度的soc估计，满足soc实时估计的需求。
附图说明
[0053]
图1表示本发明实施的流程示意图；
[0054]
图2表示本发明lstm网络和ahif算法的融合示意图。
具体实施方式
[0055]
为了使本技术领域的人员更好地理解本发明的技术方案，下面将结合附图和实施例，对本发明的技术方案进行清楚地描述。显然，所描述的实施例是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0056]
实施例1：
[0057]
本发明提供一种锂离子电池soc估计的方法，本实施例选用的锂离子电池为容量是2.3ah的磷酸铁锂电池，其流程图如图1所示，包括以下步骤：
[0058]
(1)获取锂离子电池原始数据：采集预设温度下锂离子电池的充放电数据，形成原始数据集，锂电池的充放电数据包括电压、电流、温度。其中，充电过程采用恒流恒压的充电方式，放电过程分别在
‑
10℃、0℃、10℃、20℃、27℃、30℃、40℃、50℃八个不同的温度条件下采集放电数据，在相同温度条件下分别对锂离子电池施加fuds和dst两种典型的车用放电工况。
[0059]
(2)数据处理和特征提取：根据步骤(1)的原始数据计算soh值和soc值，并进行特征提取以及训练集和测试集的划分；
[0060]
其中，数据处理和特征提取具体包括以下步骤：
[0061]
(21)计算锂离子电池的soh值和soc值，公式如下：
[0062][0063]
其中，soh
t
′
和soc
t
分别表示t时刻的soh值和soc值；ca表示电池的实际放电容量；q
new
表示电池的标称容量；η表示库伦效率设置为1；δt表示采样时间；i
t
′
表示充电电流；
[0064]
(22)提取原始数据中锂离子电池的电压、电流、温度以及(21)计算的soh值作为特征数据，并对所述的特征数据进行归一化处理，得到不同时刻的归一特征数据，分别为电压v
t
、电流i
t
、温度t
t
和soh
t
；
[0065]
(23)把归一化后的归一特征数据按照温度和工况划分为训练集和测试集。
[0066]
本实施例1中把归一化后的归一特征数据按照温度和工况划分为训练集和测试集的具体方法为：设定在n个温度条件下的fuds放电工况归一特征数据作为训练集，设定n+1组测试集，n+1组测试集均为dst放电工况归一特征数据，n+1组测试集中的任意n组测试集的温度条件分别与训练集中的n个温度条件相同，其余的1组测试集的温度条件不同于训练
集中的任何温度条件。
[0067]
具体实施过程为：设定7个温度条件下的fuds放电工况归一特征数据作为训练集，本实施例的7个温度即
‑
10℃、0℃、10℃、20℃、30℃、40℃、50℃，则设定测试集为8组，分别是在
‑
10℃、0℃、10℃、20℃、27℃、30℃、40℃、50℃八个温度条件下的dst放电工况归一特征数据，其中27℃的测试集为不同于训练集中的任何温度条件的测试集。
[0068]
(3)获得基于lstm神经网络的soc估计值：使用分步搜索方法和训练集确定基于lstm神经网络的soc估计模型，使用测试集获得基于lstm神经网络的soc估计值，获得基于lstm神经网络的soc估计值具体包括如下步骤：
[0069]
(31)确定基于lstm神经网络的soc估计模型的输入向量和标签值，输入向量由步骤(22)归一化后的特征数据组成，表示为x
t
＝[v
t
,i
t
,t
t
,soh
t
]，标签值为步骤(21)计算的soc值，表示为y
t
＝[soc
t
]；
[0070]
(32)使用分步搜索的方法确定lstm神经网络的超参数，包括隐藏层数、隐藏层节点数、时间步、批处理个数、训练代数epoch；在实施例1中，超参数确定为隐藏层数1层、隐藏层节点数36个、时间步50、批处理个数128、训练代数epoch为50。
[0071]
(33)使用步骤(23)的训练集训练所述的lstm神经网络，在训练过程中使用adam优化算法和dropout机制提升lstm神经网络的性能，最终能获得lstm神经网络soc估计模型；
[0072]
(34)将所述的测试集输入到步骤(33)获得的soc估计模型，得到基于lstm神经网络的soc估计值，并作为ahif算法的观测值。
[0073]
(4)获得ahif算法滤波后的soc估计值。获得ahif算法滤波后的soc估计值具体包括以下步骤：
[0074]
(41)建立ahif算法的状态空间模型，状态方程是基于安时积分的方法，测量方程是基于lstm神经网络的方法，两种方程具体如下：
[0075]
状态方程:
[0076][0077]
测量方程:
[0078]
soc
l,k
＝soc
k
+ν
k
，
[0079]
其中，soc
