一种基于LSTM-EA框架的电池SOC预测方法及系统

本发明属于能源，具体涉及一种基于lstm-ea框架的电池soc预测方法及系统。

背景技术：

1、储能技术是推动新能源电动汽车和智能电网发展的关键技术之一。近年来，电动汽车发生的火灾事故引起了广泛关注，特别是涉及锂电池的电子产品的安全性备受关注。这也使得电池管理技术面临更高的要求和挑战。在日常生活中，锂离子电池被广泛使用，其安全性和可靠性显得尤为重要。因此，研发先进、智能的电池管理系统(bms)成为当前研究的焦点之一。电池的state of charge(soc)作为关键的状态之一，准确估计和计算soc对于bms至关重要。因此，电池soc预测方法一直是业内关注的热点。

2、soc预测方法主要分为两大类：模型驱动方法和数据驱动方法。在模型驱动方法中，采用基于电池建模的理论计算方法，包括开路电压模型、分数阶模型和电化学模型等。这些方法依赖于准确的电池建模和强大的理论基础来计算soc值。模型驱动方法对电池建模的合理性和理论基础的准确性有很高的要求，模型参数的设定或计算对soc的精确度有显著影响，因此对模型的准确性提出了高要求。数据驱动方法采用机器学习或深度学习网络，如svn、fnn、gru、lstm等，进行soc预测。这需要利用包含电池特征和soc标签的大量数据集对神经网络等模型进行训练。通过学习和拟合相关特征参数与soc之间的映射关系，数据驱动方法能够实现对soc的精确预测。与模型驱动方法不同的是，数据驱动方法不依赖于特定的模型理论，而完全依赖于通过数据集训练出的映射关系来预测soc的值。其预测精度主要取决于训练数据集的质量。

3、模型驱动方法在soc计算中依赖于特定的电池建模，不论是采用开路电压模型还是电化学模型，都是对电池内部结构的物理和化学过程进行简化的结果。然而，这些简化过程中的近似操作不可避免地引入误差。开路电压模型和电化学模型虽然提供了理论基础，但其简化性质限制了对电池行为的准确描述，因此soc的计算精度可能受到影响。相比之下，数据驱动方法虽然不依赖于理论模型的准确性，但在模型训练与拟合的过程中，由于数据集的质量问题，可能会引入一定程度的误差。为了进一步提高电池soc的预测和计算精度，需要寻求新的解决方案，包括改进模型驱动方法中的电池建模技术，以提高对真实电池行为的还原能力，并且在数据驱动方法中，优化数据集的质量和多样性，以增加模型的鲁棒性和准确性。综合考虑两种方法的优势，并探索它们的结合可能是提高soc预测与计算精度的一个方向。

技术实现思路

1、本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于lstm-ea框架的电池soc预测方法及系统，用于解决现有lstm模型对soc预测的鲁棒性与准确性低的技术问题。

2、本发明采用以下技术方案：

3、一种基于lstm-ea框架的电池soc预测方法，包括以下步骤：

4、对输入数据进行标准化处理，获取当前时刻输入特征序列xinput；将当前时刻输入特征序列xinput输入lstm网络，得到初步预测socpre；通过基于安时积分模型的ekf算法对预测socpre进行调整，得到最终的电池soc预测结果。

5、优选地，步骤s1具体为：

6、s101、获取当前时刻特征序列x0，；

7、s102、对步骤s101中得到的特征序列x0通过最大值最小值标准化法进行数据标准化，得到网络输入特征序列xinput。

8、更优选地，步骤s101中，x0是由电池的电压，电流，温度与时间间隔组成的时序张量，x0的维度为[250，3]，第一维度250代表时序长度，第二维度代表电压u，电流i与温度t与三个特征，特征序列x0包含包括当前时刻及之前若干时刻共250个连续时刻的电压、电流与温度信息。

