基于混合深度学习网络的预测电池SOC、SOE和BST的方法与流程

本发明涉及电池状态预测，特别是涉及一种基于混合深度学习网络的预测电池soc、soe和bst的方法。

背景技术：

1、随着新能源汽车市场占有率不断增加，市场对新能源汽车的安全性能要求也越来越高。电池管理系统作为电动汽车的核心部件，主要提供各种电池状态信息，为电动汽车系统的运行提供安全保障。电池状态主要包括电池荷电状态(state of charge，soc)、电池能量状态(state of energy，soe)、电池健康状态(state of health，soh)等关键指标。

2、目前估算电池soc和soe的方法主要为安时积分法、卡尔曼滤波算法、机器学习和深度学习等方法。安时积分法受初始soc值影响较大，容易产生累计误差。卡尔曼滤波算法又严重依赖于电池模型的精度，模型参数也会受不同条件因素的影响，不同条件下的模型精度也有较大的差异。此外，卡尔曼滤波算法中的参数选择对电池soc和soe的估算结果也会有较大的影响，这些复杂的耦合关系也使得电池状态估算非常具有挑战性。一些机器学习技术由于网络结构简单，机器学习算法简单，未能充分学习电流、电压和温度与电池soc和soe的映射关系。

3、随着人工智能技术和计算硬件的发展，深度学习技术逐渐成为电池状态估算领域的研究热点，如长短时记忆神经网络(long short-term memory network，lstm)、门控循环单元(gated recurrent unit，gru)神经网络和transformer网络等。如中国专利文件cn112540298b提出一种基于深度-迁移学习的锂离子电池soc估计方法，完成了不同电池数据集之间的电池soc估算。但该方法只是对单一电池状态进行估算。中国专利文献cn118444159a提出一种mamba架构驱动的电池包soc与soe估计方法，对电池包soc和soe估算。中国专利文件cn117214755a提出一种基于混合神经网络的锂离子电池soc、soe及soh联合估计方法，对电池soc、soe、soh进行联合估算。

4、以上方法的深度学习网络输入均为电流、电压和温度，且并未添加其他的有效特征。电池表面温度(battery surface temperature，bst)对电池性能、寿命和安全性也有着显著的影响。预测未来时刻的电池bst可以防止电池热失控，为电池提供安全保障。然而，以上方法均未对电池表面温度进行有效预测。

技术实现思路

1、本发明的目的是为克服现有技术的不足和缺陷，而提供一种多输入多输出形式的基于混合深度学习网络的预测电池soc、soe和bst的方法，可以多输出的形式预测soc、soe和bst三个状态，不仅能够同时估算电池soc和soe，还能够预测未来某一时刻的电池表面温度bst。

2、一种基于混合深度学习网络的预测电池soc、soe和bst的方法，包括步骤：

3、对电池进行不同温度下的工况测试，得到测试数据，从测试数据中提取电流i、电压u、电池表面温度bst的信息，计算电池soc和soe；

4、采用安时积分法，基于上一循环时最终充放电容量进行电流积分，得到电池的充放电容量cn2；

5、将电流i、电压u、电池表面温度bst、充放电容量cn2归一化处理形成数据集，分为训练集与测试集；

6、构建电池soc、soe和电池表面温度bst状态进行估算的深度学习网络，自输入侧至输出侧依次包括informer网络、gru网络、kan网络；

7、以电流i、电压u、电池表面温度bst、充放电容量cn2为输入，电池soc、soe和bst为输出，利用训练集对深度学习网络训练并用验证集验证，得到深度学习网络预测模型；

8、将当前t时刻的电流i、电压u、电池表面温度bst、充放电容量cn2作为模型输入，用深度学习网络预测模型估算当前t时刻以及未来时刻的电池soc、soe和电池表面温度bst。

