一种动力锂电池的样本数据集生成方法、SOC估计方法

测量装置的制造及其应用技术一种动力锂电池的样本数据集生成方法、soc估计方法技术领域1.本发明涉及一种动力锂电池的样本数据集生成方法、soc估计方法，属于电池管理系统(bms)的荷电状态(soc)预测范畴。背景技术：2.一个优秀的电池管理系统可以提高电池效率，延长电池寿命。其中锂电池具有能量密度高、寿命长，无污染等优点，被认为是最有前途的储能选择之一。目前锂电池被广泛应用于工业、日常生活等领域，高精度地估算soc，不仅能够估算新能源汽车储能电池当前的剩余电量，提高均衡一致性和输出功率，减少额外的冗余；同时可以为准确地评估电池健康状况提供数据依据，以实时了解电池的老化情况。因此如何找到一种有效的方法对电池soc的估算已成为电池管理的重要环节。3.电池的结构复杂，锂电池的实时soc是一个变量，无法通过传感器件直接测量得到，在工作时会随外部环境的变化而发生变化。包括温度、放电电流、放电倍率、内阻、自放电率、衰减程度等因素的影响，都会使得电池soc的估算更加困难。4.目前电池soc的估算方法有开路电压法、安时计量法、数据驱动法和基于模型的卡尔曼滤波法。(1)开路电压法：当电池处于静止状态时，电池的各项参数相对来说较稳定，利用开路电压与荷电状态之间稳定的函数关系，测量电池开路电压，再对照特性曲线图(ocv-soc)得出soc的值。(2)安时计量法：主要就是测量电池的放电电流并将电流随时间进行积分，以此算出一段时间内放出的电量，进而估计电池的soc。(3)基于模型的卡尔曼滤波法：其中心思想是在已知系统状态空间模型、噪声统计特性以及初始状态值的前提下，依据最小均方误差原则，利用实际的输出观测数据对系统的状态变量进行修正，实时地获得被估计数据状态量的最优估计值。但此方法很大程度深度上依赖于模型的准确性。(4)数据驱动法：该方法无须考虑电池内部的实际反应情况，主要依据系统输入和输出之间的映射关系来建立估算模型。对于传统的神经网络而言，模型只会关注当前时刻信息的处理，不会关注上一时刻信息的处理是否对下一时刻有所帮助。而lstm网络在传统rnn神经网络的基础上引入了时序的概念，使得上一刻的输出能对下一刻的输入产生直接影响。在lstm网络中，超参数的选择通常采用不断训练网络，结合训练经验来确定，在试凑的过程中无形中增加了网络训练的时间。为节约训练成本和获得更高的估计精度，通过利用优化算法改善神经网络的结构进行解决尤为重要。技术实现要素：5.本发明提供了一种动力锂电池的样本数据集生成方法，以用于获得锂电池样本数据集；并进一步提供了一种动力锂电池的soc估计方法，以用于可以通过动力锂电池的样本数据集生成方法获得的锂电池样本数据集训练模型实现动力锂电池的soc估计。6.本发明的技术方案是：一种动力锂电池的样本数据集生成方法，包括：7.搭建锂电池充放电瞬态求解模型；8.依据搭建的锂电池充放电瞬态求解模型，获得锂电池电势图、电流密度分析图以及电池不同倍率性能分析图；9.导出锂电池电势图、电流密度分析图以及电池不同倍率性能分析图对应的数据；对导出的数据进行预处理，获得锂电池样本数据集。10.所述搭建锂电池充放电瞬态求解模型，包括：11.选择物理场：添加锂离子电池接口进行电池的充放电瞬态研究；12.构建对象：采用线段间隔指定电池负极、隔膜、正极，构建一维几何；13.模型定义：首先对电池正极的厚度、负极的厚度、隔膜的厚度、充放电时间以及充放电电流参数进行定义；然后选择满足条件的插值函数定义出初始时刻的负极电位状态；其中，插值函数选择一维电池负极电位插值函数；14.模型材料设置：从“电池与燃料电池”的材料库中获得电极的材料，其中，正极材料设置为活性材料，负极材料设置为石墨；15.物理场接口设置：通过添加多孔电极分别完成电池正极和负极的属性设置，对隔膜进行属性设置；设置锂电池的外电路状态，对电池电极进行电接地以及充放电电流设置，其中，充放电电流设置满足充电对内为正，放电对内为负。