(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 112415408 A(43)申请公布日 2021.02.26
(21)申请号 202011245524.9(22)申请日 2020.11.10
(71)申请人 南昌济铃新能源科技有限责任公司
地址 330052 江西省南昌市南昌县莲塘镇
迎宾中大道2111号4F(72)发明人 甘磊 李京京 石江江 彭金春
刘华 韩志玉 (51)Int.Cl.
G01R 31/387(2019.01)G01R 31/367(2019.01)
权利要求书1页 说明书5页 附图2页
CN 112415408 A(54)发明名称
一种动力电池SOC估算方法(57)摘要
特别是涉及本发明涉及混合动力汽车领域，
一种动力电池SOC估算方法。一种动力电池SOC估算方法，所述动力电池用于混合动力汽车中，所述估算方法包括：提供所述动力电池特征参数的实验室恒流放电数据集；使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数；采集所述动力电池特征参数的实际工况数据集；以及使用所述LSTM模型迁移参数和所述实际工况数据集训练LSTM‑DaNN模型，得到动力电池SOC。上述动力汽车SOC估算方法将所述动力电池特征参数的实验室恒流放电数据集作为有标签的数据，用无标签的所述动力电池特征参数的实际工况数据集辅助所述有标签的数据训练LSTM‑DaNN模型，提升了训练效率，减少了计算量。
CN 112415408 A
权 利 要 求 书
1/1页
1.一种动力电池SOC估算方法，其特征在于，所述动力电池用于混合动力汽车中，所述估算方法包括：
提供所述动力电池特征参数的实验室恒流放电数据集；采集所述动力电池特征参数的实际工况数据集；使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数；以及使用所述LSTM模型迁移参数和所述实际工况数据集训练LSTM-DaNN模型，得到动力电池SOC。
2.根据权利要求1所述的估算方法，其特征在于，所述特征参数包括所述动力电池的端电压、工作电流和平均温度。
3.根据权利要求1所述的估算方法，其特征在于，所述特征参数还包括所述动力电池的电压极差。
4.根据权利要求1所述的估算方法，其特征在于，所述提供所述动力电池特征参数的实验室恒流放电数据集的步骤，包括：
提供所述动力电池特征参数的实验室恒流放电原始数据；对所述实验室恒流放电原始数据进行数据采样，将所述实验室恒流放电原始数据分割成多个同等时间长度的样本，得到所述实验室恒流放电数据集。
5.根据权利要求1所述的估算方法，其特征在于，所述采集所述动力电池特征参数的实际工况数据集的步骤，包括：
采集所述动力电池特征参数的实际工况原始数据；对所述实际工况原始数据进行数据采样，将所述实际工况原始数据分割成多个同等时间长度的样本，得到所述实际工况数据集。
6.根据权利要求1所述的估算方法，其特征在于，所述使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数的步骤，包括：
将所述实验室恒流放电数据集随机分为两部分，所述两部分中较大的部分作为LSTM模型的训练数据，所述两部分中较小的部分作为LSTM模型的测试数据；
利用所述训练数据训练所述LSTM模型，得到训练后的LSTM模型；利用所述测试数据测试所述训练后的LSTM模型，判断所述训练后的LSTM模型性能是否符合要求；
其中，若所述训练后的LSTM模型性能符合要求，则采集此时的模型参数作为所述LSTM模型迁移参数；若所述训练后的LSTM模型性能不符合要求，则重新调整所述LSTM模型，再次训练，直至性能符合要求。
7.根据权利要求1所述的估算方法，其特征在于，还包括对所述实验室恒流放电数据集进行归一化处理。
8.根据权利要求1所述的估算方法，其特征在于，还包括对所述实际工况数据集进行归一化处理。
9.根据权利要求1～8任意一项所述的估算方法，其特征在于，还包括对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理。
10.根据权利要求1～8任意一项所述的估算方法，其特征在于，所述对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理的步骤采用的是主成分分析法。