9、更优选地，步骤s102中，最大最小值标准化方法计算如下：

10、

11、其中，xorgin为原始xinput，xmin与xmax分别为张量x的最小值与最大值，xnorm为网络输入特征序列xinput。

12、优选地，步骤s2具体为：

13、s201、将xinput输入lstm，得到隐藏特征序列h0；

14、s202、取隐藏特征序列h0第一维度最后一项，得到特征张量h1，维度为[32]；

15、s203、将步骤s202得到的特征张量h1通过全连接层，得到初步预测socpre。

16、更优选地，步骤s201中，隐藏特征序列h0的维度为[250，32]，特征范围值区间为[0，1]。

17、更优选地，步骤s202中，特征张量h1的维度为[32]，特征范围值区间为[0，1]。

18、优选地，步骤s3具体为：

19、s301、初始化ekf算法超参数，状态噪声q＝1e-2，观测噪声r＝1e-4，状态矩阵h＝1，协方差初始化为pk＝1e-4；

20、s302、获得观测值zr；

21、s303、更新pk，pk＝pk+q；

22、s304、获得卡尔曼增益kk＝pk*h*(h*pk*h+r)-1；

23、s305、更新xk，xk＝xk+kk*(zr-h*xk)；

24、s306、更新pk，pk＝pk-kk*h*pk；

25、s307、从xk得到socfinal作为soc最终预测结。

26、更优选地，步骤s302中，观测值zr具体为：

27、zr＝sock-1-ikδt/c

28、其中，sock-1为上一时刻的soc值，ik为电流值，δt为时间间隔，c为电池容量。

29、第二方面，本发明实施例提供了一种基于lstm-ea框架的电池soc预测系统，包括：

30、处理模块，对输入数据进行标准化处理，获取当前时刻输入特征序列xinput；

31、网络模块，将当前时刻输入特征序列xinput输入lstm网络，得到初步预测socpre；

32、预测模块，通过基于安时积分模型的ekf算法对预测socpre进行调整，得到最终的电池soc预测结果。

33、第三方面，一种芯片，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于lstm-ea框架的电池soc预测方法的步骤。

34、第四方面，本发明实施例提供了一种电子设备，包括计算机程序，所述计算机程序被电子设备执行时实现上述基于lstm-ea框架的电池soc预测方法的步骤。

35、与现有技术相比，本发明至少具有以下有益效果：

36、一种基于lstm-ea框架的电池soc预测方法，基于lstm模型的方法使用一段时间序列的特征值(电流，电压与温度)与soc的直接映射进行soc估计，因此soc的每次计算都是独立的，而不是迭代的，因此既不存在累积误差，也不依赖于精确的初始soc；然而，正因为如此，当电池电压和电流急剧变化时，基于lstm模型方法的输出soc会有显著的波动，而这个问题不能通过调整网络超参数来解决，这在很大程度上影响了soc估计的稳定性和准确性；为了提高lstm模型对soc预测的稳定性，可以将lstm模型与模型驱动方法结合，通过滤波法修正lstm模型的预测结果，组成lstm-ekf架构，一定程度上提高soc值估计的准确性。通常的模型驱动方法基于等效电路模型，而等效电路模型的精度过度依赖其前置实验的参数识别精度，其模型的精度会一定程度上影响对soc估计的精度。为了保证修正后soc的精度，基于安时积分法原理设计安时积分模型。与等效电路模型相比，安时积分模型不仅有更简洁的计算过程，并且能够取得更精确的soc修正效果，提高soc值估计的准确性。结合lstm模型与基于安时积分模型的ekf算法，构成lstm-ea框架。

37、进一步的，lstm模型的输入特征序列xinput包括电压u、电流i与温度t三个与电池充放电相关的内部特征，并且对特征xinput进行标准化处理。标准化处理可以避免各特征与目标值的量纲不同对预测性能造成影响，同时在lstm模型训练过程中加快梯度下降的速度，方便lstm模型处理数据特征。

38、进一步的，通过lstm模型处理输入特征序列xinput获取soc初步估计值socpre。lstm网络模型作为是一种循环神经网络(rnn)的变体，专门用于处理序列数据。相比传统的rnn结构，lstm引入了门控机制，可以更好地捕捉序列数据中的长期依赖关系。输入特征xinput为序列形式的向量，相比其它机器学习和深度学习模型，lstm能够更好地从输入序列中提取有效特征，更好地拟合输入特征与soc估计结果之间的映射关系，达到更高地soc初步估计精度。

39、进一步的，通过基于安时积分模型的ekf算法对s2中得到的socpre进行修正，得到精确度更高的soc估计结果。安时积分模型基于安培-小时积分法，结构简单。传统的等效电路模型的性能依赖于复杂电池模型的准确性，并且需要估计一些参数。与传统的等效电路模型相比，安时积分模型使用了更简单的结构，不需要额外的参数来计算，并且具有更高的精度。

40、可以理解的是，上述第二方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

41、综上所述，本发明能够缓解输出的波动，提高soc估计结果的可行性，提高lstm网络的鲁棒性和准确性。与传统的模型驱动方法相比，基于ahi的方法过程更简单，提前计算的参数更少，约束性能更高，取得了更好的soc估计结果。

42、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。