16.还包括不同倍率参数设置；其中，不同倍率包括默认倍率及设置倍率；在设置倍率下的电流密度为默认倍率对应的电流密度与设置倍率的乘积。17.所述对导出的数据进行预处理，包括：对导出的数据依次进行格式变换、筛选、清洗。18.根据本发明实施例的另一方面，还提供了一种动力锂电池的样本数据集生成装置，包括：19.用于搭建锂电池充放电瞬态求解模型的模块；20.第一获得模块，用于依据搭建的锂电池充放电瞬态求解模型，获得锂电池电势图、电流密度分析图以及电池不同倍率性能分析图；21.第二获得模块，用于导出锂电池电势图、电流密度分析图以及电池不同倍率性能分析图对应的数据；对导出的数据进行预处理，获得锂电池样本数据集。22.根据本发明实施例的另一方面，还提供了一种动力锂电池的soc估计方法，包括：23.s1、依据锂电池样本数据集，构建训练集和测试集；24.s2、lstm网络的确定，将温度值、放电倍率及不同放电倍率下的电压数据确定为lstm网络的输入，将soc值作为lstm网络的输出；其中，lstm网络包括输入层、隐含层、全连接层、输出层；25.s3、对lstm网络进行超参数设置；超参数包括隐含层神经元数、最大迭代次数、初始学习速率、学习下降率因子；26.s4、用训练集预训练lstm网络，结合测试集反馈的预测结果不断调整lstm网络超参数，直至确定最佳超参数区间；27.s5、通过ba算法寻找最佳超参数区间中的最优超参数组合。28.将上述中任一项所述的动力锂电池的样本数据集生成方法获得的锂电池样本数据集划分为训练集和测试集；或者采用公开锂电池样本数据集/现场采集的锂电池样本数据集划分为训练集和测试集；锂电池样本数据集包括soc值、温度值、放电倍率及不同放电倍率下的电压数据。29.所述通过ba算法寻找最佳超参数区间中的最优超参数组合，包括：30.s51、进行ba参数初始化；31.s52、通过ba算法不断迭代寻优输出最优适应度值，找出最优超参数组合。32.根据本发明实施例的另一方面，还提供了一种动力锂电池的soc估计系统，包括：33.构建模块，用于依据锂电池样本数据集，构建训练集和测试集；34.lstm网络确定模块，用于将温度值、放电倍率及不同放电倍率下的电压数据确定为lstm网络的输入，将soc值作为lstm网络的输出；其中，lstm网络包括输入层、隐含层、全连接层、输出层；35.设置模块，用于对lstm网络进行超参数设置；超参数包括隐含层神经元数、最大迭代次数、初始学习速率、学习下降率因子；36.确定模块，用于用训练集预训练lstm网络，结合测试集反馈的预测结果不断调整lstm网络超参数，直至确定最佳超参数区间；37.寻找模块，用于通过ba算法寻找最佳超参数区间中的最优超参数组合。38.本发明的有益效果是：39.1、本发明是基于数据驱动的动力锂电池soc估计，不需要任何先验知识，在训练模型的过程中可以通过向模型加入其他输入来提高模型在各种不同操作条件下的性能，并且适用于不同类型的电池。40.2、本发明依据蝙蝠算法，设计迭代优化流程，得到优化的输出模型参数，利用最优的隐含层神经元数、最大迭代数、初始学习速率、学习下降率因子构建lstm网络，经网络训练对电池soc进行估计；通过引入蝙蝠算法(ba)优化长短期记忆循环神经网络(lstm)，进一步提升soc估计性能，有效捕捉锂电池soc的动态物理特性，缓解深度神经网络模型容易发生的梯度消失与梯度爆炸等问题。41.3、本发明能够处理复杂的非线性系统，实现了在恒流前提下，不同温度、放电倍率下电池soc的估计，提高了泛化能力；有效地降低了电池剩余电量估计的误差，提高了电池soc估计精度。附图说明42.图1为本发明的系统结构图；43.图2为本发明的电池在一次充放电模拟的电压随时间变化图；44.图3为本发明的电池在一次充放电模拟的电流密度随时间变化图；45.图4为本发明不同放电倍率下的电压随电池容量变化图；46.