2
CN 112415408 A
说 明 书
一种动力电池SOC估算方法
1/5页
技术领域
[0001]本发明涉及混合动力汽车领域，特别是涉及一种动力电池SOC估算方法。
背景技术
[0002]与传统型汽车相比，混合动力汽车充分吸取了电力/热力系统中最大的优势，很大程度地降低了汽车的耗油量和污染物的排放，可以确保具有同等的性能和优势，并且在节能和排放上胜出一筹。混合动力汽车在现有技术的基础上达到了提高燃料经济性和减少排放的目的，因而极具发展前景。[0003]对于混合动力汽车，动力电池SOC(State Of Charge，荷电状态)的估算是其电池管理系统中的关键技术之一。一般的，混合动力汽车动力电池SOC估算方法有开路电压法、安时积分法、放电实验法、人工神经网络法等。在使用人工神经网络法估算SOC时，只需要建立映射关系训练BP(Back Propagation，反向传播)网络模型，而不需要考虑各个参数之间的关系，在估算的准确性及鲁棒性上具有明显优势。但是，现有的人工神经网络法在估算SOC时，具有计算量大、花费时间长、需要足够的存储空间等缺点。发明内容
[0004]基于此，有必要针对上述技术问题，提供一种动力电池SOC估算方法，将所述动力电池特征参数的实验室恒流放电数据集作为有标签的数据，用无标签的所述动力电池特征参数的实际工况数据集辅助所述有标签的数据训练LSTM-DaNN模型，提升了训练效率，减少了计算量。
[0005]一种动力电池SOC估算方法，所述动力电池用于混合动力汽车中，所述估算方法包括：
[0006]提供所述动力电池特征参数的实验室恒流放电数据集；[0007]采集所述动力电池特征参数的实际工况数据集；[0008]使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数；以及[0009]使用所述LSTM模型迁移参数和所述实际工况数据集训练LSTM-DaNN模型，得到动力电池SOC。
[0010]上述动力电池SOC估算方法，将所述动力电池特征参数的实验室恒流放电数据集作为有标签的数据，用无标签的所述动力电池特征参数的实际工况数据集辅助所述有标签的数据训练LSTM-DaNN模型，再使用训练好的LSTM-DaNN模型估算动力电池SOC，提升了训练效率，减少了计算量。
[0011]在其中一个实施例中，所述特征参数包括所述动力电池的端电压、工作电流和平均温度。
[0012]在其中一个实施例中，所述特征参数还包括所述动力电池的电压极差。[0013]在其中一个实施例中，所述提供所述动力电池特征参数的实验室恒流放电数据集的步骤，包括：
3
CN 112415408 A[0014]
说 明 书
2/5页
提供所述动力电池特征参数的实验室恒流放电原始数据；
[0015]对所述实验室恒流放电原始数据进行数据采样，将所述实验室恒流放电原始数据分割成多个同等时间长度的样本，得到所述实验室恒流放电数据集。[0016]在其中一个实施例中，所述采集所述动力电池特征参数的实际工况数据集的步骤，包括：
[0017]采集所述动力电池特征参数的实际工况原始数据；[0018]对所述实际工况原始数据进行数据采样，将所述实际工况原始数据分割成多个同等时间长度的样本，得到所述实际工况数据集。[0019]在其中一个实施例中，所述使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数的步骤，包括：
[0020]将所述实验室恒流放电数据集随机分为两部分，所述两部分中较大的部分作为LSTM模型的训练数据，所述两部分中较小的部分作为LSTM模型的测试数据；[0021]利用所述训练数据训练所述LSTM模型，得到训练后的LSTM模型；[0022]利用所述测试数据测试所述训练后的LSTM模型，判断所述训练后的LSTM模型性能是否符合要求；[0023]其中，若所述训练后的LSTM模型性能符合要求，则采集此时的模型参数作为所述LSTM模型迁移参数；若所述训练后的LSTM模型性能不符合要求，则重新调整所述LSTM模型，再次训练，直至性能符合要求。[0024]在其中一个实施例中，所述估算方法还包括对所述实验室恒流放电数据集进行归一化处理，以提高所述LSTM模型的收敛速度和最终的模型精度。[0025]在其中一个实施例中，所述估算方法还包括对所述实际工况数据集进行归一化处理。
