一种电池状态估计方法

摘要

本发明提供一种电池状态估计方法，其基于电池的混合物理模型设计深度神经网络，并在深度神经网络的隐藏层至输出层之间设置综合分析层，对隐藏层的输出进行综合分析，以融合电池的多种物理特性和工作原理，对各模型的训练输出结果进行相互验证修订，其中，训练出的电池状态估计模型包括电池的等效电路模型、热动力学模型和老化模型，可同时获得的电池估计状态包括电池的剩余容量、健康状态、充放电曲线和温度分布。本发明提供的电池状态估计方法可通过综合分析层可对各模型和估计状态的数据进行相互验证修订，有效地提高了训练好的电池状态估计模型对电池状态的估计准确性，为电动汽车的电池管理提供了便利，提高了电动汽车的运行可靠性。

权利要求

1.一种电池状态估计方法，其特征在于，包括：

根据电池的物理特性和工作原理建立电池的混合物理模型，以根据所述混合物理模型构建深度神经网络，所述混合物理模型包括等效电路模型、热动力学模型和老化模型；

获取数据样本，根据所述数据样本训练所述深度神经网络，以获得电池状态估计模型；

获取电池当前状态数据，所述电池当前状态数据包括电压、电流以及温度，将所述电池当前状态数据输入至所述电池状态估计模型以通过所述电池状态估计模型同时输出电池的估计状态，所述估计状态包括剩余容量、健康状态、充放电曲线和温度分布；

以及，根据所述电池状态估计模型提取可解释性特征，并根据所述可解释性特征获得所述电池的老化影响因素；

其中，所述深度神经网络包括隐藏层、输出层以及设于所述隐藏层与所述输出层之间的综合分析层，所述综合分析层用于对所述隐藏层中各子网的输出项进行综合分析，以对各模型和估计状态的数据进行相互验证修订，融合所述电池的物理特性和工作原理，增强所述电池状态估计模型的准确性；

所述隐藏层的输出项包括数据、模型和特征；

所述数据包括所述电池的物理量和状态量，所述综合分析层对所述数据的综合分析包括归一化、标准化、降维、聚类处理；

所述模型包括训练后的所述等效电路模型、热动力学模型和老化模型，所述综合分析层对所述模型的综合分析包括加权、融合、剪枝、正则化处理；

所述特征包括表征所述电池的内部特征的时空特征、频域特征、统计特征，所述综合分析层对所述特征的综合分析包括组合、变换、选择、降噪处理；

所述可解释性特征还提供至所述综合分析层，所述综合分析层对所述可解释性特征的综合分析包括整合、推广、验证、修正处理。

2.根据权利要求1所述的电池状态估计方法，其特征在于，在根据所述数据样本训练所述深度神经网络的步骤之前，还包括：将训练好的相似电池状态估计模型中的权重数据，作为所述深度神经网络的初始权重数据，迁移至所述深度神经网络中。

3.根据权利要求1所述的电池状态估计方法，其特征在于，根据所述数据样本训练所述深度神经网络的步骤还包括：对所述数据样本进行增强扩充，以增加所述数据样本的数量。

4.根据权利要求1所述的电池状态估计方法，其特征在于，根据所述数据样本训练所述深度神经网络的步骤还包括：在所述深度神经网络中同时执行多个学习训练任务，其中，多个所述学习训练任务至少包括SOC估计训练、SOH估计训练、充放电曲线预测训练。

5.根据权利要求1所述的电池状态估计方法，其特征在于，根据所述数据样本训练所述深度神经网络的步骤还包括：根据多种电池的数据样本和元学习技术训练所述深度神经网络，以获得具有学习能力的深度神经网络；

根据目标电池的数据样本训练所述具有学习能力的深度神经网络，以获得所述目标电池的电池状态估计模型。

6.根据权利要求1所述的电池状态估计方法，其特征在于，根据所述数据样本训练所述深度神经网络的步骤还包括：根据硬件加速器提高所述深度神经网络的训练速度。

7.根据权利要求1所述的电池状态估计方法，其特征在于，根据所述数据样本训练所述深度神经网络的步骤还包括：根据云计算将所述深度神经网络的训练数据上传至云端；

根据边缘计算对所述深度神经网络进行实时训练。

说明书

一种电池状态估计方法

技术领域

[0001] 本发明涉及汽车蓄电池管理技术领域，特别涉及一种电池状态估计方法。

背景技术

[0002] 锂离子电池作为一种清洁电源，因其能量密度高、自放电率低、体积小、使用寿命长、污染程度低而越来越受欢迎，特别是广泛应用于电动汽车、通信基站等多个领域。

