基于双向循环神经网络的锂离子电池荷电状态估计方法
阅读说明：本技术 基于双向循环神经网络的锂离子电池荷电状态估计方法 (Lithium ion battery state of charge estimation method based on bidirectional cyclic neural network ) 是由 杨顺昆 何霍亮 边冲 于 2019-09-12 设计创作，主要内容包括：本发明公开了一种基于双向循环神经网络的锂离子电池荷电状态估计方法,利用锂离子电池实时产生的数据,使用训练好的双向循环神经网络,得到锂离子电池实时的荷电状态值,双向循环神经网络在训练完成之后,可以对荷电状态值进行实时估计,十分便捷,双向循环神经网络考虑时间序列数据的特性,利用当前结果之前和之后的数据,适用于锂离子电池荷电状态值估计领域。本发明属于数据驱动的方法,不需要冗繁的电化学相关知识,能够有效提取锂离子电池的历史数据,对锂离子电池放电特性进行建模,获得精准的荷电状态估计,并且,能够处理有着大量数据的复杂非线性系统,不需要电池领域的信息,只需要锂离子电池的历史数据。(The invention discloses a lithium ion battery state of charge estimation method based on a bidirectional circulation neural network, which utilizes data generated by a lithium ion battery in real time and the trained bidirectional circulation neural network to obtain a real-time state of charge value of the lithium ion battery. The invention belongs to a data driving method, does not need tedious electrochemistry related knowledge, can effectively extract historical data of a lithium ion battery, models the discharge characteristic of the lithium ion battery to obtain accurate charge state estimation, can process a complex nonlinear system with a large amount of data, does not need information in the battery field, and only needs the historical data of the lithium ion battery.)
技术领域
本发明涉及电池管理系统和深度学习技术领域，尤其涉及一种基于双向循环神经网络的锂离子电池荷电状态估计方法。
背景技术
锂离子电池是目前发展最快、最有前途的电池技术。与传统的电池相比，锂离子电池具有重量轻、充电快、能量密度高、自放电率低以及使用寿命长等优点。
荷电状态(State of Charge,SOC)，是电池监控的关键状态之一，其定义是电池的剩余容量占其最大容量的百分比。可靠的SOC估计可以精准地判断电池当前的状态，预防可能出现的危险，确保电池安全稳定地工作。然而，由于锂离子电池SOC的非线性和时变特性，不能直接观察到SOC值，加上电池放电特性容易受到电池老化、温度变化等因素影响，使得SOC估计具有挑战性。
电池SOC估计方法主要分为两类，一类是基于电池本身特性的SOC估计方法，另一类是数据驱动的SOC估计方法。后者近两年来引起人们极大关注，它完全不需要依靠传统电池领域的电化学方法，只需要电池充放电的历史数据，从中学习出电池特征和SOC值端到端的映射关系。该类方法主要以支持向量机和神经网络为主，特别是神经网络，由于其具有强大的数据拟合能力，能够处理很大数量级的数据，因此，已经在电池SOC预测领域取得很好的效果。
