CN115079008A

CN115079008A - 计及应力影响的软包锂离子电池soc估计方法及系统

Info

Publication number: CN115079008A
Application number: CN202210735862.3A
Authority: CN
Inventors: 龚莉莉; 谈鹏; 张志远; 孙凯; 李雪研
Original assignee: University of Science and Technology of China USTC
Current assignee: University of Science and Technology of China USTC
Priority date: 2022-06-27
Filing date: 2022-06-27
Publication date: 2022-09-20

Abstract

本发明提供了计及应力影响的软包锂离子电池SOC估计方法及系统，包括如下步骤：设计多因素应力测量实验，获得软包锂离子电池应力变化规律；基于所述软包锂离子电池应力变化规律，获得预设工况下软包锂离子充放电过程中的运行参数，并对所述运行参数进行归一化处理；基于长短期记忆神经网络建立软包锂离子电池SOC估计模型；基于归一化处理后的所述运行参数和所述软包锂离子电池SOC估计模型，获得SOC估计值。本发明在SOC估计时考虑了应力对电池的影响，能够更加接近软包电池实车应用时的真实场景，提高了SOC估计的准确性。

Description

计及应力影响的软包锂离子电池SOC估计方法及系统

技术领域

本发明属于新能源汽车电池管理技术领域，尤其涉及计及应力影响的软包锂离子电池SOC估计方法及系统。

背景技术

为应对全球日益严峻的能源和环境危机，各国政府正大力发展新能源汽车。作为新能源汽车的关键组成部分，动力电池的特性对新能源汽车的使用性能有着重要影响。荷电状态(state of charge,SOC)估计是动力电池管理技术中最基本、最重要的功能之一。准确的动力电池SOC估计有利于预防电池过度充放电，降低动力电池失效风险，延长动力电池使用年限。随着人们对动力电池安全性能、循环性能以及外形重量等要求的提高，越来越多的软包锂离子电池被使用在新能源汽车上。

与金属外壳锂离子电池相比，软包锂离子电池的性能在新能源汽车实际运行中受更多因素的影响。除环境温度和放电倍率外，外部机械载荷造成的应力变化给电池运行带来的影响也不可忽视。在以往的研究中，SOC估计方法主要分为两大类，即以安时计量法为主的无模型SOC估计方法和以扩展卡尔曼滤波法为主的有模型SOC估计方法。然而大多数的工作以金属外壳锂离子电池为研究对象，采用的SOC估计方法并未计及应力因素的影响。实际上，锂离子电池是一个电-热-力耦合的系统，三者共同影响着电池充放电过程中SOC状态的变化。未计及应力作用的SOC估算方法忽略了软包锂离子电池内部的复杂反应，降低了SOC估计的准确度。

发明内容

为解决上述技术问题，本发明提出计及应力影响的软包锂离子电池SOC估计方法及系统，在SOC估计时考虑了应力对电池的影响，能够更加接近软包电池实车应用时的真实场景，提高了SOC估计的准确性。

一方面为实现上述目的，本发明提供了计及应力影响的软包锂离子电池SOC估计方法，包括如下步骤：

获得软包锂离子电池应力变化规律；

基于所述软包锂离子电池应力变化规律，获得预设工况下软包锂离子电池充放电过程中的运行参数，并对所述运行参数进行归一化处理；

基于长短期记忆神经网络建立软包锂离子电池SOC估计模型；

基于归一化处理后的所述运行参数和所述软包锂离子电池SOC估计模型，获得SOC估计值。

可选地，获得软包锂离子电池应力变化规律的过程为：

在不同初始预应力、不同放电倍率、不同初始SOC下，分别测量软包锂离子电池充放电过程中的应力数据；

基于所述软包锂离子电池充放电过程中的数据，获得软包锂离子电池应力变化规律。

可选地，所述运行参数包括：软包锂离子电池充放电过程中的电压、电流和应力。

可选地，对所述运行参数进行归一化处理的过程为：

基于Min-Max归一化方法对所述运行参数进行归一化处理，计算公式如下：

其中，D表示电池运行参数，D_t表示t时刻的数据，D_min表示输入参数的最小值，D_max表示输入参数的最大值。

可选地，所述长短期记忆神经网络结构包括输入门、遗忘门、输出门、状态单元和LSTM结果，相关计算公式如下：

式中，x_t为t时刻对应的输入量；i_t、f_t、o_t、c_t、h_t分别为输入门、遗忘门、输出门、状态单元和LSTM结果；W_i、W_f、W_c、W_o和b_i、b_f、b_c、b_o分别为各个门权重矩阵和偏置项；σ为隐藏层中Sigmoid激活函数。