[0026]在其中一个实施例中，所述估算方法还包括对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理，以进一步减少计算量，提升训练效率。[0027]在其中一个实施例中，所述估算方法所述对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理的步骤采用的是主成分分析法。附图说明
[0028]图1为一个实施例中动力电池SOC估算方法的流程图；[0029]图2为一个实施例中LSTM模型的网络结构图；
[0030]图3为另一个实施例中动力电池SOC估算方法的流程图。
具体实施方式
[0031]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
[0032]图1为一个实施例中动力电池SOC估算方法的流程图，如图1所示，一种动力电池SOC估算方法，所述动力电池用于混合动力汽车中，所述估算方法包括：[0033]S110，提供所述动力电池特征参数的实验室恒流放电数据集。
4
CN 112415408 A[0034]
说 明 书
3/5页
S120，采集所述动力电池特征参数的实际工况数据集。
[0035]S130，使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数。[0036]S140，使用所述LSTM模型迁移参数和所述实际工况数据集训练LSTM-DaNN模型，得到动力电池SOC。[0037]具体地，LSTM(Long Short-Term Memory，长短时记忆循环神经网络)模型可以学习长期依赖信息，所述LSTM模型在Tt时刻的输出ht，不仅仅由该Tt时刻的输入xt决定，还与之前时刻的输入相关，所述LSTM模型的网络结构图见图2，其中x0、x0、x0、xt以及h0、h1、h2、ht分别为T0、T1、T2、Tt时刻对应的输入和输出，所述LSTM模型具有优秀的估算准确性及鲁棒性。
[0038]具体地，所述LSTM-DaNN模型中的DaNN(Domain adaptive Neural Network，领域自适应网络)模型可以在只有少量无标签的数据的情况下，辅助训练有标的数据，并且量化、减少误差。所述DaNN模型将所述动力电池特征参数的实验室恒流放电数据集作为有标签的数据，将所述动力电池特征参数的实际工况数据集作为无标签的数据，从而保证了在只有少量所述动力电池特征参数的实际工况数据集的情况下估算出所述动力电池SOC，减少了计算量，提升了训练效率。[0039]进一步地，所述DaNN模型采用最大平均差异(Maximum Mean Discrepancy，MMD)来度量两个不同但相关分布的距离，所述LSTM-DaNN模型的损失函数l的计算公式为：[0040]l＝lLSTM+λMMD[0041]其中，lLSTM为所述LSTM模型的损失函数，λ为所述LSTM-DaNN模型权衡网络适配权重的一个参数，可以人工给定。
[0042]图3为另一个实施例中动力电池SOC估算方法的流程图，如图3所示，一种动力电池SOC估算方法，所述动力电池用于混合动力汽车中，所述特征参数可以包括所述动力电池的端电压、工作电流和平均温度。[0043]在其中一个实施例中，所述特征参数还可以包括所述动力电池的电压极差。[0044]在其中一个实施例中，所述提供所述动力电池特征参数的实验室恒流放电数据集的步骤S110，可以包括：[0045]S111，提供所述动力电池特征参数的实验室恒流放电原始数据；[0046]S112，对所述实验室恒流放电原始数据进行数据采样，将所述实验室恒流放电原始数据分割成多个同等时间长度的样本，得到所述实验室恒流放电数据集。[0047]具体地，所述实验室恒流放电原始数据可以为在同样时间间隔△T1(例如1s)采样的数据链；在对所述实验室恒流放电原始数据进行数据采样时，可以将实验室恒流放电原始数据分割成多个同等时间长度△T2的样本，例如每个样本长度为30s，样本A1可以包括1～30s的原始数据，样本A2可以包括2～31s的原始数据。[0048]在其中一个实施例中，所述采集所述动力电池特征参数的实际工况数据集的步骤S120，可以包括：[0049]S121，采集所述动力电池特征参数的实际工况原始数据；[0050]S122，对所述实际工况原始数据进行数据采样，将所述实际工况原始数据分割成多个同等时间长度的样本，得到所述实际工况数据集。[0051]具体地，所述实验室恒流放电原始数据可以为在同样时间间隔△T3(例如1s)采样
