一种LSTM网络辅助卡尔曼滤波SOC估算方法

摘要

本发明公开了一种LSTM网络辅助卡尔曼滤波SOC估算方法，该方法通过工况训练后的LSTM网络，调整自适应无迹卡尔曼滤波估算中的SOC的Sigma点，提高自适应无迹卡尔曼滤波SOC算法的精确性和稳定性；本发明提高了不同温度和不同工况下，自适应无迹卡尔曼滤波SOC算法估算精度和稳定性。

权利要求

1.一种LSTM网络辅助卡尔曼滤波SOC估算方法，其特征在于，所述方法包括以下步骤：步骤A对动力电池模组进行HPPC工况测试以及模拟电池模组在多种电动汽车行驶工况下进行充放电，使用充放电设备对动力电池模组充放电电流、端电压和电池表面平均温度进行采集；

步骤B利用多项式拟合方法，对HPPC工况下开路端电压OCV与对应SOC进行拟合，并采用最小二乘拟合递归方法辨识电池不同SOC下电池内部相关参数；

步骤C利用电池内部相关参数，构建动力电池自适应无迹卡尔曼滤波算法，将多种模拟行驶工况数据按照80％和20％分为训练集和测试集；

步骤D设置LSTM神经网络基本结构参数与训练参数，将模拟电池在多种电动汽车行驶工况数据输入LSTM神经网络中训练，利用测试集调整LSTM神经网络基本结构参数，使LSTM神经网络估算SOC平均绝对误差与测试集估算SOC平均绝对误差不超过2％；

步骤E利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，使测试集数据估算SOC平均绝对误差小于1％；

所述步骤E中对估算状态中各分量的调整包括对状态分量均值的调整，其中，对分量均值SOC的调整如下：k

ωLSTM＝(1‑b)/(1‑b)

其中， 为第k时刻调整后分量均值， 为k时刻前一秒卡尔曼滤波估算值，为k时刻前i秒LSTM神经网络预测值，ωLSTM、 分别为LSTM网络预测值和卡尔曼滤波算法修正权重，b为k时刻最终衰减终值；

所述电池不同SOC下电池内部相关参数包括欧姆内阻R0、电化学极化内阻R1、浓度极化内阻R2、极化电容C1和浓度极化电容C2；

所述步骤E中，调整自适应无迹卡尔曼滤波算法中估算状态中各分量包括调整状态分量均值中的U1，U2分量，ΔU1、ΔU2调整量计算公式如下：

1 1

其中，Imax、Imin分别为电池额定工作最大、最小电流值；Rmax、Rmin分别为电池内部相关

2 2

参数中电化学极化内阻R1测量最大值和最小值；Rmax、Rmin分别为电池内部相关参数中浓度极化内阻R2测量最大值和最小值, 为第k时刻调整后分量均值， 为k时刻前一秒卡尔曼滤波估算值。

2.如权利要求1所述的LSTM网络辅助卡尔曼滤波SOC估算方法，其特征在于，所述步骤E中调整自适应无迹卡尔曼滤波算法中估算状态中各分量还包括状态分量调整后均值中的* * *SOC、U1,U2分量调整如下：

*

U1＝U1+ΔU1

*

U2＝U2+ΔU2

其中， 为第k时刻调整后分量均值，U1为调整前估计状态均值，U2为调整前状态分* *量均值，U1为电化学极化电压，U2为浓度极化电压。

说明书

一种LSTM网络辅助卡尔曼滤波SOC估算方法

技术领域

[0001] 本发明涉及电池管理系统技术领域，尤其涉及一种LSTM网络辅助卡尔曼滤波SOC估算方法。

背景技术

[0002] 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。

[0003] 目前国内动力电池的SOC预测方法主要分为安时积分法、等效电路模型法、黑箱模型法。等效电路模型法中自适应无迹卡尔曼滤波算法，在车载动力电池管理系统中得到较为广泛应用。但在负载变化较大的工况下，自适应无迹卡尔曼滤波算法中，SOC估算结果发生不收敛现象。滤波算法递归过程中，协方差变为非正定矩阵等情况。而黑箱模型中，深度学习网络LSTM对动力电池SOC估算结果虽平均绝对误差MAE较大，但其结果SOC估算值波动方差较大。

[0004] 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，提供了一种用于估算下一时刻动力电池荷电状态值，预测精度高，训练时长短。所述训练集采用样本为电池恒电流工况放电充电数据。但对随机工况下电池荷电状态估算值误差值波动较大、稳定性较差等问题未提出有效解决方案。而本专利采用循环神经网络辅助自适应无迹卡尔曼滤波的方法，在电池随机充放电功率变化下，提升动力电池荷电状态估算准确性和稳定性。

