本发明属于电池状态估计，具体涉及一种锂电池荷电状态和可用容量的估算方法和系统。
背景技术：
1、锂电池由于能量密度高、循环寿命长以及充放电时间短等优势，被广泛应用于电动汽车与储能电站中。车载电池管理系统(battery managementsystem，bms)通常用于监测锂电池的端电压(ut)，但端电流(it)和表面温度(t)无法直接获取内部反应状态。如何通过电池内部参数更加精确估计锂电池状态，特别是用于反应锂电池短时变容量衰退程度百分比的荷电状态(state ofcharge,soc)，已成为确保电池安全可靠运行的紧迫课题。
2、soc估计方法主要分为三种：直接估算法、基于电池模型的方法和数据驱动的方法。其中，直接估算法主要是安时积分法，它通过积累电池充放电容量来估算锂电池的soc。然而，这种方法在计算过程中容易产生误差累积，导致估计结果逐渐偏离实际值。基于电池模型的方法需要依赖大量的电池充放电测试数据来获取建模的关键参数，且电池模型参数的获取过程通常耗时且受环境温度等因素影响，因此所建立的电池模型泛化能力较弱。作为主要的数据驱动方法，深度神经网络(deep neuralnetwork，dnn)通过学习电压、电流和温度等采样信息与soc之间的映射关系来构建可靠的估算模型。这种方法实现简单，具有一定的泛化能力，有效减少了由安时积分法产生的误差累积和电池模型参数更新耗时的问题。
3、目前，基于dnn的方法主要遵循数据驱动的范式，通过学习采样信息与soc之间的演化规律来建立估算模型。然而，这种方法并没有让dnn学习到电池内部的潜在“物理知识”，忽略了锂电池内部的电化学反应过程。因此，在短期内训练dnn很难学习到正确的映射关系。此外，传统的基于dnn的方法主要在有限的标准动态工况下进行训练和测试，这限制了dnn只能学习到规律性的放电过程，难以泛化到随机驾驶条件下的真实环境。尽管使用大量数据和更长的训练周期可以部分解决这一问题，但这无疑增加了时间和计算成本。最后，传统的soc估计方法只能反映电池当前的容量衰退百分比，无法准确获取电池在实际条件下的剩余容量，这对于电池管理系统(bms)监测电池衰退程度来说是不利的。
技术实现思路
1、为了提高电池soc的估算准确率以及效率，从而帮助bms更准确地掌握电池的衰退程度，本发明提出一种锂电池荷电状态和可用容量的估算方法和系统。
2、实现本发明目的之一的锂电池荷电状态的估算方法，包括：
3、构建并训练基于lstm网络的soc估算模型；所述soc估算模型用于估算电池的soc；
4、将电池的端电压、电压分量、端电流和表面温度输入至训练好的soc估算模型，得到soc估算值；所述电压分量包括开路电压、反应过电压、液相电压和欧姆电压；通过电池的端电流得到所述电压分量；
5、使用滤波算法对所述soc估算值进行降噪，得到电池最终的soc值；
6、根据所述电池最终的soc采用逆向安时积分法对电池的可用容量进行估算，得到电池的可用容量的估算值。
7、进一步地，所述可用容量的估算方法包括：
8、
9、δzlstm，k＝zlstm,k-zlstm,k-ls
10、式中：
11、表示电池在k时刻前的设定时间段k-ls内可用容量的估计值；
12、δca,k表示电池在k时刻前设定时间段k-ls内的容量变化；
13、η表示库伦效率；
14、ij表示j时刻的电流值；
15、δt表示采样间隔；
16、δzlstm,k表示k时刻的soc后验估计值的变化量；
17、zlstm,k表示k时刻的soc的后验估计值；
18、zlstm,k-ls表示k时刻前设定时刻的soc后验估计值。
19、进一步地，所述滤波算法为卡尔曼滤波算法，其状态空间方程包括：
20、
21、式中：
22、zc,k和zc,k-1分别表示k时刻和k-1时刻以soc估算模型输出的初始soc估计结果为输入的卡尔曼滤波算法先验soc估计值；
23、qall表示电池容量；
24、δt表示采样间隔；
25、η表示库仑效率；
26、ik-1表示k-1时刻的单位矩阵；
27、wahi,k-1表示k-1时刻过程噪声；
28、zlstm,k表示k时刻卡尔曼滤波算法的后验soc估计值；
29、vlstm,k表示k时刻的测量噪声。
30、进一步地，所述lstm网络包含由128个神经元组成的单层结构，在lstm层后包含两个密集层，用于增加神经网络的表达能力。
31、更进一步地，第一个密集层由8个神经元组成，第二个密集层由1个神经元组成。两个密集层之间加了dropout层，丢弃率设置为0.2。
