基于多维数据驱动的电池荷电状态估计方法、系统、设备及介质技术方案

基于多维数据驱动的电池荷电状态估计方法、系统、设备及介质，其方法为：先获取电池多维数据；再多维数据预处理和重采样，并划分数据集；离线建模训练与评估，基于长短期记忆神经网络，使用多维特征进行SOC估计；其系统、设备及介质能够实现多维数据驱动的磷酸铁锂电池荷电状态估计方法；本发明专利技术加入了压力特征，在SOC中间段非单调和非线性的变化弥补了电压平台区的问题，极大提高了SOC估计精度，解决磷酸铁锂电池电压平台区SOC估计的困难；且具有模型训练时长短，较好的鲁棒性和泛化性能的特点。点。点。

【技术实现步骤摘要】
基于多维数据驱动的电池荷电状态估计方法、系统、设备及介质


[0001]本专利技术属于电池管理
，特别涉及一种基于多维数据驱动的电池荷电状态估计方法、系统、设备及介质。

技术介绍

[0002]在电池管理系统中，电池的荷电状态(SOC)是要获取的重要信息之一，其定义为当前剩余容量与额定容量之比，对了解当前电池状态、确保电动汽车安全行驶至关重要。目前以电压、电流、温度作为输入条件来估计SOC的方法已有大量的研究，然而由于磷酸铁锂(LFP)电池的特性，在中等SOC段，其开路电压曲线存在很长一段的电压平台区，导致很难根据电压测量值来估计SOC。因此开展了针对LFP电池其他维度信息的研究，其机械特性被证明与电池状态密切相关。
[0003]在电动汽车电池包中，由于预紧力、电池在充放电过程中嵌锂、脱锂引起的电极周期性涨缩和电池电化学反应引起的热膨胀都会产生电池间压力，其对电池寿命和电池系统性能等具有不可忽视的作用。LFP电池在30％
‑
80％SOC区域，电压斜率相对平坦，而其压力的变化是明显且非单调的，在中等SOC时增大，在低SOC和高SOC时减小。因此，机械响应比电化学响应提供了更敏感的信息，尤其在中等SOC区域时，这对于电动汽车的应用非常重要，因为中等SOC段是电动汽车的主要运行阶段，相比基于电压的方法，基于力的方法具有非常大的优势。例如专利申请202011325480.0中，将电池间压力转化为电池静态厚度，建立等效力学模型。然而，准确的电池模型很难得到，并且针对不同的系统模型需要重新进行参数辨识，对不同的条件适用性较差。
[0004]数据驱动方法在过去几十年中得到了迅速发展，因其灵活性和无模型的优势越来越受到关注，也逐渐应用于电池领域，其输出(SOC)和输入(电池多维信息)之间的非线性关系可以直接映射到数据驱动模型中，而无需任何先验知识。数据驱动方法在SOC估计中的应用已经被证明是有效的，但是目前仍缺少结合电气和机械特征的数据驱动方法。