[0003] 然而，锂离子电池在每次循环时自身的容量会不断衰退，电池容量降低将影响电动汽车的续航，如不能准确监测出电池的容量，可能造成电动汽车提前抛锚，影响驾驶体验和行车安全，因此对锂离子电池自身容量的估计和预测，对电动汽车的运行可靠性保障具有重要意义。

[0004] 在现有技术中，基于神经网络训练出电池状态估计模型，根据训练好的电池状态估计模型对电池的状态进行估计和预测，是电动汽车电池状态估计的常用方法，其中，锂离子电池模型可粗略分为经验模型、等效电路模型、电化学模型三种，在实际应用中，一般选择其中的一种模型进行预测，为提高预测的准确性，一般还通过增加模型训练的数据样本的数量，以提高模型预测的准确率，然而单模型预测的预测准确性依旧不足。

发明内容

[0005] 基于此，本发明的目的是提供一种电池状态估计方法，以提高电池状态估计的准确性，为电动汽车的电池管理提供便利，提高电动汽车的运行可靠性。

[0006] 本发明一方面提供一种电池状态估计方法，包括：

[0007] 根据电池的物理特性和工作原理建立电池的混合物理模型，以根据所述混合物理模型构建深度神经网络，所述混合物理模型包括等效电路模型、热动力学模型和老化模型；

[0008] 获取数据样本，根据所述数据样本训练所述深度神经网络以获得电池状态估计模型；

[0009] 获取电池当前状态数据，所述电池当前状态数据包括电压、电流以及温度，将所述电池当前状态数据输入至所述电池状态估计模型以通过所述电池状态估计模型输出电池估计状态，所述估计状态包括剩余容量、健康状态、充放电曲线和温度分布；

[0010] 其中，所述深度神经网络包括隐藏层、输出层以及设于所述隐藏层与所述输出层之间的综合分析层，所述综合分析层用于对所述隐藏层中各子网的输出项进行综合分析，以融合所述电池的物理特性和工作原理，增强所述电池状态估计模型的准确性；

[0011] 所述隐藏层的输出项包括数据和模型特征；

[0012] 所述数据包括所述电池的物理量和状态量，所述综合分析层对所述数据的综合分析包括归一化、标准化、降维、聚类处理；

[0013] 所述模型包括训练后的所述等效电路模型、热动力学模型和老化模型，所述综合分析层对所述模型的综合分析包括加权、融合、剪枝、正则化处理。

[0014] 可选地，所述隐藏层的输出项还包括特征，所述特征包括表征所述电池的内部特征的时空特征、频域特征、统计特征，所述综合分析层对所述特征的综合分析包括组合、变换、选择、降噪处理。

