基于嵌入神经网络的锂电池状态估计方法

本发明涉及的是一种锂电池制造领域的技术，具体是一种基于嵌入神经网络的锂电池状态估计方法。

背景技术：

1、现有锂电池状态估计技术包括物理机理模型和数据驱动模型，前者在应对极端低温、频繁启停等复杂极端工况时鲁棒性不足，且随着模型准确度的提升，不可避免地增大了模型的复杂度，而后者过度依赖于数据的质量，因此其稳定性较差，同时对锂电池内部机理的解释性较差。

技术实现思路

1、本发明针对现有基于数据驱动的黑箱模型的估计技术过度依赖于数据的质量，当数据样本较少时会导致模型失效的缺陷，以及现有通过前馈神经网络模型建立指标特征和电池实际容量之间的映射关系的估计技术则不能有效表征锂电池的内部物理机理，且评估效果高度依赖于数据质量的不足，提出一种基于嵌入神经网络的锂电池状态估计方法，通过拟合等效电路模型中参数估计值与电池参数真实值之间的残差，通过前馈神经网络(fnn)的迭代训练，使得经fnn修正后的等效电路模型获得更为准确的电池参数。在获得足够精确电池参数的基础上，采用扩展卡尔曼滤波算法(ekf)实现对锂电池荷电状态(soc)的精准估计。

2、本发明是通过以下技术方案实现的：

3、本发明涉及一种基于嵌入神经网络的锂电池状态估计方法，在离线阶段通过遗忘因子最小二乘法迭代获得电池初始参数的在线辨识结果后，构造锂电池等效电路模型并在其支路和干路中增加fnn作为嵌入神经网络的融合模型，通过非线性拟合在线辨识结果与电池真实参数的残差，以修正锂电池等效电路模型的参数，再对嵌入神经网络的融合模型进行训练；在线阶段采用训练后的嵌入神经网络的融合模型实时进行荷电状态的最优估计。

4、所述的锂电池等效电路模型，采用一阶等效电路模型(ecm)。

5、本发明涉及一种实现上述方法的系统，包括：ecm单元、fnn单元、数据-物理融合单元、损失函数训练单元以及ekf单元，其中：ecm单元根据锂电池的电流信息，进行遗忘因子最小二乘法的迭代计算，得到锂电池初始参数的在线辨识结果；fnn单元根据锂电池的电压、电流、温度和初始参数，通过迭代训练，建立输入信息与残差之间的非线性关系；数据-物理融合单元根据ecm与fnn的结构信息，将fnn作为修正模块嵌入ecm中，建立嵌入神经网络的ecm模型；损失函数训练单元根据嵌入神经网络的ecm模型结构，将锂电池的状态空间方程引入到fnn的损失函数中进行迭代训练，得到得到更加精准的嵌入神经网络的ecm模型；ekf单元根据锂电池的电压、电流、融合模型的精准参数，通过迭代求解，得到soc的最优估计。

6、技术效果

7、本发明基于数据-物理融合的思想，在锂电池ecm模型中引入3个fnn模块，分别对应ecm中的欧姆内阻、极化电阻和极化电容，用于拟合ecm中传统方法的参数辨识结果与电池参数真实值之间的残差，fnn的输入是电池的电压、电流和温度等可直接测量数据，输出是ecm的电阻、电容等参数的调整值。通过fnn的迭代训练，使得经fnn修正后的ecm获得更为准确的电池参数。在获得足够精确电池参数的基础上，采用ekf实现对锂电池soc的精准估计。与现有技术相比，本发明融合了ekf模型与fnn模型，因此在保留模型稳定性与可解释性的同时，有效提升了准确性和鲁棒性。在锂电池的实际运行工况下，融合模型的准确性都能获得有效提高，所提方法能够应用于锂电池的实时soc估计，尤其是在低温环境下的电池实际运行工况中，建立的融合模型能够有效降低温度变化所带来的影响，获得良好的soc估计效果。

技术特征：

1.一种基于嵌入神经网络的锂电池状态估计方法，其特征在于，在离线阶段通过遗忘因子最小二乘法迭代获得电池初始参数的在线辨识结果后，构造锂电池等效电路模型并在其支路和干路中增加fnn作为嵌入神经网络的融合模型，通过非线性拟合在线辨识结果与电池真实参数的残差，以修正锂电池等效电路模型的参数，再对嵌入神经网络的融合模型进行训练；在线阶段采用训练后的嵌入神经网络的融合模型实时进行荷电状态的最优估计。

2.根据权利权利要求1所述的基于嵌入神经网络的锂电池状态估计方法，其特征是，所述的通过遗忘因子最小二乘法迭代获得电池初始参数的在线辨识结果，具体包括：

3.根据权利权利要求1所述的基于嵌入神经网络的锂电池状态估计方法，其特征是，所述的修正，即向锂电池等效电路模型的支路和干路中增加前馈神经网络(fnn)作为嵌入神经网络的融合模型，通过非线性拟合在线辨识结果与电池真实参数的残差，以修正一阶ecm电池方程的参数，具体包括：

4.根据权利权利要求1所述的基于嵌入神经网络的锂电池状态估计方法，其特征是，所述的训练，具体包括：

5.根据权利权利要求1所述的基于嵌入神经网络的锂电池状态估计方法，其特征是，所述的在线阶段，具体包括：

6.一种实现权利要求1-5中任一所述方法的基于嵌入神经网络的锂电池状态估计系统，其特征在于，包括：ecm单元、fnn单元、数据-物理融合单元、损失函数训练单元以及ekf单元，其中：ecm单元根据锂电池的电流信息，进行遗忘因子最小二乘法的迭代计算，得到锂电池初始参数的在线辨识结果；fnn单元根据锂电池的电压、电流、温度和初始参数，通过迭代训练，建立输入信息与残差之间的非线性关系；数据-物理融合单元根据ecm与fnn的结构信息，将fnn作为修正模块嵌入ecm中，建立嵌入神经网络的ecm模型；损失函数训练单元根据嵌入神经网络的ecm模型结构，将锂电池的状态空间方程引入到fnn的损失函数中进行迭代训练，得到得到更加精准的嵌入神经网络的ecm模型；ekf单元根据锂电池的电压、电流、融合模型的精准参数，通过迭代求解，得到soc的最优估计。

技术总结一种基于嵌入神经网络的锂电池状态估计方法，在离线阶段通过遗忘因子最小二乘法迭代获得电池初始参数的在线辨识结果后，构造锂电池等效电路模型并在其支路和干路中增加FNN作为嵌入神经网络的融合模型，通过非线性拟合在线辨识结果与电池真实参数的残差，以修正锂电池等效电路模型的参数，再对嵌入神经网络的融合模型进行训练；在线阶段采用训练后的嵌入神经网络的融合模型实时进行荷电状态的最优估计。本发明通过拟合等效电路模型中参数估计值与电池参数真实值之间的残差，通过前馈神经网络(FNN)的迭代训练，使得经FNN修正后的等效电路模型获得更为准确的电池参数。在获得足够精确电池参数的基础上，采用扩展卡尔曼滤波算法(EKF)实现对锂电池荷电状态(SOC)的精准估计。技术研发人员：李亦言,郭泽林受保护的技术使用者：上海交通大学技术研发日：技术公布日：2024/8/27