例如，最简单的全连接神经网络，能够抓住输出和输入的非线性关系，将手动选择的电池特征作为全连接神经网络的输入，将电池SOC值作为全连接神经网络的输出，全连接神经网络能够很好地拟合这层关系，所获得的效果已经超过支持向量机。然而，全连接神经网络只是单纯地抓住输入与输出的关系，其在电池SOC预测领域取得的效果仍有待提升。
发明内容
有鉴于此，本发明提供了一种基于双向循环神经网络的锂离子电池荷电状态估计方法，用以实现对锂离子电池荷电状态进行精准估计。
因此，本发明提供了一种基于双向循环神经网络的锂离子电池荷电状态估计方法，包括如下步骤：
S1：获取锂离子电池当前时刻的电池电压值、电池电流值和电池表面温度值；
S2：对获取的当前时刻的数据进行数据采样处理、数据标准化处理以及数据维度变更处理；
S3：将处理后的当前时刻的数据输入训练好的双向循环神经网络，得到锂离子电池当前时刻的荷电状态值。
在一种可能的实现方式中，在本发明提供的上述锂离子电池荷电状态估计方法中，所述双向循环神经网络的训练过程，包括如下步骤：
S11：人工选择输入到所述双向循环神经网络的特征，包括电池电压值、电池电流值和电池表面温度值；
S12：在不同工况下，采集电池电压值、电池电流值、电池表面温度值和荷电状态值；
S13：对采集的电池电压值、电池电流值、电池表面温度值和荷电状态值进行数据采样处理，对数据采样处理后的电池电压值、电池电流值和电池表面温度值进行数据标准化处理和数据维度变更处理；
S14：初始化所述双向循环神经网络，将处理后的电池电压值、电池电流值和电池表面温度值中与待测数据为同一工况下的数据输入初始化后的双向循环神经网络，利用基于时间的后向传播算法进行训练，不断调整网络超参数，得到训练好的双向循环神经网络。
在一种可能的实现方式中，在本发明提供的上述锂离子电池荷电状态估计方法中，步骤S13，对采集的电池电压值、电池电流值、电池表面温度值和荷电状态值进行数据采样处理，对数据采样处理后的电池电压值、电池电流值和电池表面温度值进行数据标准化处理和数据维度变更处理，具体包括如下步骤：
S131：在不同工况下，重新对电池电压值、电池电流值、电池表面温度值和荷电状态值进行采样，并将数据间隔设为1s产生一个数据点；
S132：对重新采样后的电池电压值、电池电流值和电池表面温度值进行标准化处理，使电池电压值、电池电流值和电池表面温度值均分布在[0,1]区间内，标准化处理的公式为：
其中，D表示电池电压值、电池电流值和电池表面温度值中的任意一个，Dt表示t时刻的数据，Dmin表示最小的数据点，Dmax表示最大的数据点；
S133：对标准化处理后的电池电压值、电池电流值和电池表面温度值进行维度变更处理，将标准化处理后的数据中每个时间点的电池电压值、电池电流值和电池表面温度值连接为向量[V，I，T]，将k个时间步的数据点连接为所述双向循环神经网络的一个样本输入数据[[Vt,It,Tt],[Vt+1,It+1,Tt+1],……,[Vt+k-1,It+k-1,Tt+k-1]]，最终得到所有样本输入数据[样本数，时间步，特征数]。
在一种可能的实现方式中，在本发明提供的上述锂离子电池荷电状态估计方法中，步骤S14，初始化所述双向循环神经网络，将处理后的电池电压值、电池电流值和电池表面温度值中与待测数据为同一工况下的数据输入初始化后的双向循环神经网络，利用基于时间的后向传播算法进行训练，不断调整网络超参数，得到训练好的双向循环神经网络，具体包括如下步骤：
S141：初始化所述双向循环神经网络的各参数值，将各参数值随机设置为[0,1]区间的任一数值；
S142：将所有样本输入数据[样本数，时间步，特征数]输入所述双向循环神经网络，经过所述双向循环神经网络的前向传播，计算当前时刻荷电状态的预测值，计算当前时刻荷电状态的预测值与当前时刻荷电状态的真实值的距离，求得所有样本的荷电状态的预测值与荷电状态的真实值的距离，计算公式如下：
其中，y表示荷电状态的真实值，
S143：利用梯度下降和后向传播算法更新所述双向循环神经网络的各参数值；
重复步骤S142～步骤S143，直至所述双向循环神经网络收敛，完成训练。
在一种可能的实现方式中，在本发明提供的上述锂离子电池荷电状态估计方法中，步骤S2，对获取的当前时刻的数据进行数据采样处理、数据标准化处理以及数据维度变更处理，具体包括如下步骤：
S21：重新对电池电压值、电池电流值和电池表面温度值进行采样，并将数据间隔设为1s产生一个数据点；
S22：对采样后的数据进行标准化处理，使电池电压值、电池电流值和电池表面温度值均分布在[0,1]区间内，标准化处理的公式为：