可选地，基于归一化处理后的所述运行参数和所述软包锂离子电池SOC估计模型，获得SOC估计值的过程为：

基于归一化处理后的所述运行参数，获得数据集，并将所述数据集划分为训练集和测试集；

基于所述训练集对所述软包锂离子电池SOC估计模型进行训练，基于所述测试集对训练好的所述软包锂离子电池SOC估计模型进行测试，获得SOC估计值。

另一方面为实现上述目的，本发明提供了计及应力影响的软包锂离子电池SOC估计系统，包括：第一获得模块、第二获得模块、模型构建模块和SOC估计模块；

所述第一获得模块用于获得软包锂离子电池应力变化规律；

所述第二获得模块用于基于所述软包锂离子电池应力变化规律，获得预设工况下软包锂离子电池充放电过程中的运行参数，并对所述运行参数进行归一化处理；

所述模型构建模块用于基于长短期记忆神经网络建立软包锂离子电池SOC估计模型；

所述SOC估计模块用于基于归一化处理后的所述运行参数和所述软包锂离子电池SOC估计模型，获得SOC估计值。

与现有技术相比，本发明具有如下优点和技术效果：

本发明提出了计及应力影响的软包锂离子电池SOC估计方法及系统，考虑了电池在充放电过程中的力学特性，所建立基于LSTM循环神经网络的SOC估计模型在电压、电流等常规电气测量参数外，还增加了应力特性数据，能够充分捕捉软包锂离子电池实际运行环境参数，提高了SOC估计的准确性。本发明提出的软包锂离子电池SOC估计方法是一种基于数据驱动的建模方法，无需辨识电池内部各电化学参数，具有广阔的工程应用前景。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例一的计及应力影响的软包锂离子电池SOC估计方法流程示意图；

图2为本发明实施例一的长短期记忆神经网络单元示意图；

图3为本发明实施例一的长短期记忆神经网络结构示意图；

图4为本发明实施例一的长短期记忆神经网络应用于软包锂离子电池恒流测试工况下SOC估计效果图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

如图1所示，本发明提供了计及应力影响的软包锂离子电池SOC估计方法，包括如下步骤：

S1：选定待测软包电池，在所设定的标准环境下进行软包锂离子电池容量特性实验，设计多因素应力测量实验，分析初始预应力、放电倍率、荷电状态等因素对电池应力变化的影响规律：

选定待测软包电池，在所设定的标准环境下进行软包锂离子电池容量特性实验。以0.5C电流恒流充电到充电截止电压4.25V，再以恒压方式充电直至电流低于0.05C，静置1小时，然后以0.5C电流放电至截止电压2.5V，静置1小时。重复上述实验步骤，连续进行多次容量测试，计算多次容量的平均值。

设计软包锂离子电池应力测量实验，在不同初始预应力、不同放电倍率、不同初始SOC三种情景下分别测量电池充放电过程中的应力数据，进而分析初始预应力、放电倍率、荷电状态等因素对电池应力变化的影响规律。

S2：采集预设工况下软包锂离子充放电过程中的电压、电流、应力等运行参数，对采集的数据进行归一化处理；

采集软包锂离子充放电过程中的电压、电流、应力等运行参数，基于Min-Max归一化方法对采集的数据进行归一化处理，计算公式如下：

其中，D表示电池运行参数(电压、电流、应力值中的任意一个)，D_t表示t时刻的数据，D_min表示输入参数的最小值，D_max表示输入参数的最大值。

S3：采用长短期记忆神经网络构建软包锂离子电池SOC估计模型：

采用长短期记忆神经网络(LSTM)构建软包锂离子电池SOC估计模型。LSTM是一种强大的时间序列模型，可以通过自身学习调整网络权重和偏置等参数，将测量所得电压、电流、压力等信息与电池SOC建立映射关系。LSTM的循环单元结构如图2所示，包括了输入门、遗忘门、输出门、状态单元和LSTM结果，这些组成部分分别用于更新或丢弃历史信息，使LSTM具备了长期记忆能力，相关计算公式如下：