k
‑1表示k
‑
1时刻的soc估计值，i
k
表示k时刻的电流，δt表示采样间隔时间，ca表示电池的最大放电容量，ω
k
‑1表示k
‑
1时刻的状态过程的噪声，ν
k
表示k时刻的测量过程的噪声；
[0080]
(42)初始化ahif算法中的相关参数，包括初始状态量soc0，初始系统噪声协方差q0，初始测量协方差r0，初始误差协方差p0，设置协方差匹配窗口n，设置边界条件ε，设置对称正定矩阵s；
[0081]
(43)利用步骤(41)中的状态方程和测量方程分别得到k时刻的先验soc估计值和观测值soc
l,k
；
[0082]
(44)计算k时刻的先验误差协方差新息e
k
和测量协方差r
k
，公式如下：
[0083][0084]
其中，状态转移矩阵a
k
‑1为1，q
k
‑1表示噪声协方差；
[0085]
(45)计算k时刻的测量协方差r
k
，公式如下：
[0086][0087]
其中，c
k
表示k时刻的测量矩阵，本发明中都为1；
[0088]
(46)计算k时刻的增益，公式如下：
[0089][0090]
其中，i表示单位矩阵；
[0091]
(47)计算k时刻的状态协方差q
k
，公式如下：
[0092][0093]
(48)计算k时刻的后验soc估计值soc
k
，该值就是ahif算法滤波后的soc估计值，公式如下：
[0094][0095]
(49)计算k时刻的后验误差协方差p
k
，为k+1时刻的状态估计做准备，公式如下：
[0096][0097]
其中，i表示单位矩阵。
[0098]
图2表示本发明lstm网络和ahif算法的融合示意图。
[0099]
在本实施例中，使用均方根误差(rmse)、平均绝对误差(mae)和最大绝对误差(max)来评估所提方法的性能，计算公式如下：
[0100][0101][0102][0103]
其中，m表示测试数据的长度，k表示测试数据的序号，y
k
表示测试集的soc标签值，表示测试集经过ahif算法滤波后的soc估计值。
[0104]
8组不同温度下的测试集的soc估计结果如表1所示：
[0105]
表1
[0106][0107]
从本实施例1的估计结果可以看出，本发明提供的方法能够在较宽的温度范围内对磷酸铁锂电池的soc进行准确的估计，并且提出的方法具有较强的泛化能力，在训练集中没有包括的27℃的情况下仍然能够精确的估计出soc。在所有情况下，均方根误差(rmse)、平均绝对误差(mae)和最大绝对误差(max)都被限制在2％以内，表明所提出的估计框架能够很好地适应广泛的温度条件，预测精度可靠且令人满意。
[0108]
实施例2：
[0109]
本发明提供一种锂离子电池soc估计的方法，本实施例选用的锂离子电池为容量是4ah的三元锂离子电池，其流程图如图1所示，包括以下步骤：
[0110]
(1)获取锂离子电池原始数据：采集预设温度下锂离子电池的充放电数据，形成原始数据集，充放电数据包括电压、电流和温度，其中充电过程采用恒流恒压的充电方式，放电过程在不同的动态变温度情况下采用fuds、udds和dst等典型的车用工况对锂离子电池进行放电。
[0111]
(2)数据处理和特征提取：根据步骤(1)的原始数据计算soh值和soc值，并进行特征提取以及训练集和测试集的划分；
[0112]
其中，数据处理和特征提取具体包括以下步骤：
[0113]
(21)计算锂离子电池的soh值和soc值，公式如下：
[0114][0115]
其中，soh
t
′
和soc
t
分别表示t时刻的soh值和soc值；ca表示电池的实际放电容量；q
new
表示电池的标称容量；η表示库伦效率设置为1；δt表示采样时间；i
t
′
表示充电电流；
[0116]
(22)提取原始数据中锂离子电池的电压、电流、温度以及(21)计算的soh值作为特征数据，并对所述的特征数据进行归一化处理，得到不同时刻的归一特征数据，分别为电压v
t
、电流i
t
、温度t
t
和soh
t
；
[0117]
(23)把归一化后的归一特征数据按照温度和工况划分为训练集和测试集。
[0118]
本实施例2中把归一化后的归一特征数据按照温度和工况划分为训练集和测试集的具体方法为：将在dst和udds两种动态工况在动态变温度情况下的放电归一特征数据组成训练集，设定测试集为a组，a组测试集分别在不同的动态变温度下进行fuds工况放电的归一特征数据，所述的测试集的动态变温度范围包含在训练集的动态变温度范围内，各组所述的测试集的动态变温度范围之间均有交叉。
[0119]
具体实施过程为：将在dst和udds两种动态工况在动态变温度情况下的放电归一
