本發(fā)明屬于電池電數(shù)字?jǐn)?shù)據(jù)處理領(lǐng)域，具體涉及一種基于改進(jìn)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的電池soc與soe聯(lián)合估計(jì)方法。

背景技術(shù)：

1、鋰電池作為電動(dòng)汽車主要的儲(chǔ)能元件和動(dòng)力源，直接影響著整車的性能和安全性。在實(shí)際使用過(guò)程中，電池存在過(guò)充、過(guò)放等不安全行為，導(dǎo)致火災(zāi)、爆炸等安全事故。而且，充電時(shí)間長(zhǎng)、續(xù)航短、估計(jì)精度低等因素也制約了新能源汽車技術(shù)的發(fā)展。此外，由于鋰電池系統(tǒng)具有較強(qiáng)的耦合性和非線性，如何提高bms（電池管理系統(tǒng)）對(duì)電池各項(xiàng)狀態(tài)參數(shù)的估計(jì)精度，成為了提高新能源車輛安全穩(wěn)定運(yùn)行的關(guān)鍵問(wèn)題。

2、soc（電池荷電狀態(tài)）與soe（電池剩余能量狀態(tài)）是bms中兩個(gè)重要的監(jiān)測(cè)參數(shù)，是描述電池狀態(tài)的兩個(gè)關(guān)鍵參數(shù)，它們直接影響著電池的充放電性能和可靠性。準(zhǔn)確估計(jì)soc和soe可以優(yōu)化電池的充放電控制策略，提高電池的使用壽命和效率，同時(shí)是保障電池系統(tǒng)的高效穩(wěn)定運(yùn)行的關(guān)鍵。因此，對(duì)soc和soe的準(zhǔn)確估計(jì)不僅是保障電池系統(tǒng)高效穩(wěn)定運(yùn)行的關(guān)鍵，也是提高電池使用壽命和用戶體驗(yàn)的重要前提。

3、目前對(duì)電池soc與soe的估計(jì)可以分為計(jì)算法、基于模型法和數(shù)據(jù)驅(qū)動(dòng)法三大類。計(jì)算法是指利用電池內(nèi)部參量如電壓，電流和內(nèi)阻等參數(shù)來(lái)映射與soc之間的關(guān)系?；谀Ｐ头椒ɡ秒姵乩碚摴綄?duì)電池建立數(shù)學(xué)模型，然后利用該模型的計(jì)算數(shù)據(jù)與實(shí)際電池觀測(cè)數(shù)據(jù)進(jìn)行比較，通過(guò)參數(shù)比對(duì)進(jìn)行模型參數(shù)優(yōu)化，實(shí)現(xiàn)對(duì)電池soc與soe的估計(jì)?；跀?shù)據(jù)驅(qū)動(dòng)的方法不需要建立電池原理模型，而是通過(guò)分析和處理實(shí)際采集到的數(shù)據(jù)來(lái)估計(jì)電池soc與soe的方法。其中，計(jì)算方法雖然操作簡(jiǎn)單，但該方法依賴于電流和電壓傳感器的準(zhǔn)確性，而且容易受到測(cè)量累計(jì)誤差的影響，因此該方法在實(shí)際soc與soe的估計(jì)應(yīng)用中逐步減少；基于模型法作為目前主流的soc與soe估計(jì)方法之一，具有估計(jì)精度高，受噪聲影響小等優(yōu)點(diǎn)，但該方法所建立的模型很難與電池實(shí)際運(yùn)行時(shí)的參數(shù)同步變化，導(dǎo)致模型失真，產(chǎn)生估計(jì)偏差。數(shù)據(jù)驅(qū)動(dòng)的方法近年來(lái)隨著計(jì)算機(jī)技術(shù)與人工智能的興起而得到發(fā)展，該方法具有估計(jì)速度快，估計(jì)精度高，所需先驗(yàn)物理知識(shí)少的優(yōu)點(diǎn)，但由于人工智能黑盒模型的特性，數(shù)據(jù)驅(qū)動(dòng)方法需要數(shù)據(jù)學(xué)習(xí)與參數(shù)調(diào)整，導(dǎo)致該方法準(zhǔn)備時(shí)間過(guò)長(zhǎng)，難以滿足實(shí)時(shí)性的要求。因此，需要一種新的電池soc與soe估計(jì)方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于改進(jìn)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的電池soc與soe聯(lián)合估計(jì)方法，該方法的使用可以通過(guò)電池實(shí)際充放電特征參數(shù)，在不了解電池內(nèi)部構(gòu)造機(jī)理和化學(xué)反應(yīng)情況下，通過(guò)記電池在充放電過(guò)程的電流、電壓和溫度的數(shù)據(jù)變化，建立cnn-bilstm模型來(lái)預(yù)測(cè)電池的soc和soe。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于改進(jìn)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的電池soc與soe聯(lián)合估計(jì)方法，所述聯(lián)合估計(jì)方法包括以下步驟：