其中，D表示电池电压值、电池电流值和电池表面温度值中的任意一个，Dt表示t时刻的数据，Dmin表示最小的数据点，Dmax表示最大的数据点；
S23：对标准化处理后的数据进行维度变更处理，将标准化处理后的数据中每个时间点的电池电压值、电池电流值和电池表面温度值连接为向量[V，I，T]，将k个时间步的数据点连接为所述双向循环神经网络的一个样本输入数据[[Vt,It,Tt],[Vt+1,It+1,Tt+1],……,[Vt+k-1,It+k-1,Tt+k-1]]，最终得到所有样本输入数据[样本数，时间步，特征数]。
本发明提供的上述锂离子电池荷电状态估计方法，利用锂离子电池实时产生的数据，使用训练好的双向循环神经网络模型，得到锂离子电池实时的荷电状态值，双向循环神经网络模型在训练完成之后，可以对荷电状态值进行实时估计，十分便捷，双向循环神经网络能够充分考虑时间序列数据的特性，利用当前结果之前的数据和当前结果之后的数据，其效果比单向循环神经网络的效果更精确，对锂离子电池荷电状态值的估计有着巨大潜力，非常适合应用于锂离子电池荷电状态值估计领域。本发明属于数据驱动的方法，不需要冗繁的电化学相关知识，完全从数据出发，能够有效提取锂离子电池的历史数据所表达的信息，对锂离子电池放电特性进行建模，获得精准的荷电状态估计结果，并且，能够处理有着大量数据的复杂非线性系统，不需要电池领域的信息，只需要锂离子电池的历史数据即可。
附图说明
图1为本发明提供的一种基于双向循环神经网络的锂离子电池荷电状态估计方法的流程图之一；
图2为本发明提供的一种基于双向循环神经网络的锂离子电池荷电状态估计方法中双向循环神经网络的结构示意图；
图3为本发明提供的一种基于双向循环神经网络的锂离子电池荷电状态估计方法中双向循环神经网络训练过程的流程图之一；
图4为本发明提供的一种基于双向循环神经网络的锂离子电池荷电状态估计方法中双向循环神经网络训练过程的流程图之二；
图5为本发明提供的一种基于双向循环神经网络的锂离子电池荷电状态估计方法中双向循环神经网络训练过程的流程图之三；
图6为本发明提供的一种基于双向循环神经网络的锂离子电池荷电状态估计方法的流程图之二；
图7为本发明中双向循环神经网络应用于45℃条件下US06数据集的效果图；
图8为本发明中双向循环神经网络应用于45℃条件下US06数据集的平均绝对误差图；
图9为本发明中双向循环神经网络应用于45℃条件下BJDST数据集的效果图；
图10为本发明中双向循环神经网络应用于45℃条件下BJDST数据集的平均绝对误差图。
具体实施方式
下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整的描述，显然，所描述的实施方式仅仅是作为例示，并非用于限制本发明。
本发明选用INR 18650-20R型号锂离子电池的数据集，该数据集是在0℃、25℃、45℃三个温度条件下采集的数据，在相同温度条件下分别对锂离子电池施加不同模拟汽车驾驶状态的负载，包括US06、FUDS、DST和BJSDT，锂离子电池的详细信息如表1所示，数据集的详细信息如表2所示。
表1 INR 18650-20R锂离子电池具体参数
表2 INR 18650-20R锂离子电池数据集
其中，每个数据集都包含对锂离子电池的完全充电和完全放电过程，每个数据集下都有两个实验，一个是从锂离子电池容量剩余80％起施加模拟的负载至放电结束，另外一个是从电池容量剩余50％起施加模拟的负载至放电结束，将前者作为训练数据，后者作为实时数据来测试本发明的效果。
本发明提供的一种基于双向循环神经网络的锂离子电池荷电状态估计方法，如图1所示，包括如下步骤：
S1：获取锂离子电池当前时刻的电池电压值、电池电流值和电池表面温度值；
S2：对获取的当前时刻的数据进行数据采样处理、数据标准化处理以及数据维度变更处理；
S3：将处理后的当前时刻的数据输入训练好的双向循环神经网络，得到锂离子电池当前时刻的荷电状态值。