特征数据组成训练集，本实施例2的训练集的动态变温度范围为5～54℃，设定测试集有4组，4组测试集分别在不同的动态变温度下进行fuds工况放电，第一组测试集的动态变温度范围是从31℃变化到50℃，第二组测试集的动态变温度范围是从40℃变化到17℃，第三组测试集的动态变温度范围是在低温9℃和高温52℃之间交替变化，第四组测试集的动态变温度范围是在高温52℃和低温12℃之间交替变化。
[0120]
(3)获得基于lstm神经网络的soc估计值：使用分步搜索方法和训练集确定基于lstm神经网络的soc估计模型，使用所述的测试集获得基于lstm神经网络的soc估计值，获得基于lstm神经网络的soc估计值具体包括如下步骤：
[0121]
(31)确定基于lstm神经网络的soc估计模型的输入向量和标签值，输入向量由步骤(22)归一化后的特征数据组成，表示为x
t
＝[v
t
,i
t
,t
t
,soh
t
]，标签值为步骤(21)计算的soc值，表示为y
t
＝[soc
t
]；
[0122]
(32)使用分步搜索的方法确定lstm神经网络的超参数，包括隐藏层数、隐藏层节点数、时间步、批处理个数、训练代数epoch，在本实施例中，超参数确定为隐藏层数1层、隐藏层节点数36个、时间步50、批处理个数128、训练代数epoch为50。
[0123]
(33)使用步骤(23)的训练集训练所述的lstm神经网络，在训练过程中使用adam优化算法和dropout机制提升lstm神经网络的性能，最终能获得lstm神经网络soc估计模型；
[0124]
(34)将所述的测试集输入到步骤(33)获得的soc估计模型，得到基于lstm神经网络的soc估计值，并作为ahif算法的观测值。
[0125]
(4)获得ahif算法滤波后的soc估计值。获得ahif算法滤波后的soc估计值具体包括以下步骤：
[0126]
(41)建立ahif算法的状态空间模型，状态方程是基于安时积分的方法，测量方程是基于lstm神经网络的方法，两种方程具体如下：
[0127]
状态方程:
[0128][0129]
测量方程:
[0130]
soc
l,k
＝soc
k
+ν
k
，
[0131]
其中，soc
k
‑1表示k
‑
1时刻的soc估计值，i
k
表示k时刻的电流，δt表示采样间隔时间，ca表示电池的最大放电容量，ω
k
‑1表示k
‑
1时刻的状态过程的噪声，ν
k
表示k时刻的测量过程的噪声；
[0132]
(42)初始化ahif算法中的相关参数，包括初始状态量soc0，初始系统噪声协方差q0，初始测量协方差r0，初始误差协方差p0，设置协方差匹配窗口n，设置边界条件ε，设置对称正定矩阵s；
[0133]
(43)利用步骤(41)中的状态方程和测量方程分别得到k时刻的先验soc估计值和观测值soc
l,k
；
[0134]
(44)计算k时刻的先验误差协方差新息e
k
和测量协方差r
k
，公式如下：
[0135][0136]
其中，状态转移矩阵a
k
‑1为1，q
k
‑1表示噪声协方差；
[0137]
(45)计算k时刻的测量协方差r
k
，公式如下：
[0138][0139]
其中，c
k
表示k时刻的测量矩阵，本发明中都为1；
[0140]
(46)计算k时刻的增益，公式如下：
[0141][0142]
其中，i表示单位矩阵；
[0143]
(47)计算k时刻的状态协方差q
k
，公式如下：
[0144][0145]
(48)计算k时刻的后验soc估计值soc
k
，该值就是ahif算法滤波后的soc估计值，公式如下：
[0146][0147]
(49)计算k时刻的后验误差协方差p
k
，为k+1时刻的状态估计做准备，公式如下：
[0148][0149]
其中，i表示单位矩阵。
[0150]
图2表示本发明lstm网络和ahif算法的融合示意图。
[0151]
在本实施例中，使用均方根误差(rmse)、平均绝对误差(mae)和最大绝对误差(max)来评估所提方法的性能，计算公式如下：
[0152][0153][0154][0155]
其中，m表示测试数据的长度，k表示测试数据的序号，y
k
表示测试集的soc标签值，表示测试集经过ahif算法滤波后的soc估计值。
[0156]
4组动态变温度的测试集的soc估计结果如表2所示：
[0157]
表2
[0158]
[0159]
从本实施例的估计结果可以看出，即使训练集和测试集是在不同的动态变温度和不同的放电工况下，本发明提供的方法仍然能够对锂离子电池的soc进行精确的估计，均方根误差(rmse)、平均绝对误差(mae)和最大绝对误差(max)都在1％以内，证明了本发明提出方法的有效性。
[0160]
综上可知，本发明提出的方法在磷酸铁锂电池和三元锂电池的数据集上实现了soc的精确估计，证明了提出方法的适用性和有效性。