32、实现本发明目的之二的一种电池荷电状态和可用容量的估算系统，包括：
33、模型训练模块：用于构建并训练基于lstm网络的soc估算模型；所述soc估算模型用于估算电池的soc；
34、soc估算模块：用于将电池的端电压、电压分量、端电流和表面温度输入至训练好的soc估算模型，得到soc估算值；
35、soc优化模块：用于使用滤波算法对所述soc估算值进行降噪，得到电池最终的soc值；
36、可用容量估算模块：用于根据所述电池最终的soc采用逆向安时积分法对电池的可用容量进行估算，得到电池的可用容量的估算值。
37、进一步地，所述可用容量的估算方法包括：
38、
39、式中：
40、表示电池在k时刻前的设定时间段k-ls内可用容量的估计值；
41、δca,k表示电池在k时刻前设定时间段k-ls内的容量变化；
42、η表示库伦效率；
43、ij表示j时刻的电流值；
44、δt表示采样间隔；
45、δzlstm,k表示k时刻的soc后验估计值的变化量；
46、zlstm,k表示k时刻的soc的后验估计值；
47、zlstm,k-ls表示k时刻前设定时刻的soc后验估计值。
48、进一步地，所述滤波算法为卡尔曼滤波算法，其状态空间方程包括：
49、
50、式中：
51、zc,k和zc,k-1分别表示k时刻和k-1时刻以soc估算模型输出的初始soc估计结果为输入的卡尔曼滤波算法先验soc估计值；
52、qall表示电池容量；
53、δt表示采样间隔；
54、η表示库仑效率；
55、ik-1表示k-1时刻的单位矩阵；
56、wahi,k-1表示k-1时刻过程噪声；
57、zlstm,k表示k时刻卡尔曼滤波算法的后验soc估计值；
58、vlstm,k表示k时刻的测量噪声。
59、进一步地，所述lstm网络包含由128个神经元组成的单层结构，在lstm层后包含两个密集层，用于增加神经网络的表达能力。
60、更进一步地，第一个密集层由8个神经元组成，第二个密集层由1个神经元组成。两个密集层之间加了dropout层，丢弃率设置为0.2。
61、实现本发明目的之三的一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述电池荷电状态和可用容量的估算方法的任一步骤。
62、本发明的有益效果包括：
63、(1)本发明采用了将电化学信息嵌入深度神经网络进行soc估计的方法，由于其考虑了锂电池内部的电化学反应过程，能够在短训练周期内学习到正确的soc映射关系，从而提高了深度神经网络的预测性能。
64、(2)本发明采用了将卡尔曼滤波算法(kf)和逆向安时积分法结合的方法，首先通过kf方法提高soc估算模型的soc估计结果精度，然后通过逆向安时积分方法直接利用滤波后的soc估计值得到可用容量估计，从而直接将该soc估计方法扩展到可用容量估计中，而不需要重新寻找其它特征进行可用容量估计。
1.一种电池荷电状态和可用容量的估算方法，其特征在于，包括：
2.如权利要求1所述的电池荷电状态和可用容量的估算方法，其特征在于，所述可用容量的估算方法包括：
3.如权利要求2所述的电池荷电状态和可用容量的估算方法，其特征在于，所述滤波算法为卡尔曼滤波算法，其状态空间方程包括：
4.如权利要求1所述的电池荷电状态和可用容量的估算方法，其特征在于，所述lstm网络包含由128个神经元组成的单层结构，在lstm层后包含两个密集层，用于增加神经网络的表达能力。
5.如权利要求4所述的电池荷电状态和可用容量的估算方法，其特征在于，第一个密集层由8个神经元组成，第二个密集层由1个神经元组成。
6.如权利要求4所述的电池荷电状态和可用容量的估算方法，其特征在于，两个密集层之间加了dropout层，dropout层的丢弃率设置为0.2。
7.一种电池荷电状态和可用容量的估算系统，其特征在于，包括：
8.如权利要求7所述的电池荷电状态和可用容量的估算方法，其特征在于，所述可用容量的估算方法包括：
9.如权利要求7所述的电池荷电状态和可用容量的估算系统，其特征在于，所述lstm网络包含由128个神经元组成的单层结构，在lstm层后包含两个密集层，用于增加神经网络的表达能力，第一个密集层由8个神经元组成，第二个密集层由1个神经元组成，两个密集层之间加了dropout层，丢弃率设置为0.2。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述电池荷电状态和可用容量的估算方法的步骤。
