【技术实现步骤摘要】
本专利技术属于锂电池领域，具体地说，涉及一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法。
技术介绍
1、电动汽车在减少污染和节能方面具有显著的优势，正逐渐成为人们的主流选择。锂离子电池作为主要的储能装置，是电动汽车的核心。电池管理系统(bms)负责对电池的性能进行监测和控制。在bms中，stateofcharge(soc)和stateofenergy(soe)是两个关键参数，其中soc代表电池的当前电量，soe更全面地反映电池的能量状态。它们对于保证电池的安全运行和最大限度地利用能量至关重要。然而，锂电池具有较强的非线性和时变特性，不易实现对锂电池多状态的准确估计。
2、迄今为止，学者们对soc和soe估计方法的研究成果主要分为两大类：基于模型的方法和数据驱动的方法。基于模型的方法需要优先建立合适的电池模型。但是，基于模型的方法的估计精度在很大程度上取决于电池模型的质量。不幸的是，由于电池内阻的变化，实际上难以构建精确的电压模型。基于数据驱动的方法既不需要考虑电池内部复杂的电化学反应，也不需要辨识模型参数，而是自行学习输入(电流、电压和温度)与输出(如soc或soe)的内在关系。但是，深度学习普遍存在一个问题，需要大量的电池充放电数据，数据的缺乏会导致预测结果不佳。此外，当训练好的网络模型面对新的工况和新的电池数据时，其预测效果往往取决于训练集与目标集的相似度。特别是不同电池之间的数据差异较大，面对新的电池数据时，网络模型的预测误差过大。只有重新训练网络模型才能适应新的电池数据，这需要大量的新电池数据，进一
3、有鉴于此特提出本专利技术。
技术实现思路
1、本专利技术要解决的技术问题在于克服现有技术的不足，提供一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，解决了上述
技术介绍
中提出的问题。
2、为解决上述技术问题，本专利技术采用技术方案的基本构思是：
3、一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，包括：
4、步骤一：将锂电池在不同温度和驱动周期下充放电循环，并对放电循环中的锂电池进行采样，将采样数据组成锂电池放电数据集，并进行归一化处理；
5、从放电数据集中提取以下与锂电池荷电状态和剩余能量状况相关的锂电池采样参数：放电循环中的采样端电压、放电循环中的采样端电流、放电循环中的采样锂电池温度、放电循环中的采样锂电池荷电状态和剩余能量，参数构建神经网络输入矩阵xn和输出数据矩阵yn，其表达式如下：
6、
7、yn＝[socn socn]；
8、其中，xn为n时刻的元学习方法的输入矩阵，其大小为m*n。in、vn、tn为n时刻测量的电池电流、电压和温度数据，soc为锂电池荷电状态，soe为剩余能量状况，yn为n时刻输出层输出的soc和soe值，其矩阵大小为1×2；
9、对输入矩阵和输出矩阵数据进行归一化处理，三个输入变量v，i，t具有不同的维度，采用最小-最大归一化方法将原始数据映射到区间[0，1]，消除不利影响，归一化公式如下：
10、
11、其中，x为原数据；xmax和xmin分别为原数据的最大值和最小值；x*为归一化值。
12、步骤二：将归一化后的输入和输出数据集分为三组，依次为输入训练集xtrain、输入目标集xtarget、输入测试集xtest、输出训练集ytrain、输出目标集ytarget和输出测试集ytest；
13、将输入训练集xtrain和输出训练集ytrain划分为若干个子任务，每个子任务包含一个大小为64*256*3的支持集dpre-train和一个大小为64*2询问集dtest；输入训练集xtrain由不同电池类型数据组成，输入目标集xtarget和输入测试集xtest由同一类型电池数据组成，输入目标集xtarget为256个数据点构成。
14、步骤三：建立以gru神经网络模型为底层网络的元学习网络并进行训练；
15、gru神经网络的结构包括输入层、隐藏层和全连接层；隐藏层包括64个隐藏层单元，全连接层包括8个全连接层单元；
16、将建立的gru网络设置为元学习方法的底层网络，然后进行迭代训练，直至迭代次数达到20000时结束，其中一次迭代训练的过程如下：
17、首先随机初始化网络模型参数θmeta值，再从多组子任务中取出一组任务，根据当前初始化的θmeta值，评估梯度变化，然后进行一步更新，得到更新后的值，其更新公式如下：
18、
19、其中，为支持集，α是权重因子，大小为0.01；
20、让所有的任务执行上述过程，根据更新后的在查询集中计算loss值，最后根据所有任务的loss值之和来进行更新θ值情况。更新公式如下：
21、
22、其中，为询问集，β是权重因子，大小为0.0186。
23、步骤四：将获得的输入训练集xtrain和输出训练集ytrain加入建立的gru神经网络模型为底层网络的元学习神经网络，对元学习神经网络的权值进行训练，完成元学习神经网络的最终训练；
24、步骤五：将获得的输入目标集xtarget，输入测试集xtest，输出目标集ytarget和输出测试集ytest加入训练完成的元学习神经网络中进行微调和测试，并实现对锂电池soc和soe的预测；
25、微调过程中，在预训练得到的网络模型参数θmeta值的基础上，使用少量目标数据调整θmeta。微调公式如下：
26、
27、其中，γ是在微调过程中应用的步长，设置为10，dtarget包含输入目标集xtarget和输入测试集xtest。当预训练和微调过程完成后，微调后的神经网络就可以用来预测目标数据。
28、步骤六：将预测结果socpre和soepre，电池电压数据v和电池电流数据i输入到无迹平方根卡尔曼滤波器中，实现对锂电池荷电状态和剩余能量状况的预测。
29、可选的，锂电池状况为锂电池荷电状态和剩余能量状况，利用少量新电池数据，通过以gru神经网络模型为底层网络的元学习方法对其他电池数据训练的模型进行微调，即可同时估计出新电池的soc和soe，然后利用平方根无迹卡尔曼滤波进行滤波，权重因子α为0.01，权重因子β为0.0186，微调步数γ为10。
30、采用上述技术方案后，本专利技术与现有技术相比具有以下有益效果，当然，实施本专利技术的任一产品并不一定需要同时达到以下所述的所有优点：
31、本专利技术提出了一种基于gru的元学习soc和soe联合估计方法，该方法仅使用少量目标数据即可快速估计新电池的soc和soe，不需要使用大量新的电池数据对网络进行额外的重新训练；为了进一步提高模型的估计性能，将元学习本文档来自技高网...