9、其中，当前t时刻时的soc通过对通过下式计算：

10、

11、式中，soc(t0)为初始soc值，soc(t)为当前t时刻时的soc值，η为库伦倍率，η＝1，it为t时刻流过电池的电流，cn为各个工况实际的容量。

12、其中，当前t时刻时的soe通过下式计算：

13、

14、式中，soe(t0)为初始soe值，soe(t)为当前t时刻时的soe值，η为库伦倍率，η＝1，ut为t时刻电池的电压，it为t时刻流过电池的电流，en为各个工况总的可用能量。

15、其中，当前t时刻的充放电容量cn2通过下式计算：

16、

17、式中，cn2(t0)为初始时刻的容量值，放电和充电时均为0，η为库伦倍率，η＝1，it为t时刻流过电池的电流，cn2(t)为当前时刻的充放电容量。

18、其中，所述训练集为各个温度下的混合工况及cc-cv工况，所述测试集分别为每个温度下的标准工况。

19、其中，所述深度学习网络预测模型预测时，

20、模型输入为xinput＝[i(t)；u(t)；bst(t)；cn2(t)]，

21、模型输出youtput＝[soc(t)；soe(t)；bst(t+1)]；

22、用于输入当前t时刻的电流i、电压u、电池表面温度bst、充放电容量cn2，预测当前t时刻的soc和soe，以及t+1时刻的电池表面温度bst。

23、其中，所述深度学习网络预测模型预测时，

24、模型输入xinput＝[i(t)；u(t)；bst(t)；cn2(t)]，

25、模型输出youtput＝[soc(t+1)；soe(t+1)；bst(t+2)]，

26、用于输入当前t时刻的电流i、电压u、电池表面温度bst、充放电容量cn2，预测t+1时刻的soc和soe，以及t+2时刻的电池表面温度bst。

27、其中，所述深度学习网络预测模型预测时，

28、模型输入xinput＝[i(t)；u(t)；bst(t)；cn2(t)]，

29、模型输出youtput＝[soc(t)；soe(t)；bst(t+1)；soc(t+1)；soe(t+1)；bst(t+2)]；

30、用于输入当前t时刻的电流i、电压u、电池表面温度bst、充放电容量cn2，预测当前t时刻和t+1时刻的soc和soe，以及t+1时刻和t+2时刻的电池表面温度bst。

31、其中，将电流i、电压u、电池表面温度bst、充放电容量cn2归一化处理，通过下式进行：

32、xnormal＝(xsignal-xmin)/(xmax-xmin)；

33、式中，xmin和xmax为特征中最小值和最大值，xsignal为数据中实际测量数据，xnormal为归一化之后的数据。

34、其中，利用平均绝对误差mae和均方根误差rmse，评估深度学习网络预测模型的预测性能，包括：

35、

36、

37、式中，yt为电池实际的soc、soe和bst值，y*t为预测的soc、soe和bst值，m为测试集中总的循环次数。

38、本发明通过利用多个温度下的数据进行训练，训练好的模型可以实现不同温度下的电池状态估算，通过多尺度的方式输出电池soc、soe和电池表面温bst，不仅可以实现当前状态的估算，还可以一次性实现下一时刻的状态估算。

39、本发明将电池表面温度纳入深度学习网络模型的输出，可以有效估算电池表面温度，为电池热失控提供有价值的参考信息。

40、本发明将采用安时积分法获得的累计容量作为模型的特征，该特征不受初始容量值的影响，能够获得精确的电池soc、soe和bst预测结果。

41、本发明提出的混合深度学习网络模型为混合网络，包括informer网络、gru网络(gated recurrent unit，gru)网络、kan(kolmogorov-arnold networks，kan)三个神经网络，该混合网络能并行计算，不仅提高计算效率和预测性能，而且还能够很好的处理序列数据中的时序关系。利用kan网络作为网络输出部分，其内部激活函数的灵活性和可学习性可以反应多变量函数的复杂性，使得模型具有了更好的可解释性。

42、与现有技术相比，本发明的提供的方法不仅可以提高模型的预测精度，还可以通过多尺度输出的形式预测未来时刻的电池soc、soe和电池表面温度bst，为控制电池温度提供可靠的参考信息。