阅读说明：本技术 一种模拟车辆工况动力电池荷电状态soc估算优化方法 (SOC estimation optimization method for power battery under simulated vehicle working condition ) 是由 刘桂雄 李泓沛 李远茂 于 2020-05-19 设计创作，主要内容包括：本发明公开了一种模拟模拟车辆工况动力电池荷电状态SOC估算优化方法,该方法通过控制动力电池在不同初始工况环境温度下进行恒功率和变化功率模式充放电模拟、利用插值调整采样数据、对数据集进行分组、对训练集进行训练、通过测试集对网络结构进行优化提高精度、稳定性；本发明提高了应对不同温度环境和充放电切换工况的估算稳定性。(The invention discloses a method for estimating and optimizing the SOC of a power battery under simulated vehicle working conditions, which comprises the steps of carrying out constant power and variable power mode charge-discharge simulation on the power battery under different initial working condition ambient temperatures by controlling, adjusting sampling data by interpolation, grouping data sets, training a training set, and optimizing a network structure by a test set to improve the precision and the stability; the method improves the estimation stability of coping with different temperature environments and charging and discharging switching working conditions.)

一种模拟车辆工况动力电池荷电状态SOC估算优化方法

技术领域

本发明涉及电池管理系统技术领域，尤其涉及一种模拟车辆工况动力电池荷电状态SOC估算优化方法。

背景技术

动力电池荷电状态SOC是电池管理系统中重要的评估电池运行状态的参数，电池荷电状态SOC表征电池剩余电量，对车辆的续航里程具有参考价值。而且电池荷电状态SOC是电池其他参数如，电池健康状态(SOH)、电池能量状态(SOE)、电池功率状态(SOP)预测重要依据。

目前国内动力电池的SOC预测方法主要分为安时积分法、开路电压法、基于模型法。其中基于模型法中主要分为三种：等效电路模型、电化学模型、黑箱模型。等效电路模型法主要有各类自适应滤波法和非线性观测器来实现电池SOC预测，但初始SOC影响大，工况强动态环境下鲁棒性差，而且大部分都主要针对电池单体的小尺度范围的预测。当面对电池自放电导致初始SOC值产生偏差时，以及电池在动态环境变化中采用自适应卡尔曼滤波会产生较大误差。目前国内对LSTM神经网络SOC估算的层级主要在电池单体，但电池模组需要模组来组合单体，当电池运行过程中是以模组的形式来运行，而且对电池的温度监测信息采用的温度是平均温度，电池单体不同位置分布，电池环境表面温度存在较大差异，如CN201811032785提供了一种电动汽车锂离子电池的荷电状态计算方法对电池单体充放电采用小型电源作为电池模拟充放电，但电池工作在模组中存在被均衡的处理，由于条件的限制很少对电池模组整体采用模拟工况数据集的LSTM循环神经网络进行预测。

1)、“一种基于循环神经网络的锂离子电池SOC预测方法”，专利号CN108519556A。该公开了一种基于循环神经网络的锂离子电池SOC预测方法，提供了一种可以准确地预测下一时刻SOC值，预测的精度较高，训练时长较短的预测方法。所述训练数据的样本采用模拟的工况电流是阶跃响应的数据集，不存在动态变化的输出功率的情况模拟。本专利通过在动力电池模组整体上施加动态工况的充放电数据，模拟电池在动态工况下的运行状态。该方法提供了通过滑模窗口的模式作为输入的方式来提高SOC的预测精度，但神经网络训练依赖于大量对车辆行驶采集的数据集，在不同的工况以及复杂的工况下，预测方法能否精确、快速，方法中缺乏有效的说明。

2)、“一种电动汽车锂离子电池的荷电状态计算方法”，专利号CN109143105A。该发明提供提供了一种电动汽车锂离子电池的荷电状态计算方法。包括所述采样系统通过同频率采集的N组数据，并将数据归一化发展，将其中1组作为验证组，所述LSTM神经网络对N-1组进行训练，所述训练集采用恒定电流放电对电池运行工况进行模拟。该方法提供了一种电动汽车锂离子电池的荷电状态计算方法，可通过训练数据集进而对单体电池SOC进行预测，但对于电池模组，在对电池电压、电流、温度数据标准测试过程中采集时间离散且采样时间间隔不固定，且在对电池SOC预测的时候采用的训练数据是将电池容量折算后的荷电状态，但电池容量在不同的工作温度下有较大区别。该方法提供了对LSTM神经网络模拟不同动态工况环境条件下优化设计及评估方法，提高LSTM神经网络应对不同工况的估算稳定性。

发明内容

为解决上述技术问题，本发明的目的是提供一种模拟车辆动态工况动力电池荷电状态SOC估算方法，对电池模组工况进行多环境动态模拟，采样数据点进行优化处理以分组，将数据分隔成训练集、测试集，其中测试集用于对LSTM神经网络的网络层数、隐藏节点个数进行轻量化减少预测时间和泛化能力。

本发明的目的通过以下的技术方案来实现：

一种模拟车辆工况动力电池荷电状态SOC估算优化方法，包括：

A控制温度控制箱对动力电池模组的运行温度，使动力电池模组运行在恒功率充放电、动态变化的模拟工况切换条件下，使用充放电设备对动力电池模组充放电电流、电压、模组的平均温度进行采集；

B利用邻域插值的方式对动力电池模拟工况下采集的数据通过频率进行调整，获取相同频率下的数据，对数据按照不同的工况初始温度和充放电功率模式进行分组，将数据分成训练集、测试集；

C将训练集数据输入LSTM神经网络中进行训练，计算前向传播预测获得SOC值，并通过SOC值与预测值求得损失值，通过损失值和Adam优化权值方法优化神经网络内部权值，训练1000个Epoch；LSTM神经网络层；