【技术保护点】
1.一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，包括：
2.根据权利要求1所述的一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，在步骤一中，从放电数据集中提取以下与锂电池荷电状态和剩余能量状况相关的锂电池采样参数：放电循环中的采样端电压、放电循环中的采样端电流、放电循环中的采样锂电池温度、放电循环中的采样锂电池荷电状态和剩余能量，参数构建神经网络输入矩阵xn和输出数据矩阵yn，其表达式如下：
3.根据权利要求2所述的一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，对输入矩阵和输出矩阵数据进行归一化处理，三个输入变量V，I，T具有不同的维度，采用最小-最大归一化方法将原始数据映射到区间[0，1]，消除不利影响，归一化公式如下：
4.根据权利要求1所述的一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，在步骤二中，将输入训练集Xtrain和输出训练集Ytrain划分为若干个子任务，每个子任务包含一个大小为64*256*3的支持集Dpre-train和一个大小为
5.根据权利要求1所述的一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，在步骤三中，GRU神经网络的结构包括输入层、隐藏层和全连接层；隐藏层包括64个隐藏层单元，全连接层包括8个全连接层单元。
6.根据权利要求5所述的一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，将建立的GRU网络设置为元学习方法的底层网络，然后进行迭代训练，直至迭代次数达到20000时结束。
7.根据权利要求6所述的一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，其中一次迭代训练的过程如下：
8.根据权利要求7所述的一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，让所有的任务执行上述过程，根据更新后的在查询集中计算loss值，最后根据所有任务的loss值之和来进行更新θ值情况。更新公式如下：
9.根据权利要求1所述的一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，在步骤五中，微调过程中，在预训练得到的网络模型参数θMeta值的基础上，使用少量目标数据调整θMeta。微调公式如下：
10.根据权利要求9所述的一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，锂电池状况为锂电池荷电状态和剩余能量状况，利用少量新电池数据，通过以GRU神经网络模型为底层网络的元学习方法对其他电池数据训练的模型进行微调，即可同时估计出新电池的SOC和SOE，然后利用平方根无迹卡尔曼滤波进行滤波，权重因子α为0.01，权重因子β为0.0186，微调步数γ为10。
...【技术特征摘要】
1.一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，包括：
2.根据权利要求1所述的一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，在步骤一中，从放电数据集中提取以下与锂电池荷电状态和剩余能量状况相关的锂电池采样参数：放电循环中的采样端电压、放电循环中的采样端电流、放电循环中的采样锂电池温度、放电循环中的采样锂电池荷电状态和剩余能量，参数构建神经网络输入矩阵xn和输出数据矩阵yn，其表达式如下：
3.根据权利要求2所述的一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，对输入矩阵和输出矩阵数据进行归一化处理，三个输入变量v，i，t具有不同的维度，采用最小-最大归一化方法将原始数据映射到区间[0，1]，消除不利影响，归一化公式如下：
4.根据权利要求1所述的一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，在步骤二中，将输入训练集xtrain和输出训练集ytrain划分为若干个子任务，每个子任务包含一个大小为64*256*3的支持集dpre-train和一个大小为64*2询问集dtest；输入训练集xtrain由不同电池类型数据组成，输入目标集xtarget和输入测试集xtest由同一类型电池数据组成，输入目标集xtarget为256个数据点构成。
5.根据权利要求1所述的一种元学习和平方根无迹卡尔曼滤波器的锂电池多状况预测方法，其特征在于，在步骤三中，gr...
【专利技术属性】
技术研发人员：陈立平，宋英杰，马宏莉，倪丽萍，丁纪宇，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。