3、s1：數(shù)據(jù)分割，利用滑動(dòng)窗口技術(shù)對(duì)數(shù)據(jù)進(jìn)行切割，形成“多時(shí)域”輸入數(shù)據(jù)，并將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集；

4、s2：特征提取，將步驟s1中得到的數(shù)據(jù)集進(jìn)行歸一化處理，將歸一化后的數(shù)據(jù)輸入到cnn模型中，對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行特征提取，以降低時(shí)間序列的維度，得到降維后的特征；

5、s3：將步驟s2中得到的降維后的特征輸入到包含兩個(gè)bilstm層和一個(gè)全連接層的結(jié)構(gòu)中，利用bilstm層進(jìn)行序列建模，并基于bilstm模型擬合輸入放電時(shí)間序列信息，最后將得到的全連接層輸出作為該模型的估計(jì)結(jié)果，得到訓(xùn)練好的模型；

6、s4：模型分析，將步驟s1中的測(cè)試集輸入到步驟s3得到的訓(xùn)練好的模型中，通過(guò)rmse、mae和r2三個(gè)指標(biāo)進(jìn)行評(píng)估。

7、優(yōu)選的，所述步驟s1的具體方法為：利用滑動(dòng)窗口技術(shù)將連續(xù)的充放電數(shù)據(jù)序列切分成固定長(zhǎng)度的子序列，然后將這些子序列連接起來(lái)形成完整的時(shí)間序列數(shù)據(jù)，作為模型輸入；即電池狀態(tài)在第k個(gè)時(shí)間點(diǎn)的輸出值對(duì)應(yīng)的輸入變量是此時(shí)間點(diǎn)之間的(k-n+1)個(gè)，這樣可以保留數(shù)據(jù)的時(shí)序信息，并且充分利用歷史數(shù)據(jù)與當(dāng)前數(shù)據(jù)之間的關(guān)聯(lián)性。

8、優(yōu)選的，所述步驟s2的具體方法為：

9、s2.1：在cnn卷積網(wǎng)絡(luò)模型中，數(shù)據(jù)首先進(jìn)入卷積層，在卷積計(jì)算過(guò)程中，按照預(yù)設(shè)步長(zhǎng)，卷積核從左到右、從上到下滑動(dòng)于輸入數(shù)據(jù)上完成遍歷，并對(duì)數(shù)據(jù)進(jìn)行計(jì)算，最終將多次卷積計(jì)算結(jié)果綜合得出整個(gè)卷積層的輸出，通常一個(gè)卷積層包含多個(gè)用于對(duì)輸入數(shù)據(jù)進(jìn)行卷積計(jì)算的卷積核，其計(jì)算公式為：

10、；

11、式中，為卷積層中輸出的第個(gè)特征圖；為sigmoid激活函數(shù)；為卷積層中第個(gè)卷積核的權(quán)重矩陣；為卷積運(yùn)算；為卷積層中第個(gè)卷積核的偏置；為第個(gè)卷積核；為傳入?yún)?shù)矩陣；

12、s2.2：數(shù)據(jù)經(jīng)過(guò)卷積層后進(jìn)入relu函數(shù)，所述relu函數(shù)為：

13、；

14、式中，為激活函數(shù)輸入；

15、s2.3：池化層采用平均池化，利用池化層對(duì)數(shù)據(jù)進(jìn)行降采樣，壓縮數(shù)據(jù)并降低數(shù)據(jù)維度，從而提高模型特征的質(zhì)量。

16、優(yōu)選的，所述步驟s3的具體方法為：

17、s3.1：首先，遺忘門接收來(lái)自于上一時(shí)刻神經(jīng)元隱藏層的狀態(tài)和當(dāng)前的輸入，然后，由決定上一時(shí)刻輸入信息的保留程度，以減少模型訓(xùn)練過(guò)程中的數(shù)據(jù)量，的值取決于時(shí)刻當(dāng)前的輸入與時(shí)刻的輸出，它的操作按照以下公式進(jìn)行：