式中，x_t为t时刻对应的输入量；i_t、f_t、o_t、c_t、h_t分别为输入门、遗忘门、输出门、状态单元和LSTM结果；W_i、W_f、W_c、W_o和b_i、b_f、b_c、b_o分别为各个门权重矩阵和偏置项；σ为隐藏层中sigmoid激活函数。其中sigmoid函数和tanh函数可分别表示为

和

LSTM网络结构如图3所示，由多个结构完全相同的循环单元组成，上一个单元的输出作为下一单元的输入。

S4：基于软包锂离子电池充放电运行数据对所采用神经网络进行训练，将验证数据集输入至训练好的神经网络模型，计算SOC估计值。

基于归一化的软包锂离子电池充放电运行数据对循环神经网络进行训练，获得软包锂离子电池SOC估计的最优模型。基于LSTM循环神经网络的电池SOC预测模型训练步骤如下：

步骤1：设置隐含层神经元个数、学习速率、最大迭代次数、LSTM细胞核个数和时间步长，迭代次数设为0；

步骤2：初始化网络权重和偏置，迭代次数加1；

步骤3：网络进行前向传播，计算隐含层和输出层的输出；

步骤4：网络进行反向传播，计算隐含层和输出层的输出误差并对其求偏导；

步骤5：利用反向传播求出的偏导，基于Adam优化方法更新网络权重和偏置；

步骤6：判断是否到达最大迭代次数，若是，则转下一步，否则，转步骤2；

步骤7：输出结果。

将验证数据集输入至训练好的神经网络模型，计算SOC估计值。利用LSTM循环神经网络可以在不同工况环境下、不同输入参数变量、不同电池种类下得出不同的网络参数模型，只需采样获得一定量的训练数据。

下面列举案例进行验证分析。以国轩公司生产的某型软包锂离子电池为实验对象，该电池单元参数如下：电池额定电压3.55V，容量特性实验获得的电池最大可用容量为13.6Ah，最大充电电压4.25V，放电截止电压2.5V，运行温度0～40℃。为获取电池放电数据用以训练和验证LSTM循环神经网络，电池以4.25V/13.6A充电模式进行充电，如果电池电压保持在4.25V，充电电流降至680mA，则表示电池已充满。充电结束后，将电池在室温下静置1h，然后以13.6A对电池进行1C放电，直至电池电压下降至2.5V，将电池再次静置1h，重新进行充放电实验，并记录数据。在室温环境下，对电池重复充放电8次，获得8组数据。选取其中7组放电数据作为LSTM循环神经网络的训练集，剩下的1组放电数据作为测试集。使用本发明所述的一种计及应力影响的软包锂离子电池SOC估计方法在室温下预测某型软包锂离子电池恒流放电工况下的SOC，预测值与实际值的对比如图4所示。由图可以看出，软包锂离子电池的SOC预测值与实际值曲线在恒流放电工况下具有较高的贴合度。引入均方根误差(RMSE)评价某型软包锂离子电池的SOC预测精度。RMSE直观地展现了预测值与真实值的误差大小，计算公式如下：

式中：K为测试样本个数；h(k)为软包锂离子电池SOC实际值；

为软包锂离子电池SOC预测值。预测结果的均方根误差为5.263e-05，具有比较精确的预测结果。

实施例二

本发明还提供了计及应力影响的软包锂离子电池SOC估计系统，包括：第一获得模块、第二获得模块、模型构建模块和SOC估计模块；

第一获得模块用于设计多因素应力测量实验，获得软包锂离子电池应力变化规律；

第二获得模块用于基于软包锂离子电池应力变化规律，获得预设工况下软包锂离子电池充放电过程中的运行参数，并对运行参数进行归一化处理；

模型构建模块用于基于长短期记忆神经网络建立软包锂离子电池SOC估计模型；

SOC估计模块用于基于归一化处理后的运行参数和软包锂离子电池SOC估计模型，获得SOC估计值。

以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。