[0005] 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。该发明首先通过滑动窗口算法改进通过数次试验得到的电池外部参数数据以及此时对应的SOC值共同组成的数据集，然后通过改进的循环神经网络即长短时记忆网络方法建立动力电池SOC估算模型，通过试验反复验证得到网络层函数以及梯度调整方法，最后通过设置不同的学习率验证模型的预测结果。本发明可以准确的预测下一时刻SOC值，并且预测精度高，训练时长较短。但该发明未对电池充放电数据作出要求，对随机工况下电池荷电状态估算值容易发生误差值波动较大、稳定性较差等问题。

发明内容

[0006] 为解决上述技术问题，本发明的目的是提供一种LSTM网络辅助卡尔曼滤波SOC估算方法，提高了自适应卡尔曼滤波算法估算准确性与稳定性。本发明采用LSTM网络辅助自适应卡尔曼滤波算法对其中Sigma点进行调整，有利于减小过度依赖黑箱模型而老化过程无法顾及的影响，同时解决了初始值设置偏差较大下滤波算法发散的问题。

[0007] 本发明的目的通过以下的技术方案来实现：

[0008] 一种LSTM网络辅助卡尔曼滤波SOC估算方法，包括以下步骤：

[0009] 步骤A对动力电池模组进行HPPC工况测试以及模拟电池模组在多种电动汽车行驶工况下进行充放电，使用充放电设备对动力电池模组充放电电流、端电压和电池表面平均温度进行采集；

[0010] 步骤B利用多项式拟合方法，对HPPC工况下开路端电压OCV与对应SOC进行拟合，并采用最小二乘拟合递归方法辨识电池不同SOC下电池内部相关参数；

[0011] 步骤C利用电池内部相关参数，构建动力电池自适应无迹卡尔曼滤波算法，将多种模拟行驶工况数据按照80％和20％分为训练集和测试集；

[0012] 步骤D设置LSTM神经网络基本结构参数与训练参数，将模拟电池在多种电动汽车行驶工况数据输入LSTM神经网络中训练，利用测试集调整LSTM神经网络基本结构参数，使LSTM神经网络估算SOC平均绝对误差与测试集估算SOC平均绝对误差不超过2％；

[0013] 步骤E利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，使测试集数据估算SOC平均绝对误差小于1％。

[0014] 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：

[0015] LSTM网络辅助无迹卡尔曼滤波算法Sigma点调整提高了自适应无迹卡尔曼滤波算法的准确性和稳定性，减小了自适应无迹卡尔曼滤波算法初始状态过渡过程的误差值。

附图说明

[0016] 图1是LSTM网络辅助卡尔曼滤波SOC估算方法实现流程图；

[0017] 图2是HPPC电池工况下端电压与电流测试图；

[0018] 图3是某SOC下HPPC工况下开路端电压OCV与对应SOC拟合曲线图；

[0019] 图4是某SOC下HPPC工况辨识电池参数拟合曲线图；

[0020] 图5是是辨识动力电池R0的曲线；

[0021] 图6是训练网络与测试网络所用电池功率工况充放电曲线图；

[0022] 图7是LSTM预测网络结构框架图；

[0023] 图8是LSTM网络辅助自适应卡尔曼滤波算法SOC预测结果误差对比图。

具体实施方式

[0024] 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。

[0025] 如图1所示，为LSTM网络辅助卡尔曼滤波SOC估算方法实现流程，包括：控制动力电池在不同工况下进行HPPC工况与模拟工况测试、利用多项式拟合方法辨识电池内部相关参数、设置LSTM神经网络基本结构参数与训练参数训练网络、利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，提高算法精度、稳定性。

[0026] 具体包括如下步骤：

[0027] 步骤10控制温度控制箱在10℃、25℃、40℃下，对动力电池模组进行HPPC工况测试以及模拟电池模组在多种电动汽车行驶工况下进行充放电，使用充放电设备对动力电池模组充放电电流、端电压和电池表面平均温度进行采集。图2为HPPC电池工况下端电压与电流测试图。

[0028] 步骤E利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，使测试集数据估算SOC平均绝对误差小于1％

[0029] 步骤20利用多项式拟合方法，对HPPC工况下开路端电压OCV与对应SOC进行拟合，图3为某SOC下HPPC工况下开路端电压OCV与对应SOC拟合曲线图。

[0030] OCV(soc)＝a0+a1soc+a2soc1+a3soc2+a4soc3+a5soc4+a6soc5+a7soc6[0031] 其中，a0、a1、…、a7为多项式拟合参数。

[0032] 采用最小二乘拟合递归方法辨识电池不同SOC下电池内部相关参数：欧姆内阻R0、电化学极化内阻R1、浓度极化内阻R2、极化电容C1和浓度极化电容C2。利用一下公式拟合零响应曲线获取电池相关参数：

[0033]

[0034] 图4为某SOC下HPPC工况辨识电池参数拟合曲线图，电化学极化内阻R1、浓度极化内阻R2、极化电容C1和浓度极化电容C2内部参数。图5为辨识动力电池R0的曲线。获取图中标点的位置电压与电流

[0035]