技术实现思路

[0005]为了解决上述问题，本专利技术的目的在于提出一种基于多维数据驱动的电池荷电状态估计方法、系统、设备及介质，引入电池间压力，即考虑了机械压力作为多维特征估计SOC，显著提高了LFP电池电压平台区的精度。
[0006]为了达到上述目的，本专利技术是通过如下方案实现的：
[0007]一种基于多维数据驱动的磷酸铁锂电池荷电状态估计方法，包括以下步骤：
[0008](1)获取电池多维数据
[0009]首先对磷酸铁锂电池模组进行工况实验，对电池恒流恒压充电至截止电压，然后设置动态工况进行放电直至截止电压；电池的电压、电流、温度，即电和热维度的信息由电池测试仪记录，通过力传感器测量机械维度的电池间压力，以固定频率记录，由此获得电池
的多维数据；
[0010](2)多维数据预处理和重采样
[0011]对采集到的多维数据进行预处理，提取出特征；对数据进行重采样，实现多步预测；并划分数据集为训练集、验证集和测试集；
[0012](3)离线建模训练与评估
[0013]建立神经网络模型，训练数据，并通过验证集调整网络的超参数，验证后的模型对测试集进行预测，用不同指标评估模型性能，并保存训练完成的模型，等待在线估计时调用；
[0014](4)在线估计SOC
[0015]获取电池的数据，经过预处理后特征输入保存的模型，估计在线SOC。
[0016]所述步骤(2)具体为：
[0017](2
‑
1)首先对采集到的数据剔除异常值，对电池电压、电流和压力数据取移动平均，过滤高频噪声；
[0018](2
‑
2)提取要输入到模型的特征，为[V
avg
(t),I
avg
(t),T(t),F
avg
(t)]，分别代表t时刻的平均电压、平均电流、温度和平均压力，平均值取过去时刻的样本计算，对应的标签数据为用安时积分法计算的参考值SOC(t)；
[0019](2
‑
3)在输入网络前为避免由于量纲差距过大导致训练发散，采用Min
‑
Max法将数据归一化到[0,1]范围之间，计算公式为：
[0020][0021]其中，x
*
为归一化后的数据，x为归一化前的数据，x
min
为序列中的最小值，x
max
为序列中的最大值；
[0022](2
‑
4)采用移动窗口法对处理好的数据集进行重采样，移动窗口的长度为n，即采样数据的长度，窗口每次移动一步，对于长度为N的时间序列，在第k个采样时刻采集的数据为[k
‑
n+1,k]，并估计出相应的SOC
k
，在初始时刻使用单个采样点进行估计，模型的输入是n个连续时刻的特征数据；
[0023](2
‑
5)划分数据集为训练集、验证集和测试集，训练集用来训练网络，验证集用来调整网络的超参数以达到更好的训练效果。
[0024]所述步骤(3)具体为：
[0025](3
‑
1)建立长短期记忆神经网络模型，包括输入层、隐藏层、全连接层和输出层，对训练集进行训练；
[0026](3
‑
2)用验证集的数据来调整网络超参数，确定网络层数、神经元数、学习率、批次大小和迭代次数等超参数，获得调整验证过的模型用来测试；
[0027](3
‑
3)将(3
‑
2)中获得的模型用于测试集的预测，使用均方根误差RMSE、平均绝对误差MAE和最大误差ME这三个指标来衡量测试精度，计算公式分别为：
[0028][0029][0030]ME＝max(SOC(t)
‑
SOC
real
(t))；
[0031]其中，N是序列总长度，SOC(t)代表t时刻的网络估计值，SOC
real
(t)代表t时刻的SOC参考值。
[0032](3
‑
4)保存训练完成且满足预设精度要求的模型，在线估计时可直接调用。
[0033]所述步骤(4)具体为：
[0034](4
‑
1)获取电池的电压、电流、温度和力数据；
[0035](4
‑
2)进行数据预处理步骤；
[0036](4
‑
3)调用步骤(3)中训练完成的模型，将处理好的数据输入模型，估计出在线SOC值。
[0037]一种基于多维数据驱动的磷酸铁锂电池荷电状态估计系统，基于上述多维数据驱动的磷酸铁锂电池荷电状态估计方法，应用在电动汽车电池管理系统中；包括采集模块、预处理模块、建模训练模块以及在线估计模块；
[0038]采集模块，用于获取电池多维数据，首先对磷酸铁锂电池模组进行工况实验，对电池恒流恒压充电至截止本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多维数据驱动的磷酸铁锂电池荷电状态估计方法，其特征在于，包括以下步骤：(1)获取电池多维数据首先对磷酸铁锂电池模组进行工况实验，对电池恒流恒压充电至截止电压，然后设置动态工况进行放电直至截止电压；电池的电压、电流、温度，即电和热维度的信息由电池测试仪记录，通过力传感器测量机械维度的电池间压力，以固定频率记录，由此获得电池的多维数据；(2)多维数据预处理和重采样对采集到的多维数据进行预处理，提取出特征；对数据进行重采样，实现多步预测；并划分数据集为训练集、验证集和测试集；(3)离线建模训练与评估建立神经网络模型，训练数据，并通过验证集调整网络的超参数，验证后的模型对测试集进行预测，用不同指标评估模型性能，并保存训练完成的模型，等待在线估计时调用；(4)在线估计SOC获取电池的数据，经过预处理后特征输入保存的模型，估计在线SOC。2.根据权利要求1所述的一种基于多维数据驱动的磷酸铁锂电池荷电状态估计方法，其特征在于，所述步骤(2)具体为：(2
‑
1)首先对采集到的数据剔除异常值，对电池电压、电流和压力数据取移动平均，过滤高频噪声；(2
‑
2)提取要输入到模型的特征，为[V
avg
(t),I
avg
(t),T(t),F
avg
(t)]，分别代表t时刻的平均电压、平均电流、温度和平均压力，平均值取过去时刻的样本计算，对应的标签数据为用安时积分法计算的参考值SOC(t)；(2
‑
3)在输入网络前为避免由于量纲差距过大导致训练发散，采用Min
‑
Max法将数据归一化到[0,1]范围之间，计算公式为：其中，x
*
为归一化后的数据，x为归一化前的数据，x
min
为序列中的最小值，x
max
为序列中的最大值；(2
‑
4)采用移动窗口法对处理好的数据集进行重采样，移动窗口的长度为n，即采样数据的长度，窗口每次移动一步，对于长度为N的时间序列，在第k个采样时刻采集的数据为[k
‑
n+1,k]，并估计出相应的SOC
k
，在初始时刻使用单个采样点进行估计，因此模型的输入是n个连续时刻的特征数据；(2
‑
5)划分数据集为训练集、验证集和测试集，训练集用来训练网络，验证集用来调整网络的超参数以达到更好的训练效果。3.根据权利要求1所述的一种基于多维数据驱动的磷酸铁锂电池荷电状态估计方法，其特征在于，所述步骤(3)具体为：(3
‑
1)建立长短期记忆神经网络模型，包括输入层、隐藏层、全连接层和输出层，对训练集进行训练；
(3
‑
2)用验证集的数据来调整网络超参数，确定网络层数、神经元数、学习率、批次大小和迭代...

【专利技术属性】
技术研发人员：徐俊，刘蒙蒙，姜轶辉，金承威，梅雪松，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：