图5为本发明电池电压与电池soc关系图；47.图6为本发明lstm神经网络结构图；48.图7为本发明中lstm隐含层的展开图49.图8为本发明ba-lstm算法流程图；50.图1中各标号含义：①pc模块；②模拟电池充放电的曲线；③模拟电池在不同放电倍率下的放电曲线；④数据库(包含电池的外部状态信息：soc值、温度值、放电倍率及不同放电倍率下的电压数据)；⑤lstm网络算法模块；⑥蝙蝠算法模块；⑦两种算法结合的估计结果；⑧单独的lstm网络算法的估计结果。具体实施方式51.下面结合附图和实施例，对发明做进一步的说明，但本发明的内容并不限于所述范围。52.实施例1：如图1-5所示，一种动力锂电池的样本数据集生成方法，包括：53.搭建锂电池充放电瞬态求解模型；依据搭建的锂电池充放电瞬态求解模型，获得锂电池电势图、电流密度分析图以及电池不同倍率性能分析图；导出锂电池电势图、电流密度分析图以及电池不同倍率性能分析图对应的数据；对导出的数据进行预处理，获得锂电池样本数据集。54.进一步地，可以设置所述搭建锂电池充放电瞬态求解模型，包括：55.选择物理场：添加锂离子电池接口进行电池的充放电瞬态研究；56.构建对象：采用线段间隔指定电池负极、隔膜(电解质)、正极，构建一维几何；57.模型定义：首先对电池正极的厚度、负极的厚度、隔膜的厚度、充放电时间以及充放电电流参数进行定义，其余参数为默认值；然后选择满足条件的插值函数定义出初始时刻的负极电位状态；其中，插值函数选择一维电池负极电位插值函数；58.模型材料设置：从“电池与燃料电池”的材料库中获得电极的材料，其中，电极包括正极、负极，正极材料设置为活性材料，负极材料设置为石墨，隔膜材料设置为lipf6；59.物理场接口设置：通过添加多孔电极分别完成电池正极和负极的属性设置(属性设置包括对材料温度、初始物质浓度、最大物质浓度、扩散系数、最小soc的数值、最大soc的数值)，对隔膜进行属性设置(属性设置包括电解质的体积分数、校正因子、电导率)；设置锂电池的外电路状态，对电池电极进行电接地以及充放电电流设置，其中，充放电电流设置满足充电对内为正，放电对内为负。60.上述物理场接口设置中的属性设置考虑了物质本身的特征、也考虑了动态需求，整个设置为后续获得更贴合现场采集的样本数据集提供了有力支撑。61.进一步地，可以设置还包括不同倍率参数设置；其中，不同倍率包括默认倍率及设置倍率；在设置倍率下的电流密度为默认倍率对应的电流密度与设置倍率的乘积。62.进一步地，可以设置所述对导出的数据进行预处理，包括：对导出的数据依次进行格式变换、筛选、清洗。63.再进一步，结合实验数据，给出可选的具体实施过程如下：64.通过pc模块上的多物理仿真平台comsol搭建锂电池充放电瞬态求解模型，对电池进行一次满冲满放的充电、放电测试(设置最小soc的数值为0、最大soc的数值为1)；其中，正极材料设置为(limn2o4)活性材料，负极材料设置为石墨，隔膜(电解质)材料设置为lipf6；设置恒定温度298k(25℃)，恒流17.5a/m2，充电为正值，放电为负值；电池的一次充放电时间：放电2000s—开路300s—充电2000s；进一步地，在上述前提下，分别对电池进行0.1c、1c、2c、4c四种不同倍率下的恒流放电(1为默认倍率，对应的电流密度为电流密度；0.1、2、4为设置倍率)；获得锂电池电势图如图2所示，获得电流密度分析图如图3所示，获得电池不同倍率性能分析图如图4所示。导出锂电池电势图、电流密度分析图以及电池不同倍率性能分析图对应的数据，其数据格式为.csv文件；对导出的数据进行格式变换转换为excel文件，筛选出需要的soc值、温度值、放电倍率及不同放电倍率下的电压数据，对筛选出的数据进行归一化处理，以消除不同指标之间不同量纲的影响(归一化处理采用归一化函数mapminmax)。