本发明提供的上述锂离子电池荷电状态估计方法，利用锂离子电池实时产生的数据，使用训练好的双向循环神经网络模型，得到锂离子电池实时的荷电状态值，双向循环神经网络模型在训练完成之后，可以对荷电状态值进行实时估计，十分便捷，双向循环神经网络能够充分考虑时间序列数据的特性，利用当前结果之前的数据和当前结果之后的数据，其效果比单向循环神经网络的效果更精确，对锂离子电池荷电状态值的估计有着巨大潜力，非常适合应用于锂离子电池荷电状态值估计领域。本发明属于数据驱动的方法，不需要冗繁的电化学相关知识，完全从数据出发，能够有效提取锂离子电池的历史数据所表达的信息，对锂离子电池放电特性进行建模，获得精准的荷电状态估计结果，并且，能够处理有着大量数据的复杂非线性系统，不需要电池领域的信息，只需要锂离子电池的历史数据即可。
在具体实施时，在本发明提供的上述锂离子电池荷电状态估计方法中，双向循环神经网络的具体结构可以为：输入层、隐藏层和输出层；其中，隐藏层采用双向的长短期记忆网络(Long Short-Term Memory,LSTM)层后面接上一层全连接层(Full Connection,FC)；其中，双向LSTM结构可以叠加，即双向LSTM层可以包含若干个双向LSTM网络结构相互连接，具体结构如图2所示，图2中Xt、Xt+1…Xt+k为输入数据，Yt、Yt+1…Yt+k为输出数据。双向循环神经网络的具体参数配置因不同工况下的数据而不同，本发明以时间步设置为40-50，隐藏单元个数设置为64，双向LSTM结构堆叠两层为例进行说明。
在具体实施时，在本发明提供的上述锂离子电池荷电状态估计方法中，训练好的双向循环神经网络，可以利用锂离子电池的历史数据，使用双向循环神经网络训练得到，具体地，双向循环神经网络的训练过程，如图3所示，可以包括如下步骤：
S11：人工选择输入到双向循环神经网络的特征，包括电池电压值、电池电流值和电池表面温度值；
S12：在不同工况下，采集电池电压值、电池电流值、电池表面温度值和荷电状态值；
具体地，不同工况可以包括不同温度、不同负载等条件；电池电压值、电池电流值、电池表面温度值和荷电状态值的采集需要分别使用专用设备进行采集；
S13：对采集的电池电压值、电池电流值、电池表面温度值和荷电状态值进行数据采样处理，对数据采样处理后的电池电压值、电池电流值和电池表面温度值进行数据标准化处理和数据维度变更处理；这样，处理后的数据能够直接输入双向循环神经网络进行训练；
S14：初始化双向循环神经网络，将处理后的电池电压值、电池电流值和电池表面温度值中与待测数据为同一工况下的数据输入初始化后的双向循环神经网络，利用基于时间的后向传播算法进行训练，不断调整网络超参数，得到训练好的双向循环神经网络。
在具体实施时，在本发明提供的上述锂离子电池荷电状态估计方法中，步骤S13，对采集的电池电压值、电池电流值、电池表面温度值和荷电状态值进行数据采样处理，对数据采样处理后的电池电压值、电池电流值和电池表面温度值进行数据标准化处理和数据维度变更处理，如图4所示，具体可以包括如下步骤：
S131：在不同工况下，重新对电池电压值、电池电流值、电池表面温度值和荷电状态值进行采样，并将数据间隔设为1s产生一个数据点；
S132：对重新采样后的电池电压值、电池电流值和电池表面温度值进行标准化处理，使电池电压值、电池电流值和电池表面温度值均分布在[0,1]区间内，标准化处理的公式为：
其中，D表示电池电压值、电池电流值和电池表面温度值中的任意一个，Dt表示t时刻的数据，Dmin表示最小的数据点，Dmax表示最大的数据点；
具体地，将电池电压值、电池电流值和电池表面温度值分布在[0,1]区间内，有利于双向循环神经网络的训练；同时，还可以保留标准化的基准数值，以便在实时估计时采用同样的标准化方式，从而可以保证数据分布的一致性；
S133：对标准化处理后的电池电压值、电池电流值和电池表面温度值进行维度变更处理，将标准化处理后的数据中每个时间点的电池电压值、电池电流值和电池表面温度值连接为向量[V，I，T]，将k个时间步的数据点连接为双向循环神经网络的一个样本输入数据[[Vt,It,Tt],[Vt+1,It+1,Tt+1],……,[Vt+k-1,It+k-1,Tt+k-1]]，最终得到所有样本输入数据[样本数，时间步，特征数]，以便可以直接输入双向循环神经网络进行训练。
在具体实施时，在本发明提供的上述锂离子电池荷电状态估计方法中，步骤S14，初始化双向循环神经网络，将处理后的电池电压值、电池电流值和电池表面温度值中与待测数据为同一工况下的数据输入初始化后的双向循环神经网络，利用基于时间的后向传播算法进行训练，不断调整网络超参数，得到训练好的双向循环神经网络，如图5所示，具体可以包括如下步骤：
S141：初始化双向循环神经网络的各参数值，将各参数值随机设置为[0,1]区间的任一数值；
