一种基于神经网络的锂离子电池SOC估算方法

技术领域

本发明涉及电池管理系统技术领域，涉及电动汽车锂离子动力电池的SOC估算，具体为一种基于神经网络的锂离子电池SOC估算方法。

背景技术

目前SOC估算主要三大类：

第一类是传统的估算方法，这类方法根据电池的相关物理化学特性来估算电池SOC，比较常见的有安时积分法、开路电压法、内阻测量法。但是安时积分法对于连续使用的电池电量估算由于电流传感器精度的误差会造成累计误差。由于锂离子电池特性，开路电压法只适用于实验室内电池SOC的精确估算，对于汽车实际运行中的电量估算则是不准确的。内阻测量法虽然可以准确的估算出电池SOC，但是目前并没有直接测量电池内阻的传感器，所以也并不能运用在正在行驶的汽车上。

第二类是基于模型的估算方法，使用这类方法前要先对电池进行建模，然后再利用卡尔曼滤波器自适应滤波器算法来估算电池SOC。卡尔曼滤波虽然精度较高，但是算法较复杂，不能够实时计算出SOC。

第三类是基于数据的估算方法，这类方法不需要对电池进行建模，神经网络可以根据所提供的的数据，通过学习和训练，找出和输出的内在联系，具有很好的适应性。神经网络同时具有很高的容错能力，能够处理测试样本中出现的噪音数据或不完全数据。

目前有很多基于神经网络的SOC估算算法，但是仅仅利用了LSTM或者GRU的时序特性进行SOC预测，且现有基于神经网络的SOC预测并没有充分考虑到提取输入的特征，同时训练神经网络需要大量的数据。在训练过程中还可能会出现梯度消失导致训练失败的情况。

发明内容

本发明提供一种基于神经网络的锂离子电池SOC估算方法，解决了目前基于神经网络的SOC预测并没有充分考虑到提取输入的特征，同时解决了训练过程中容易出现梯度消失导致训练失败的问题。

为实现上述目的，本发明提供如下技术方案：一种基于神经网络的锂离子电池SOC估算方法，包括以下步骤：

S1、首先，通过卷积层将输入通道数进行放大，并实现对输入数据特征的提取；

S2、其次通过GRU网络提取卷积层经过分解的数据特征中的时序信息特征，并遗忘不重要的特征数据，以此提升网络性能；

S3、接着通过多头注意力机制提取GRU输出的不同层面的数据特征，提升计算效率；

S4、再添加GRU网络和卷积层使输出的维度与输入的维度一致，以便添加残差结构，保证网络的性能；

S5、最后通过两个全连接层输出预测SOC值。

优选的，所述S1中，在数据特征提取时，具体对数据的输入处采用了预处理，将空白和明显错误的数据剔除，并用使用前后数据的均值对其进行填充，同时对数据进行归一化处理，目的是为了使输入的数据处在同一量纲上，提高模型的预测效率。

优选的，同时通过设置滑动窗口增加训练所需的数据量。

优选的，所述S2中，卷积层不仅用于提取输入的特征，还用于提取数据中时间序列的信息，将输入数据分解为更高维度的数据作为GRU的输入。

优选的，其中卷积公式为：输出＝卷积层(输入*卷积核+偏置)，其中输入是一个一维的特征向量，卷积核是一个一维的权重向量，偏置是一个常数。

优选的，其中，GRU网络将卷积层分解的高维数据进行记忆筛选，留下对于预测重要的信息，遗忘不重要的信息，减少模型的计算量，提高计算效率，GRU网络结构的公式为：

z(k)＝s{W

r(k)＝σ{W

上式中，z(k)、r(k)分别是重置门以及更新门的状态；H(k)为输出；W

优选的，其中重置门的作用是检测过去的数据对未来信息的预测是否存在价值，如果没有价值，则r(k)的值趋近于0，模型就会忘记过去的信息，保存当前输入的信息；如果模型认为过去的信息对未来的信息存在一定的关系，那么r(k)的值接近于1，并将其添加到当前的信息中。

优选的，其中，多头注意力机制的计算流程包括三个阶段：

第一个阶段，通过引入余弦相似度函数，来计算Query和Key的相关度值si；

第二个阶段，使用SoftMax函数对第一阶段计算出来的相关度值进行归一化，将s1，s2……，sn的结果转换成和为1的权重系数ai；

第三阶段，为Value对应的权重系数ai于Valuei对应相乘并相加计算得出Attention的数值。

优选的，其中，相似度函数Softmax函数公式如下：

MultiHead(Q,K,V)＝Concat(head

其中，i表示第i个节点，输出X与不同的权重矩阵W

在这组中的每一组Q

其中，Concat(·)是将矩阵纵向拼接操作，权重矩阵

其中，X为输入，权重矩阵

优选的，为使网络更稳定，在输入和全连接层之间添加残差结构，如下公式：

H(x)＝x+F(x)

其中，x为当前残差模块的输入特征；F(x)为层卷积、激活操作，残差连接既没有增加额外的参数，也没有增加计算复杂度，但降低了模型预测的误差率。

与现有技术相比，本发明的有益效果：

1、本发明中，引入卷积层和多头注意力机制充分挖掘输入数据特征，相比LSTM和GRU，卷积层可以利用更长的历史信息，搭配多头注意力机制，可以节省计算资源，它可以帮助神经网络更好地处理序列数据，提高模型的性能。基于神经网络训练需要大量的数据，而在数据输入处采用滑动窗口可以增加训练数据量，从而实现小样本数据训练和预测，即使在小样本情况下，预测误差也可以保持在1％以内。