从图2可以看出，本发明获得的锂电池电势图可以看出，放电过程中电压变小、充电过程中电势变大，符合实际的充放电电势变化过程。从图4可以看出，放电倍率越大，电池的容量减小。从图5可知，电压与soc呈现非线性关系。从不同的变化趋势进一步表明本发明搭建的的锂电池充放电瞬态求解模型合理可靠，整个模型符合实际电池充放电测试的变化规律；且获得的数据集较比传统数据集冗余少，降低了格式的错误率，为降低后续模型的预测误差提供支撑。65.关于附图进一步描述如下：66.图2模拟了电池的一次完整的充放电过程，包含2000s放电—300s静置—2000s充电。67.图3为电池在该次充放电过程中为恒流充放电充电期间电流恒定保持17.5a/m2，放电期间保持恒定电流-17.5a/m2。68.图4为电池分别在4个不同放电倍率下的电池电压-容量图，描述了在0.1c、1c、2c、4c放电过程中，电池的容量随着随着放电倍率增加在逐渐减小69.图5为电池放电过程中soc与电压的关系图70.要说明的是，图2～图5均为在多物理仿真平台comsol中获得的，也是锂电池样本数据集的来源之一。71.根据本发明实施例的另一方面，还提供了一种动力锂电池的样本数据集生成装置，包括：72.用于搭建锂电池充放电瞬态求解模型的模块；73.第一获得模块，用于依据搭建的锂电池充放电瞬态求解模型，获得锂电池电势图、电流密度分析图以及电池不同倍率性能分析图；74.第二获得模块，用于导出锂电池电势图、电流密度分析图以及电池不同倍率性能分析图对应的数据；对导出的数据进行预处理，获得锂电池样本数据集。75.实施例2：如图6-8所示，一种动力锂电池的soc估计方法，包括：76.s1、构建训练集和测试集；将上述中任一项所述动力锂电池样本数据集生成方法获得的锂电池样本数据集按照8：2划分为训练集和测试集；或者采用公开锂电池样本数据集/现场采集的锂电池样本数据集按照8：2划分为训练集和测试集；锂电池样本数据集包括soc值、温度值、放电倍率及不同放电倍率下的电压数据；77.s2、lstm网络的确定，将温度值、放电倍率及不同放电倍率下的电压数据确定为lstm网络的输入，将soc值作为lstm网络的输出；其中，lstm网络包括输入层、隐含层、全连接层、输出层；78.s3、对lstm网络进行超参数设置；超参数包括隐含层神经元数is、最大迭代次数maxpochs、初始学习速率ir、学习下降率因子irdf；79.s4、用训练集预训练lstm网络，结合测试集反馈的预测结果不断调整lstm网络超参数，直至确定最佳超参数区间；根据误差在设置值以内确定的超参数区间为最佳超参数区间，如设置值取10％；80.s5、通过ba算法寻找最佳超参数区间中的最优超参数组合，完成仿真预测。81.进一步地，可以设置所述通过ba算法寻找最佳超参数区间中的最优超参数组合，包括：82.s51、进行ba参数初始化；即初始化频率、脉冲、响度参数；83.s52、通过ba算法不断迭代寻优输出最优适应度值，找出最优超参数组合。84.图6为循环神经网络lstm的网络模型，包含了输入层、lstm隐含层、全连接层和输出层。85.图7为lstm隐含单元的具体展开图，其中相较一般循环神经网络的隐含层增加了遗忘门ft，输入门it和输出门ot，通过门的控制对细胞状态ct添加或删除信息，让信息有选择性的通过，使相关信息在序列中传递下去，因而早期时间步长的信息也能携带到后期时间步长的细胞中去。86.图8中在lstm网络预训练后，通过蝙蝠算法对其超参数进行迭代寻优后，达成两种算法融合的电池soc估计流程。87.在步骤s5中，蝙蝠算法中蝙蝠的维度d根据下式计算：88.d＝n*p+p+p*q+qꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)89.其中，n、p、q分别表示lstm网络的输入层、隐含层和输出层的神经元数量；90.在步骤s5中，实验使用的适应度函数为lstm的损失函数，根据下式计算：[0091][0092]其中，yi分别表示期望输出与训练集的实际输出。