【技术实现步骤摘要】
本专利技术涉及电池状态预测，特别是涉及一种基于混合深度学习网络的预测电池soc、soe和bst的方法。
技术介绍
1、随着新能源汽车市场占有率不断增加，市场对新能源汽车的安全性能要求也越来越高。电池管理系统作为电动汽车的核心部件，主要提供各种电池状态信息，为电动汽车系统的运行提供安全保障。电池状态主要包括电池荷电状态(state of charge，soc)、电池能量状态(state of energy，soe)、电池健康状态(state of health，soh)等关键指标。
2、目前估算电池soc和soe的方法主要为安时积分法、卡尔曼滤波算法、机器学习和深度学习等方法。安时积分法受初始soc值影响较大，容易产生累计误差。卡尔曼滤波算法又严重依赖于电池模型的精度，模型参数也会受不同条件因素的影响，不同条件下的模型精度也有较大的差异。此外，卡尔曼滤波算法中的参数选择对电池soc和soe的估算结果也会有较大的影响，这些复杂的耦合关系也使得电池状态估算非常具有挑战性。一些机器学习技术由于网络结构简单，机器学习算法简单，未能充分学习电流、电压和温度与电池soc和soe的映射关系。
3、随着人工智能技术和计算硬件的发展，深度学习技术逐渐成为电池状态估算领域的研究热点，如长短时记忆神经网络(long short-term memory network，lstm)、门控循环单元(gated recurrent unit，gru)神经网络和transformer网络等。如中国专利文件cn112540298b提出一种基
4、以上方法的深度学习网络输入均为电流、电压和温度，且并未添加其他的有效特征。电池表面温度(battery surface temperature，bst)对电池性能、寿命和安全性也有着显著的影响。预测未来时刻的电池bst可以防止电池热失控，为电池提供安全保障。然而，以上方法均未对电池表面温度进行有效预测。
技术实现思路
1、本专利技术的目的是为克服现有技术的不足和缺陷，而提供一种多输入多输出形式的基于混合深度学习网络的预测电池soc、soe和bst的方法，可以多输出的形式预测soc、soe和bst三个状态，不仅能够同时估算电池soc和soe，还能够预测未来某一时刻的电池表面温度bst。
2、一种基于混合深度学习网络的预测电池soc、soe和bst的方法，包括步骤：
3、对电池进行不同温度下的工况测试，得到测试数据，从测试数据中提取电流i、电压u、电池表面温度bst的信息，计算电池soc和soe；
4、采用安时积分法，基于上一循环时最终充放电容量进行电流积分，得到电池的充放电容量cn2；
5、将电流i、电压u、电池表面温度bst、充放电容量cn2归一化处理形成数据集，分为训练集与测试集；
6、构建电池soc、soe和电池表面温度bst状态进行估算的深度学习网络，自输入侧至输出侧依次包括informer网络、gru网络、kan网络；
7、以电流i、电压u、电池表面温度bst、充放电容量cn2为输入，电池soc、soe和bst为输出，利用训练集对深度学习网络训练并用验证集验证，得到深度学习网络预测模型；
8、将当前t时刻的电流i、电压u、电池表面温度bst、充放电容量cn2作为模型输入，用深度学习网络预测模型估算当前t时刻以及未来时刻的电池soc、soe和电池表面温度bst。
9、其中，当前t时刻时的soc通过对通过下式计算：
10、
11、式中，soc(t0)为初始soc值，soc(t)为当前t时刻时的soc值，η为库伦倍率，η＝1，it为t时刻流过电池的电流，cn为各个工况实际的容量。
12、其中，当前t时刻时的soe通过下式计算：
13、
14、式中，soe(t0)为初始soe值，soe(t)为当前t时刻时的soe值，η为库伦倍率，η＝1，ut为t时刻电池的电压，it为t时刻流过电池的电流，en为各个工况总的可用能量。
15、其中，当前t时刻的充放电容量cn2通过下式计算：
16、
17、式中，cn2(t0)为初始时刻的容量值，放电和充电时均为0，η为库伦倍率，η＝1，it为t时刻流过电池的电流，cn2(t)为当前时刻的充放电容量。
18、其中，所述训练集为各个温度下的混合工况及cc-cv工况，所述测试集分别为每个温度下的标准工况。
19、其中，所述深度学习网络预测模型预测时，
20、模型输入为xinput＝[i(t)；u(t)；bst(t)；cn2(t)]，