18、；

19、其中，是遺忘門在時(shí)間步的輸出；是sigmoid激活函數(shù)；是遺忘門的權(quán)重矩陣；是連接上一時(shí)刻的隱藏狀態(tài)和當(dāng)前時(shí)刻的輸入得到的向量；是遺忘門的偏置；

20、s3.2：輸入門主要是確定何時(shí)更新細(xì)胞狀態(tài)，以及輸入信息更新的程度，該模塊的計(jì)算過(guò)程包含兩部分，首先，輸入門決定需要更新哪部分信息；其次，隱藏層狀態(tài)和當(dāng)前輸入經(jīng)過(guò)tanh函數(shù)的處理，輸出一個(gè)范圍在-1和1之間的數(shù)值；同時(shí)將輸出值與sigmoid函數(shù)相乘，以得到最新的細(xì)胞狀態(tài)，它的操作按照以下公式進(jìn)行：

21、；

22、；

23、；

24、其中，為輸入門，為細(xì)胞狀態(tài)的候選值；為新的細(xì)胞狀態(tài)；是sigmoid激活函數(shù)；為雙正切函數(shù)，是連接上一時(shí)刻的隱藏狀態(tài)和當(dāng)前時(shí)刻的輸入得到向量，為輸入門的系數(shù)矩陣，為細(xì)胞狀態(tài)候選值的系數(shù)矩陣，為輸入門的系數(shù)矩陣偏置，為候選值輸入門的系數(shù)矩陣偏置，是遺忘門在時(shí)間步的輸出；

25、s3.3：輸出門決定了lstm網(wǎng)絡(luò)當(dāng)前步的輸出，輸出門根據(jù)當(dāng)前時(shí)間步的記憶單元的狀態(tài)，也稱為細(xì)胞狀態(tài)，和當(dāng)前時(shí)間步的輸入，通過(guò)一個(gè)sigmoid激活函數(shù)產(chǎn)生一個(gè)在0到1之間的輸出向量，來(lái)表示哪些記憶單元的信息應(yīng)該被輸出到當(dāng)前時(shí)間步的輸出中，這個(gè)輸出向量會(huì)與記憶單元的狀態(tài)相乘，從而生成最終的輸出，具體技術(shù)公式如下：

26、；

27、；

28、式中，是輸出門的輸出，也是當(dāng)前時(shí)間步的輸出；是連接上一時(shí)刻的隱藏狀態(tài)和當(dāng)前時(shí)刻的輸入得到向量；是當(dāng)前時(shí)刻的隱藏狀態(tài)；是sigmoid激活函數(shù)；是輸出門的權(quán)重矩陣；為新的細(xì)胞狀態(tài)；是輸出門的偏置；為雙正切函數(shù)。

29、優(yōu)選的，所述步驟4的具體方法為：

30、rmse表示soe實(shí)際值與估計(jì)值之間差異，用來(lái)衡量樣本的離散程度，在衡量模型估計(jì)精度時(shí)，rmse越小，則證明模型的估計(jì)精度越高，通過(guò)如下公式計(jì)算rmse值：

31、；

32、mae是衡量模型實(shí)際值與估計(jì)值之間差異的指標(biāo)，用于評(píng)估模型在給定數(shù)據(jù)上的擬合程度，通過(guò)如下公式計(jì)算mae值：

33、；

34、r2是衡量模型擬合優(yōu)度的評(píng)價(jià)指標(biāo)，它的取值范圍在0到1之間，其越接近于1，模型的估計(jì)性能就越好，通過(guò)如下公式計(jì)算r2值：

35、；

36、其中，表示第個(gè)實(shí)際輸出變量的實(shí)際值，表示第個(gè)輸出變量的估計(jì)值，表示均值，表示的長(zhǎng)度。

37、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

38、（1）本發(fā)明采用的改進(jìn)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，可以高效的保留數(shù)據(jù)有效信息，對(duì)于多余信息進(jìn)行一定程度的遺忘，避免了網(wǎng)絡(luò)無(wú)法長(zhǎng)期記憶、梯度消失和梯度爆炸等問(wèn)題；

39、（2）本發(fā)明在數(shù)據(jù)進(jìn)入bilstm模型之前通過(guò)cnn網(wǎng)絡(luò)對(duì)時(shí)序數(shù)據(jù)進(jìn)行處理，可以更好的突出樣本特征，平衡模型收斂速度和精度之間的關(guān)系；

40、通過(guò)以下參照附圖對(duì)本公開(kāi)的示例性實(shí)施例的詳細(xì)描述，本公開(kāi)的其它特征及其優(yōu)點(diǎn)將會(huì)變得清楚。