CN119414253A 一种基于常微分方程神经网络的锂电池soc的估计方法 （湖南大学）

一种基于常微分方程神经网络的锂电池SOC一种基于常微分方程神经网络的锂电池SOC合等效电路模型常微分方程的ODE_RNNNet模原始数据集对ODE_RNNNet模型进行训练；步骤出及荷电状态。本发明能降低训练数据量的需求，提高电池建模及电池荷电状态估计的准确2步骤S2，建立锂电池的二阶RC等效电路模型，确定锂电步骤S3，将步骤S2得到的常微分方程组融入递归神经合等效电路模型常微分方程的ODE_RNN步骤S4，初始化ODE_RNNNet模型参数，再利用原始数据集对ODE2.根据权利要求1所述的基于常微分方程神经网络的锂电C、cz表示锂电池的两个极化电容；ui、u:表示锂电池的两个极化电压；soc)和3.根据权利要求2所述的基于常微分方程神经网络的锂3t时刻的输出电压预测值；f(soc)表函数关系，其通过一个全连接层网络来构建；ODE(-(),0)表示求解ODE_RNNNet模型的隐4.根据权利要求3所述的基于常微分方程神经网络的锂电池SOC的5.根据权利要求4所述的基于常微分方程神经网络的锂度，利用锂电池输出电压真实值与预测值的误差反向传播，以优化ODE_RNNNet模型的参6.根据权利要求5所述的基于常微分方程神经网络的锂电池SL表示损失函数值；f表示常微分方程组；和分别为初始时刻和结束时刻；再定义伴随状态，通过该伴随状态能确定损失函数关于参数的梯度是最后通过自动微分和常微分方程求解器计算出隐藏状态和常微分方程自带参数的损4T表示转置。7.根据权利要求6所述的基于常微分方程神经网络的锂模型各时刻对应的输入数据；表示锂电池后续的输出电压预测值；池放电结束，当锂电池SOC或输出电压高于设定的阈值，即预测到当前时刻锂电池充电结8.根据权利要求7所述的基于常微分方程神经网络的锂电池9.根据权利要求8所述的基于常微分方程神经网络的锂电池S5[0001]本发明涉及能源控制技术领域，尤其指一种基于常微分方程神经网络的锂电池一方面是蓄电池的建模方法以及参数辨识，蓄电池作为高度复杂的非线性系统，[0004]另一方面是电池的SOC和SOH准确估算方法，目前实际应用中应用最广泛的SOC估算结果很大一部分依赖于电池模型参数的辨识6立融合等效电路模型常微分方程的ODE_RNN[0008]进一步的，所述步骤S3建立的融合等效电路模型常微分方程的ODE_RNNNet模型7SOC的函数关系，其通过一个全连接层网络来构建；ODE(-(),0)表示求解ODE_RNNNet模型数关于参数的梯度，利用锂电池输出电压真实值与预测值的误差反向传播，以优化ODE_L表示损失函数值；f表示常微分方程组；和分别为初始时刻和结束时再定义伴随状态a(-ar,ez(，通过该度是如何依赖于ODE_RNNNet模型每个时刻最后通过自动微分和常微分方程求解器计算出隐藏状态和常微分方程自带参数8T表示转置。[0015]本发明提供的基于常微分方程神经网络的锂电池SOC的估计方法，通过构建好的模型融入了包含物理信息的二阶RC等效电路模型以及从数据中学习模型参数的神经网络网络模型中，构建出融合等效电路模型常微分方程的ODE_RNNNet模型，后续通过通过反向传播方法对建立的ODE_RNNNet模型参数进行优化，尤其是与常微分方程相关的9发明提出的ODE_RNNNet模型通过数据与真实模型联合驱动，不仅有效解决了常规数据驱动模型的黑盒性质以及仅由数据驱动的模型需要大量且广泛的数据去保证模型的精度问分方程融入进递归神经网络之中，构建一种具有相应物理含义的常微分方程神经网络模通过对锂电池充放电循环的电压电流数据进行监测收集，得到锂电池源工况数数组成描述电池系统和电性能参数的等效电路模型。锂电池的二阶RC等效电路模型如图2将U、UZ、SOC设定为锂电池的状态值，当模型参数R、Ri、ci、R、CZ已知[0026]而在RNN的训练过程中是将一系列离散化的数据点训练，后续的迭代更新也可被等效电路模型建立在RNN中，将每个RNN单元融入锂电池的二阶RC等效电路模型，形成ODE压值与电池的SOC具有高度非线性函数关系，因此本发明通过一个全连接层网络来构建开t时刻的输出电压预测值；f(soc)表示锂电池的开路[0029]这样便可以将二阶RC等效电路模型的常微分方程以神经网络的形式封装成[0032]由上可知，本发明提供的该ODERNNNet模型是一种基于等效电路模型和常微分态能确定损失函数关于参数的梯度是如何依赖于ODE_RNNNet模型每个时刻的隐藏状态-()：通过自动微分和常微分方程求解器计算出隐藏状态和常微分方程自带参数的损[0037]通过计算损失函数关于参数的梯度，利用不脱离本技术方案构思的前提下任何显而易见的替换均在本发明的