2、本发明中，窗口滑动的设置使得在样本不够多的情况下也能够使预测模型得到充分的训练，并达到令人满意的预测效果。卷积层能够自适应地选择与SOC相关度更高的数据特征来训练网络模型，多头注意力机制的应用增加了提取特征的多样性，且多头之间相互协同有助于网络学习更深层次的数据特征；当模型加入残差模块后，带权重矩阵的残差连接可以使网络更稳定，避免了梯度消失的情况，结合卷积神经网络提升了SOC估算的准确率，且提高预测精度后，可避免电池过充或者过放，提升电池的使用寿命；同时多头并行处理可以提升网络的训练速度，使网络能够达到更高的实时性要求。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

在附图中：

图1是本发明ConvolGRU-MHA结构示意图；

图2是本发明滑动窗口结构示意图；

图3是本发明GRU网络结构结构示意图；

图4是本发明多头注意力机制结构示意图；

图5是本发明ConvolGRU-MHASOC预测结果示意图；

图6是本发明ConvolGRU-MHASOC预测误差结构示意图；

图7是本发明对比模型SOC预测结果示意图；

图8是本发明对比模型SOC预测结果的局部放大示意图；

图9是本发明对比模型的预测误差示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例：如图1所示，一种基于神经网络的锂离子电池SOC估算方法，包括以下步骤：

S1、首先，通过卷积层将输入通道数进行放大，并实现对输入数据特征的提取；

S2、其次通过GRU网络提取卷积层经过分解的数据特征中的时序信息特征，并遗忘不重要的特征数据，以此提升网络性能；

S3、接着通过多头注意力机制提取GRU输出的不同层面的数据特征，提升计算效率；

S4、再添加GRU网络和卷积层使输出的维度与输入的维度一致，以便添加残差结构，保证网络的性能；

S5、最后通过两个全连接层输出预测SOC值。

其中，如图2所示，在数据特征提取时，具体对数据的输入处采用了预处理，将空白和明显错误的数据剔除，并用使用前后数据的均值对其进行填充，同时对数据进行归一化处理，目的是为了使输入的数据处在同一量纲上，提高模型的预测效率，同时通过设置滑动窗口增加训练所需的数据量，窗口大小设置为10，即每次预测10组数据，步长为1，每当窗口往后移动一步，与前一步相比就会有9个相同的信息被输入进模型中去。有效的增加了训练所需的数据量。其结果图如图2所示。

卷积层不仅用于提取输入的特征，还用于提取数据中时间序列的信息，将输入数据分解为更高维度的数据作为GRU的输入；其中卷积公式为：输出＝卷积层(输入*卷积核+偏置)，其中输入是一个一维的特征向量，卷积核是一个一维的权重向量，偏置是一个常数。

其中，GRU网络将卷积层分解的高维数据进行记忆筛选，留下对于预测重要的信息，遗忘不重要的信息，减少模型的计算量，提高计算效率，如图3所示，GRU网络结构的公式为：

z(k)＝s{W

r(k)＝σ{W

上式中，z(k)、r(k)分别是重置门以及更新门的状态；H(k)为输出；W

其中，如图4所示，多头注意力机制的计算流程包括三个阶段：

第一个阶段，通过引入余弦相似度函数，来计算Query和Key的相关度值si；

第二个阶段，使用SoftMax函数对第一阶段计算出来的相关度值进行归一化，将s1，s2……，sn的结果转换成和为1的权重系数ai；

第三阶段，为Value对应的权重系数ai于Valuei对应相乘并相加计算得出Attention的数值；

其中，相似度函数Softmax函数公式如下：

MultiHead(Q,K,V)＝Concat(head

其中，i表示第i个节点，输出X与不同的权重矩阵W

在这组中的每一组Q

其中，Concat(·)是将矩阵纵向拼接操作，权重矩阵

其中，X为输入，权重矩阵

为使网络更稳定，在输入和全连接层之间添加残差结构，如下公式：

H(x)＝x+F(x)

其中，x为当前残差模块的输入特征；F(x)为层卷积、激活操作，残差连接既没有增加额外的参数，也没有增加计算复杂度，但降低了模型预测的误差率。具体实施包括：

经过参数优化实验本文选定的超参数如下所示：

选择电压、电流、温度作为模型的输入特征，选择实际SOC作为输出。利用评价指标RMSE和MAE对所提出的ConvollGRU-MHASOC预测模型进行了性能评价。图5为锂离子电池ConvolGRU-MHA对SOC预测模型的预测结果，黑色截面表示本研究提出的模型的预测SOC值，红色截面表示实际SOC值。图6为ConvolGRU-MHA模型的预测误差，最大误差不超过0.4％。

采用四组预测模型使用ConvololGRU、GRU-GRU-MHA、ConvolGRU-注意和ConvolGRU-MHA对SOC进行对比预测。预测结果如图7所示，图8为局部放大示意图。预测的SOC值与实际值之间的误差如图9所示。

ConvolGRU-MHA融合模型预测曲线更加贴近真实值曲线，预测曲线更为平稳。由图6可以看出本文所提出的预测模型整体误差波动最小，最大误差为0.4％，具有更好的SOC预测效果。

不同预测模型的RMSE和MAE如下所示：

CGRU-MHA预测模型的MAE和RMSE均小于其他三种模型，表明所提出的卷积ConvolGRU-MHA预测模型具有更好的SOC预测性能。

最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。