5
CN 112415408 A
说 明 书
4/5页
的数据链，△T3＝△T1；在对所述实验室恒流放电原始数据进行数据采样时，可以将实验室恒流放电原始数据分割成多个同等时间长度△T4的样本，△T4＝△T2，例如每个样本长度为30s，样本B1可以包括1～30s的原始数据，样本B2可以包括2～31s的原始数据。[0052]在其中一个实施例中，所述使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数的步骤S130，可以包括：[0053]S131，将所述实验室恒流放电数据集随机分为两部分，所述两部分中较大的部分作为LSTM模型的训练数据，所述两部分中较小的部分作为LSTM模型的测试数据。[0054]具体地，例如，可以选择百分之七十五的部分作为所述训练数据，选择剩下的所述百分之二十五的部分作为所述测试数据。[0055]S132，利用所述训练数据训练所述LSTM模型，得到训练后的LSTM模型。[0056]具体地，先设置所述LSTM模型的输入层特征维度、输出层特征维度、隐藏层单元个数以及隐藏层层数等模型参数；
[0057]将所述训练数据输入到所述LSTM模型中作为输入数据训练所述LSTM模型；[0058]在误差反向传播时，采用自适应矩估计(Adaptive Moment Estimation，Adam)优化器；
[0059]进一步地，在训练过程中，采用最大均方根误差(Mean Squared Error，MSE)作为损失函数lLSTM来评估所述LSTM模型的稳健性和精确度。[0060]S133，利用所述测试数据测试所述训练后的LSTM模型，判断所述训练后的LSTM模型性能是否符合要求。[0061]具体地，当绝对误差少于预设值时，判定所述训练后的LSTM模型性能符合要求，采集此时的模型参数作为所述LSTM模型迁移参数；当所述绝对误差大于所述预设值时，判定所述训练后的LSTM模型性能不符合要求，则重新调整所述LSTM模型，再次训练，直至性能符合要求。
[0062]在其中一个实施例中，所述估算方法还可以包括：[0063]S150，对所述实验室恒流放电数据集进行归一化处理。[00]S160，对所述实际工况数据集进行归一化处理。[0065]具体地，对所述动力电池特征参数的实验室恒流放电数据集中每个特征参数的数据进行归一化处理，提高模型收敛速度和最终的模型精度，所用的归一化公式为：
[0066]
其中，X、Xmin、Xmax、Xnorm分别为特征参数的初始值、所述实验室恒流放电数据集中该特征参数的最小值，所述实验室恒流放电数据集中该特征参数的最大值以及归一化后该特征参数的值。[0068]S170，对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理。[0069]在其中一个实施例中，所述对所述实验室恒流放电数据集和所述实际工况数据集进行降维处理的步骤S170采用的是主成分分析法(Principal Component Analysis，PCA)。[0070]具体地，所述PCA法通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，将所述动力电池的端电压、工作电流、平均温度以及电压极差等多个维度的
6
[0067]
CN 112415408 A
说 明 书
5/5页
特征参数转换为二维特征参数，进一步减少计算量，提升训练效率。[0071]以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明载的范围。
[0072]以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的。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。
7
CN 112415408 A
说 明 书 附 图
1/2页
图1
图2
8
CN 112415408 A
说 明 书 附 图
2/2页
图3
9