[0015] 可选地，在根据所述数据样本训练所述深度神经网络的步骤之前，还包括：

[0016] 将训练好的相似电池状态估计模型中的权重数据，作为所述深度神经网络的初始权重数据，迁移至所述深度神经网络中。

[0017] 可选地，根据所述数据样本训练所述深度神经网络的步骤还包括：

[0018] 对所述数据样本进行增强扩充，以增加所述数据样本的数量。

[0019] 可选地，根据所述数据样本训练所述深度神经网络的步骤还包括：

[0020] 在所述深度神经网络中同时执行多个学习训练任务，其中，多个所述学习训练任务至少包括SOC估计训练、SOH估计训练、充放电曲线预测训练。

[0021] 可选地，根据所述数据样本训练所述深度神经网络的步骤还包括：

[0022] 根据多种电池的数据样本和元学习技术训练所述深度神经网络，以获得具有学习能力的深度神经网络；

[0023] 根据目标电池的数据样本训练所述具有学习能力的深度神经网络，以获得所述目标电池的电池状态估计模型。

[0024] 可选地，根据所述数据样本训练所述深度神经网络的步骤还包括：根据硬件加速器提高所述深度神经网络的训练速度。

[0025] 可选地，根据所述数据样本训练所述深度神经网络的步骤还包括：

[0026] 根据云计算将所述深度神经网络的训练数据上传至云端；

[0027] 根据边缘计算对所述深度神经网络进行实时训练。

[0028] 可选地，还包括：根据所述电池状态估计模型提取可解释性特征，并根据所述可解释性特征获得所述电池的老化影响因素。

[0029] 可选地，所述可解释性特征还提供至所述综合分析层，所述综合分析层对所述可解释性特征的综合分析包括整合、推广、验证、修正处理。

[0030] 本发明提供的电池状态估计方法基于电池的混合物理模型设计深度神经网络，并在深度神经网络的隐藏层至输出层之间设置综合分析层，对隐藏层的输出进行综合分析，以融合电池的多种物理特性和工作原理，对各模型的训练输出结果进行相互验证修订，其中，训练出的电池状态估计模型包括电池的等效电路模型、热动力学模型和老化模型，可同时获得的电池估计状态包括电池的剩余容量、健康状态、充放电曲线和温度分布，通过综合分析层可对隐藏层的输出项进行综合分析，可对各模型和估计状态的数据进行相互验证修订，实现了混合物理模型的效能融合，有效地提高了训练好的电池状态估计模型对电池状态的估计准确性，为电动汽车的电池管理提供了便利，提高了电动汽车的运行可靠性。

附图说明

[0031] 图1为本发明实施例中的电池状态估计方法的主要流程示意图。

[0032] 如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

[0033] 为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

[0034] 需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

[0035] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。

[0036] 请参阅图1，所示本发明实施例中的电池状态估计方法的主要流程示意，其包括：

[0037] 步骤S01：根据电池的物理特性和工作原理建立电池的混合物理模型，以根据所述混合物理模型构建深度神经网络，所述混合物理模型包括等效电路模型、热动力学模型和老化模型。

[0038] 步骤S02：获取数据样本，根据所述数据样本训练所述深度神经网络以获得电池状态估计模型。

[0039] 步骤S03：获取电池当前状态数据，所述电池当前状态数据包括电压、电流以及温度，将所述电池当前状态数据输入至所述电池状态估计模型以通过所述电池状态估计模型输出电池估计状态，所述估计状态包括剩余容量、健康状态、充放电曲线和温度分布。

[0040] 其中，所述深度神经网络包括隐藏层、输出层以及设于所述隐藏层与所述输出层之间的综合分析层，所述综合分析层用于对所述隐藏层中各子网的输出项进行综合分析，以融合所述电池的物理特性和工作原理，增强所述电池状态估计模型的准确性。

[0041] 在实施例中，所述混合物理模型至少包括等效电路模型、热动力学模型和老化模型，对应获得的所述估计状态至少包括剩余容量（SOC，Stateofcharge）、健康状态（SOH，stateofhealth，可以理解为电池当前的最大容量与出厂最大容量的百分比）、充放电曲线和温度分布。

[0042] 本发明提供的电池状态估计方法基于电池的混合物理模型设计深度神经网络，并在深度神经网络的隐藏层至输出层之间设置综合分析层，对隐藏层的输出项进行综合分析，以融合电池的多种物理特性和工作原理，对各模型的训练输出结果进行相互验证修订，降低单模型的预测误差，提高最终输出的电池估计状态的准确性。且通过综合分析，可在不增加数据样本的情况下，提高训练后的模型的准确性，可降低样本采集成本。

[0043] 其中，深度神经网络可选为多层感知器、卷积神经网络、循环神经网络、图神经网络等，在一具体实施中，选择卷积神经网络，便于后续提取电池的时空特征，其中，需要提取时空特征的特征数据为本实施例获得的电池状态估计模型可提供的众多数据中的部分，对应可以选择将深度神经网络的部分子网络设计为卷积神经网络，各子网络节点还可根据对应的处理需求相应设计，最终的深度神经网络可以是混合神经网络。

[0044] 其中，电池的混合物理模型可以在Rint模型（电池等效电路）、Thevenin模型、P2D模型、SEI模型等具体电池模型中选用。

[0045] 在本实施例中，所述隐藏层的输出项包括数据、特征、模型。

[0046] 其中，所述数据包括所述电池的物理量和状态量，对所述数据的综合分析包括归一化、标准化、降维、聚类处理，在本实施例中，电池的物理量和状态量包括电池的电压、电流、温度、容量等。

