[發明專利]動力電池非光滑遲滯特性補償的電荷狀態估算方法及系統

有效

• 申請號: 201310074148.5
• 申請日: 2013-03-08
• 公開（公告）號: CN103176139A
• 公開（公告）日: 2013-06-26
• 發明（設計）人: 黨選舉;姜輝;楊青;劉振丙;許勇;伍錫如;張向文;陳濤;龍超;趙龍陽;許凱
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G01R31/36
• 分類號: G01R31/36
• 代理公司: 桂林市持衡專利商標事務所有限公司 45107
• 代理人: 歐陽波

1.動力電池非光滑遲滯特性補償的電荷狀態估算方法，分兩步對動力電池的電荷狀態SOC(k)進行估算，第一步為采集動力電池，得到實際測量的電池端電壓的離散數字量和離散數字量電流i(k)，對電池開路端電壓的離散數字量OCV(k)進行在線估計；第二步為根據OCV(k)對電荷狀態遲滯非線性誤差進行補償，估算當前SOC(k)值；

第一步、對電池開路端電壓的離散數字量OCV(k)的在線估計

根據電池等效電路模型得到輸出電壓V(k)與電池開端電壓OCV(k)、電流i(k)及電容端電壓u_c(k)的離散量關系以及電容端電壓u_c(k)與i(k)的離散量關系：

V(k)=OCV(k)-R₁i(k)-u_c(k)

u_c(k)=k₂u_c(k-1)+k₁i(k)

其中：

k1=R2TT+R2C,]]>K2=R2CT+R2C]]>

T是采樣周期；

對應上述公式構建神經網絡OCV(k)預估模型，包括三個神經元節點（J₁、J₂、J₃）和第一徑向基函數神經網絡（RBF1），數字采集動力電池，實際測量的電池端電壓的離散數字量和離散數字量電流i(k)，作為本模型的輸入值；

第一神經元節點（J₁）求電容端電壓u_c(k)；z^-1為向前一步算子，第一神經元節點（J₁）輸出的u_c（k）通過z^-1得到對應的u_c（k-1），第一神經元節點（J₁）根據式u_c(k)=k₂u_c(k-1)+k₁i(k)通過加權系數k₁和k₂分別對數字采集所得的i（k）和u_c(k-1)進行加權求和,得到輸出u_c(k)；

第二神經元節點（J₂）根據數字采集得到i(k)與模型中參數k₃得到R₁上的電壓為k₃×i(k)，k₃表示R₁；

第三神經元節點（J₃）計算等效電路輸出電壓V(k)估計值，V(k)=OCV(k)-R₁i(k)-u_c(k),即該節點求和運算的加權系數分別為1，－1，和－1；

第一徑向基函數神經網絡（RBF1）的輸出OCV（k）是電流i(k)、等效電路輸出電壓V(k)的動態函數；OCV（k）通過z^-1向前一步算子得到OCV(k-1)，OCV(k-1)作為外反饋，與V(k)的前一采樣時刻值V(k-1)和i(k)做為第一徑向基函數神經網絡（RBF1）的輸入信號，第一徑向基函數神經網絡（RBF1）對電壓V(k)、電流i(k)與OCV（k）的動態非線性特性進行描述，對電池等效電路模型補充并擴展，第一徑向基函數神經網絡（RBF1）的輸出為電池開路端電壓OCV(k)；

第二步、根據OCV（k）對電荷狀態復雜遲滯非線性誤差補償，估算當前的SOC（k）值

本步驟采用簡單動態遲滯模型—SDH模型與第二徑向基函數神經網絡（RBF2）串聯組成動態遲滯混合模型；

SDH離散模型的表達式如下：

y(k)=η(k)-1k4OCV(k)η(k)=η(k-1)+T×k4(OCV(k)-Δ(η(k)))]]>

Δ(η(k))=k4(η(k)-1)η(k)>10|η(k)|≤1k4(η(k)+1)η(k)<-1]]>

其中，OCV(k)是第一步取得的在線估計值，為SDH模型的輸入，y(k)是SDH離散模型的輸出，T為采樣周期；

SDH模型所得到的y(k)和第一步得到的OCV(k)、OCV(k)的前一采樣時刻值OCV(k-1)作為第二徑向基函數神經網絡（RBF2）的輸入，通過第二徑向基函數神經網絡（RBF2）中的加權學習，實現任意單值對應的非線性映射，間接調整SDH模型的k₄參數，以逼近實際的SOC（k）與OCV（k）復雜遲滯關系，最終輸出在線估算的SOC(k)。