[0093]在步骤s5中，在蝙蝠算法的模拟过程中，频率根据目标猎物的大小而变化，从而影响波长λ的大小，波长的范围与猎物的大小范围一致。对于在位置xi以速度vi飞行的蝙蝠，在d维空间中，第i只蝙蝠在t时刻的位置与速度为：[0094]f(t)＝fmin+(fmax-fmin)βꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(3)[0095][0096][0097]式中：β∈[-1,1]是一个随机向量，x*是t时刻的全局最优解。在局部搜索时，一旦在当前最佳解中选择一个解，将采用随机游走的方式生成新的局部解：[0098]xnew＝xold+εatꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0099]式中：ε∈[0,1]是一个随机数，at是同一代的整个群体的平均响度。[0100]在捕猎过程中，蝙蝠会根据猎物的方位不断调整声波的响度和频率来提高捕食效率。蝙蝠i的声波响度和频率为：[0101][0102][0103]式中：为声波响度，rit+1为频率；α为声波响度衰减系数且α∈(0,1)；γ》0，为脉冲频度增强系数；ri0为蝙蝠i的初始脉冲频率。当且仅当蝙蝠的位置被优化后，脉冲的响度和频度才会更新示蝙蝠正在朝最佳位置移动。[0104]通过统一模型评价指标平均绝对误差mae、方根误差mse、均方根误差rmse进行性能评价。误差越小，表示锂电池soc估算精度越高。[0105]其中，锂电池soc估计的性能指标值如下：[0106][0107][0108][0109]锂离子电池数据存在从正向到未来的长期序列相关性，鉴于其复杂的动力学特性和时变特性，使得锂离子电池在soc估计的时间依赖性方面变得困难。显然本发明采用ba+lstm更适应于锂离池电池数据。本发明将ba和lstm结合在一起，通过利用蝙蝠算法的全局搜索能力来获取lstm的最优超参数组合，解决了大范围的参数调优在一定程度上增加了训练时间以及计算成本，更甚者会因无法找到最优超参数组合而导致模型预测精度低的问题；打破了传统的不能采用“只向优于当前位置的解移动”这一方式，在采用随机行为的同时，保证了算法的全局搜索性能。[0110]综上所述，本发明引入蝙蝠算法，设计迭代优化流程，得到优化后的超参数组合，将更新后的超参数输入网络，从而对锂电池soc进行估算。本发明能够适用于不同材料的锂电池，一方面减少了模型计算量，另一方面可以在一定程度上提高了模型预测性能，使得对电池soc的估计精度较高，具有更高的自适应性。[0111]根据本发明实施例的另一方面，还提供了一种动力锂电池的soc估计系统，包括：[0112]构建模块，用于依据锂电池样本数据集，构建训练集和测试集；[0113]lstm网络确定模块，用于将温度值、放电倍率及不同放电倍率下的电压数据确定为lstm网络的输入，将soc值作为lstm网络的输出；其中，lstm网络包括输入层、隐含层、全连接层、输出层；[0114]设置模块，用于对lstm网络进行超参数设置；超参数包括隐含层神经元数、最大迭代次数、初始学习速率、学习下降率因子；[0115]确定模块，用于用训练集预训练lstm网络，结合测试集反馈的预测结果不断调整lstm网络超参数，直至确定最佳超参数区间；[0116]寻找模块，用于通过ba算法寻找最佳超参数区间中的最优超参数组合。[0117]上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。[0118]在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。[0119]上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!