21、模型输出youtput＝[soc(t)；soe(t)；bst(t+1)]；
22、用于输入当前t时刻的电流i、电压u、电池表面温度bst、充放电容量cn2，预测当前t时刻的soc和soe，以及t+1时刻的电池表面温度bst。
23、其中，所述深度学习网络预测模型预测时，
24、模型输入xinput＝[i(t)；u(t)；bst(t)；cn2(t)]，
25、模型输出youtput＝[soc(t+1)；soe(t+1)；bst(t+2)]，
26、用于输入当前t时刻的电流i、电压u、电池表面温度bst、充放电容量cn2，预测t+1时刻的soc和soe，以及t+2时刻的电池表面温度bst。
27、其中，所述深度学习网络预测模型预测时，
28、模型输入xinput＝[i(t)；u(t)；bst(t)；cn2(t)]，
29、模型输出youtput＝[soc(t)；soe(t)；bst(t+1)；soc(t+1)；soe(t+1)；bst(t+2)]；
30、用于输入当前t时刻的电流i、电压u、电池表面温度bst、充放电容量cn2，预测当前t时刻和t+1时刻的soc和soe，以及t+1时刻和t+2时刻的电池表面温度bst。
31、其中，将电流i、电压u、电池表面温度bst、充放电容量cn2归一化处理，通过下式进行：
32、xnormal＝(xsignal-xmin)/(xmax-xmin)；
33、式中，xmin和xmax为特征中最小值和最大值，xsignal为数据中实际测量数据，xnormal为归一化之后的数据。
34、其中，利用平均绝对误差ma本文档来自技高网...
【技术保护点】
1.基于混合深度学习网络的预测电池SOC、SOE和BST的方法，其特征在于，包括步骤：
2.根据权利要求1所述基于混合深度学习网络的预测电池SOC、SOE和BST的方法，其特征在于，当前t时刻时的SOC通过对通过下式计算：
3.根据权利要求1所述基于混合深度学习网络的预测电池SOC、SOE和BST的方法，其特征在于，当前t时刻时的SOE通过下式计算：
4.根据权利要求1所述基于混合深度学习网络的预测电池SOC、SOE和BST的方法，其特征在于，当前t时刻的充放电容量Cn2通过下式计算：
5.根据权利要求1所述基于混合深度学习网络的预测电池SOC、SOE和BST的方法，其特征在于，所述训练集为各个温度下的混合工况及CC-CV工况，所述测试集分别为每个温度下的标准工况。
6.根据权利要求1所述基于混合深度学习网络的预测电池SOC、SOE和BST的方法，其特征在于，所述深度学习网络预测模型预测时，
7.根据权利要求1所述基于混合深度学习网络的预测电池SOC、SOE和BST的方法，其特征在于，所述深度学习网络预测模型
8.根据权利要求1所述基于混合深度学习网络的预测电池SOC、SOE和BST的方法，其特征在于，所述深度学习网络预测模型预测时，
9.根据权利要求1所述基于混合深度学习网络的预测电池SOC、SOE和BST的方法，其特征在于，将电流I、电压U、电池表面温度BST、充放电容量Cn2归一化处理，通过下式进行：
10.根据权利要求1所述基于混合深度学习网络的预测电池SOC、SOE和BST的方法，其特征在于，利用平均绝对误差MAE和均方根误差RMSE，评估深度学习网络预测模型的预测性能，包括：
...【技术特征摘要】
1.基于混合深度学习网络的预测电池soc、soe和bst的方法，其特征在于，包括步骤：
2.根据权利要求1所述基于混合深度学习网络的预测电池soc、soe和bst的方法，其特征在于，当前t时刻时的soc通过对通过下式计算：
3.根据权利要求1所述基于混合深度学习网络的预测电池soc、soe和bst的方法，其特征在于，当前t时刻时的soe通过下式计算：
4.根据权利要求1所述基于混合深度学习网络的预测电池soc、soe和bst的方法，其特征在于，当前t时刻的充放电容量cn2通过下式计算：
5.根据权利要求1所述基于混合深度学习网络的预测电池soc、soe和bst的方法，其特征在于，所述训练集为各个温度下的混合工况及cc-cv工况，所述测试集分别为每个温度下的标准工况。
6.根据权利要求1所述基于混...
【专利技术属性】
技术研发人员：段文献，史金涛，王志强，
申请(专利权)人：天津力神新能源科技有限公司，
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。