S142：将所有样本输入数据[样本数，时间步，特征数]输入双向循环神经网络，经过双向循环神经网络的前向传播，计算当前时刻荷电状态的预测值，计算当前时刻荷电状态的预测值与当前时刻荷电状态的真实值的距离，求得所有样本的荷电状态的预测值与荷电状态的真实值的距离，计算公式如下：
其中，y表示荷电状态的真实值，
具体地，计算当前时刻荷电状态的预测值与当前时刻荷电状态的真实值的距离，也就是做差求平方；当前时刻荷电状态的真实值即重新采样的荷电状态值；
S143：利用梯度下降和后向传播算法更新双向循环神经网络的各参数值；
重复步骤S142～步骤S143，直至双向循环神经网络收敛，完成训练。
较佳地，为了加快双向循环神经网络的训练速度，提高双向循环神经网络的效果精度，可以采用Adam优化方法和mini-batch优化方法，batch的大小可以设置为128，在整个训练集合上的训练次数可以设置为2000次。
在具体实施时，在本发明提供的上述锂离子电池荷电状态估计方法中，步骤S2，对获取的当前时刻的数据进行数据采样处理、数据标准化处理以及数据维度变更处理，如图6所示，具体可以包括如下步骤：
S21：重新对电池电压值、电池电流值和电池表面温度值进行采样，并将数据间隔设为1s产生一个数据点；
S22：对采样后的数据进行标准化处理，使电池电压值、电池电流值和电池表面温度值均分布在[0,1]区间内，标准化处理的公式为：
其中，D表示电池电压值、电池电流值和电池表面温度值中的任意一个，Dt表示t时刻的数据，Dmin表示最小的数据点，Dmax表示最大的数据点；
具体地，可以使用网络训练时保留的标准化的基准数值，这样，网络训练和实时估计可以采用同样的标准化方式，从而可以保证数据分布的一致性；
S23：对标准化处理后的数据进行维度变更处理，将标准化处理后的数据中每个时间点的电池电压值、电池电流值和电池表面温度值连接为向量[V，I，T]，将k个时间步的数据点连接为双向循环神经网络的一个样本输入数据[[Vt,It,Tt],[Vt+1,It+1,Tt+1],……,[Vt+k-1,It+k-1,Tt+k-1]]，最终得到所有样本输入数据[样本数，时间步，特征数]。综上，利用与网络训练时的历史数据相同的处理方法，对获取的当前时刻的数据进行处理，可以使输入到训练好的双向循环神经网络的数据的分布保持一致性，从而可以保证锂离子电池荷电状态估计的准确性。
表3中是在0℃、25℃、45℃三个温度条件下四个数据集US06、FUDS、DST和BJSDT的效果，评价标准是平均绝对误差(Mean Absolute Error,MAE)。
表3三个温度条件下四个数据集的效果
从表3中可以看出，本发明提供的上述锂离子电池荷电状态估计方法的效果极佳，在45℃和25℃条件下，四个数据集US06、FUDS、DST和BJDST的MAE值均小于1％，尤其是在45℃条件下，四个数据集US06、FUDS、DST和BJDST的MAE值均最小，效果最佳。如图7和图9所示，两个数据集US06和BJDST的SOC的预测值与真实值几乎重合，如图8和图10所示，两个数据集US06和BJDST的MAE值均小于1％，说明本发明提供的上述锂离子电池荷电状态估计方法在两个数据集US06和BJDST上的效果非常精准，这在实际应用中已经达到了相当高的标准，证明双向循环神经网络在锂离子电池SOC预测领域的适用性。
本发明提供的上述锂离子电池荷电状态估计方法，利用锂离子电池实时产生的数据，使用训练好的双向循环神经网络模型，得到锂离子电池实时的荷电状态值，双向循环神经网络模型在训练完成之后，可以对荷电状态值进行实时估计，十分便捷，双向循环神经网络能够充分考虑时间序列数据的特性，利用当前结果之前的数据和当前结果之后的数据，其效果比单向循环神经网络的效果更精确，对锂离子电池荷电状态值的估计有着巨大潜力，非常适合应用于锂离子电池荷电状态值估计领域。本发明属于数据驱动的方法，不需要冗繁的电化学相关知识，完全从数据出发，能够有效提取锂离子电池的历史数据所表达的信息，对锂离子电池放电特性进行建模，获得精准的荷电状态估计结果，并且，能够处理有着大量数据的复杂非线性系统，不需要电池领域的信息，只需要锂离子电池的历史数据即可。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种电池包的电池寿命预测方法及装置