D通过测试集数据优化LSTM神经网络的滑动窗口，滑动窗口大小通过num step参数设计，构建模型在不同滑模窗口大小范围内的各个优化参数指标，并在不同激活函数模式下，寻优LSTM隐藏神经元个数及滑模窗口大小范围；

E对测试集输入数据加入模拟工况噪声，将输入数据输入到优化训练结束的LSTM神经网络中，在不同动力电池工况测量下，噪声和工况环境的关系，优化设计滑膜窗口大小及LSTM隐藏节点个数，提高动力电池动态工况下的估算稳定性。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：提高了应对不同温度环境和充放电切换工况的估算稳定性。

附图说明

图1是模拟车辆工况动力电池荷电状态SOC估算优化方法流程图；

图2是Digatron充放电设备不同温度初始状态对动力电池容量充放电实时容量动态变化图；

图3是LSTM神经网络单个节点内部前向传播细节图；

图4是SOC估算神经网络整体框架及优化过程图；

图5是SOC估算与Digatron充放电设备标定精确值对图；

图6是SOC估算误差图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。

如图1所示，为模拟车辆动态工况动力电池荷电状态SOC估算方法与评估工作流程，包括：控制动力电池在不同初始工况环境温度下进行恒功率和变化功率模式充放电模拟、利用插值调整采样数据、对数据集进行分组、对训练集进行训练、通过测试集集对网络结构进行优化提高精度、稳定性；具体包括如下步骤：

步骤10控制温度控制箱对动力电池模组的运行温度，使电池模组运行在恒功率充放电、动态变化切换模拟工况下，使用Digatron充放电设备对电池模组充放电电流、电压、模组的平均温度进行采集，如图2所示，在不同的初始温度下，对动力电池进行恒定功率、模拟工况动态充放电两种模式进行电容量测量，测试不同初始温度下动力电池的各项数据包括：电池开路电压、电流、电容量、模组整体表面温度均值、SOC。

步骤20利用邻域插值的方式对动力电池模拟工况下的采集数据的采用频率进行调整，获取相同频率下的数据，对数据按照不同的工况初始温度和充放电功率模式进行分组，将数据分成训练集、测试集；其中训练集用于对LSTM神经网络权值与偏置优化。

步骤30将训练集数据输入LSTM神经网络中进行训练，计算前向传播预测获得SOC值，并通过SOC值与预测值求得损失值，通过损失值和Adam优化权值方法优化神经网络内部权值，训练1000个Epoch；LSTM神经网络层；

S31前向传播过程：遗忘门、输入门、输出门

x^(t)＝[V_t,I_t,T_t]^T

当前时刻的输入向量，第j个特征维度，数量为3；包含一个LSTM细胞上一时刻的所有输出；输出门偏置量；输出门输入权重；输出门循环权重。当前时刻t的隐藏状态；包含一个LSTM细胞上一时刻的状态量；偏置量；输入权重；循环权重。当前时刻t的观测量，i为隐藏神经元个数。

S32计算损失值

其中soc^(t)为t时刻的预测值，soc'为t时刻的测量精确值，n为批大小，在LSTM神经网络中指每次对训练集中批次训练时间序列长度。

S33后向传播过程更新LSTM神经网络以及线性层网络的权值和偏置

ω_t+1＝ω_t+Δθ_t

其中，m_t、n_t表示本次迭代的一阶、二阶矩估计，而表示对应的校正后的量，η表示学习率0.001，，μ和v分别表示更新延迟率分别为0.9、0.999，表示损失函数对ω的梯度，ω_t+1表示更新后的权值，t代表训练步数；

如图4为SOC估算神经网络整体框架及优化过程图。

步骤40通过测试集数据优化LSTM神经网络的滑动窗口，滑动窗口大小通过numstep参数设计，构建模型在不同滑模窗口大小范围内的各个优化参数指标，并在不同激活函数模式下，寻优LSTM隐藏神经元个数及滑模窗口大小范围；计算公式如下所示预测时间片段误差范围超5％，其中M表示预测时间产生大于5％的片段个数，预测时间片段误差期望计算公式如下所示：

预测时间片段误差方差计算公式及标准化如下所示：

优化设计滑模窗口目标函数：

W＝min(-ω₁R₂+ω₂σ_ε'+ω₃Mse'+ω₃Mae')

其中，R₂、Mae'、Mse'为为多组数据标准化处理的网络性能指标，ω₄表示对应的指标权重其和为1，ω₁为0.1、ω₂为0.4、ω₃为0.25、ω₄为0.25。

步骤50对测试集输入数据加入模拟工况噪声，将输入数据输入到优化训练结束的LSTM神经网络当中，通过在不同动力电池工况测量下，噪声和工况环境关系，优化设计滑膜窗口大小及LSTM隐藏节点个数(如图3为神经网络单个节点内部前向传播细节图)，提高动力电池动态工况下的估算稳定性，对测试集输入到LSTM神经网络的数据计算方法如下：

其中，表示各个工况下的动态工况噪声，其期望为μ_k＝[0,0,0]^T、方差为σ_k＝[0.001,0.01,0.005]^T，K表示工况的种类；

W_k＝-ω₁r2+ω₂σ_ε'+ω₃mse'+ω₃mae'

设置窗口滑模大小搜索步长为Δnum_step为1，范围在1-5，隐藏神经网络个数搜索步长为10，范围，激活方式设置为tanh、linear、reLu的三种激活函数。最终求得当W_k最小时，num_step为3，隐藏神经元个数为50，激活函数是linear线性方式，求解预测soc误差如图6所示。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。