[0047] 所述特征包括表征所述电池的内部特征的时空特征、频域特征、统计特征，对所述特征的综合分析包括组合、变换、选择、降噪处理。

[0048] 所述模型包括训练后的所述等效电路模型、热动力学模型和老化模型，对所述模型的综合分析包括加权、融合、剪枝、正则化处理。

[0049] 在本实施例中，在根据所述数据样本训练所述深度神经网络的步骤之前，还包括：将训练好的相似电池状态估计模型中的权重数据，作为所述深度神经网络的初始权重数据，迁移至所述深度神经网络中。

[0050] 其中，相似电池与目标电池为不同类型电池或不同品牌电池，化学电池存在一定的类似性，将训练好的相似电池状态估计模型迁移至目标电池的深度神经网络中，可有效缩短目标电池的深度神经网络的训练周期。

[0051] 在本实施例中，根据所述数据样本训练所述深度神经网络的步骤还包括：对所述数据样本进行增强扩充，以增加所述数据样本的数量。以降低数据样本需求量。

[0052] 其中，对所述数据样本进行增强扩充的具体操作包括旋转、缩放、裁剪、噪声添加等操作。

[0053] 在本实施例中，根据所述数据样本训练所述深度神经网络的步骤还包括：在所述深度神经网络中同时执行多个学习训练任务，其中，多个所述学习训练任务至少包括SOC估计训练、SOH估计训练、充放电曲线预测训练。

[0054] 其中，采用多任务学习技术同时执行多个学习训练任务，结合综合分析处理，可实现了任务间的知识共享和互相促进，提高训练速度和预测的准确性。

[0055] 在本实施例中，根据所述数据样本训练所述深度神经网络的步骤还包括：根据多种电池的数据样本和元学习技术训练所述深度神经网络，以获得具有学习能力的深度神经网络；根据目标电池的数据样本训练所述具有学习能力的深度神经网络，以获得所述目标电池的电池状态估计模型。

[0056] 其中，通过元学习技术扩充深度神经网路的学习能力，可提高深度神经网络的对新类型的锂离子电池的适用性，在将训练好的电池状态估计模型用于新类型的锂离子电池时，可降低再训练的训练周期，提高电池状态估计模型的实用性。

[0057] 在本实施例中，根据所述数据样本训练所述深度神经网络的步骤还包括：根据硬件加速器提高所述深度神经网络的训练速度。可降低训练周期。

[0058] 其中，硬件加速可选用GPU、TPU、FPGA等加速器，对应的软件架构可选用TensorFlow、PyTorch等框架。

[0059] 在本实施例中，根据所述数据样本训练所述深度神经网络的步骤还包括：根据云计算将所述深度神经网络的训练数据上传至云端，根据边缘计算对所述深度神经网络进行实时训练。通过实时训练和云端存储，可提高模型训练的测试实验效率，缩短训练测试周期，缩短研发周期。

[0060] 在本实施例中，还包括根据所述电池状态估计模型提取可解释性特征，并根据所述可解释性特征获得所述电池的老化影响因素。

[0061] 其中，例如利用LIME技术，通过对训练后的深度神经网络进行局部线性近似，分析每个输入特征对输出结果的贡献程度，或者根据SHAP（SHapley Additive exPlanations沙普利加和解释）技术，对训练后的深度神经网络进行基于博弈论的特征重要性评估。

[0062] 在电池老化分析中，对电池老化的影响因素主要包括温度、电流、电压等因素，其中，在一具体实施中，对训练好的电池状态估计模型进行局部线性近似，获得的电池老化影响因素可用于电池的工作调度优化。

[0063] 在本实施例中，所述可解释性特征还提供至所述综合分析层，对所述可解释性特征的综合分析包括整合、推广、验证、修正处理。

[0064] 本发明提供的电池状态估计方法基于电池的混合物理模型设计深度神经网络，并在深度神经网络的隐藏层至输出层之间设置综合分析层，对隐藏层的输出进行综合分析，以融合电池的多种物理特性和工作原理，对各模型的训练输出结果进行相互验证修订，其训练好的电池状态估计模型对电池状态的估计准确性高，且可同时估计出电池剩余容量、健康状态、充放电曲线和温度分布，训练出的电池状态估计模型包括电池的等效电路模型、热动力学模型和老化模型，便于电动汽车的电池管理系统根据该多种状态和模型获得更全面的电池状态信息，进行综合管理，提高电池管理效率。

[0065] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

[0066] 以上所述实施例仅表达了本发明的几种具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。