[0036] 其中，ΔU为所标星点与圈点电压差值，Ipulse为HPPC工况放电电流大小。

[0037] 步骤30利用辨识所得电池内部相关参数，构建动力电池自适应无迹卡尔曼滤波算法，将多种模拟行驶工况数据按照80％和20％分为训练集和测试集；

[0038]

[0039] Ud(t)＝OCV(soc)‑u1(t)‑u2(t)‑i(t)R0

[0040] 其中，Ud(t)为t时刻卡尔曼滤波模型对端电压估计值；u1、u2分别为电化学极化内阻估计电压和浓度极化内阻估计电压值；

[0041]

[0042]

[0043] X(i)为k时刻第i个Sigma点的状态向量；n为状态向量个数；λ为缩放比例参数，用来降低总的预测误差，α、β为选取控制采样点的分布状态，P(k|k)为Sigma点集k时刻状态变量协方差矩阵；

[0044]

[0045] X(i)(k|k)为一步预测前，k时刻sigma点中的第i个点；

[0046] X(i)(k+1|k)＝F[X(i)(k|k),u(k)]

[0047] 其中，X(i)(k+1|k)为k时刻对前向k+1时刻第i个Sigma点状态向量的一步预测；F[]为递归的状态方程；

[0048]

[0049] P(k|k+1)为一步预测及协方差矩阵，w(i)为Sigma点集预测值权值大小。

[0050]

[0051] X(i)(k+1|k)为k时刻向前一步预测状态向量的第i个Sigma点；

[0052] Z(i)(k+1|k)＝h[X(i)(k+1|k)]

[0053]

[0054]

[0055]

[0056] 其中，Z(i)(k+1|k)为X(i)(k+1|k)一步预测状态向量第i个Sigma点的观测值，h[]为递归的观测方程； 为观测值之间协方差矩阵； 为观测值与状态值协方差矩阵；

[0057]

[0058]

[0059]

[0060] K(k+1)为卡尔曼滤波增益矩阵，初始值P0＝[0.001,0,0；0,0.001,0；0,0,0.001],Q0＝[0.00001,0,0；0,0.00001,0；0,0,0.00001],R为0.01，完成设置后对被测电池进行卡尔曼滤波SOG递归估算；

[0061] 步骤40设置LSTM神经网络基本结构参数与训练参数，将模拟电池在多种电动汽车行驶工况数据输入LSTM神经网络中训练，利用测试集调整LSTM神经网络基本结构参数，使LSTM神经网络估算平均绝对误差与测试集估算平均绝对误差不超过2％。图6为训练网络与测试网络所用电池功率工况充放电曲线图。

[0062] 设置网络相关参数，迭代次数Epoch为500；批大小batch为500；初始回顾时间序列长度LookBack为100；学习率lr为0.001；循环层失活概率dropout为0.5；输入维度3；传递方向个数1；将训练集输入未训练网络，计算网络前向传播估计值SOC；图7为LSTM预测网络结构框架图。

[0063] S41前向传播过程：遗忘门、输入门、输出门

[0064] x(t)＝[Vt,It,Tt]T

[0065]

[0066]

[0067]

[0068]

[0069]

[0070]

[0071] 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。

[0072] S42计算损失值

[0073]

[0074] 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batch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，LookBack为回顾时间序列长度。

[0075] S43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

[0076]

[0077]

[0078]

[0079]

[0080]

[0081] ωt+1＝ωt+Δθt

[0082] 其中，mt、nt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，▽L(ω)表示损失函数对ω的梯度，ωt+1表示更新后的权值，t代表训练步数。

[0083] 步骤50利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，使测试集数据估算SOC平均绝对误差小于1％：

[0084] S51利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，对估算状态中各分量的调整包括对状态分量均值的调整，其中，对分量均值SOC的调整如下：

[0085]

[0086] ωLSTM＝(1‑b)/(1‑bk)

[0087]

[0088] 其中， 为第k时刻调整后分量均值， 为k时刻前一秒卡尔曼滤波估算值， 为k时刻前i秒LSTM神经网络预测值，ωLSTM、 分别为LSTM网络预测值和卡尔曼滤波算法修正权重，b为k时刻最终衰减终值，设置为0.95。

[0089] S52利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，调整其中状态分量均值中的U1,U2分量，ΔU1、ΔU2调整量计算公式如下：

[0090]

[0091]

[0092]

[0093] 其中，Imax、Imin分别为电池额定工作最大、最小电流值；R1max、R1min分别为电池内部2 2
相关参数中电化学极化内阻R1测量最大值和最小值；Rmax、Rmin分别为电池内部相关参数中浓度极化内阻R1测量最大值和最小值；

[0094] S53利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状* * *态中各分量，其中状态分量调整后均值中的SOC、U1,U2分量调整如下：

[0095]

[0096] U1*＝U1+ΔU1

[0097] U2*＝U2+ΔU2

[0098] 其中，图8为LSTM网络辅助自适应卡尔曼滤波算法SOC预测结果误差对比图。

[0099] 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。