[發(fā)明專利]基于分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)和雙容積卡爾曼的電池SOH在線估計方法

在審

• 申請?zhí)枺?/td>: 201710628189.2
• 申請日: 2017-07-28
• 公開（公告）號: CN107436411A
• 公開（公告）日: 2017-12-05
• 發(fā)明（設(shè)計）人: 陳則王;林婭;朱曉棟;崔江;王友仁
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號: G01R31/36
• 分類號: G01R31/36;G06N3/04;G06N3/08
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司32200
• 代理人: 曹蕓

1.一種基于分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)和雙容積卡爾曼的電池SOH在線估計方法，其特征在于包括如下基本步驟：

步驟1，通過傳感器測量電池動態(tài)系統(tǒng)的能見狀態(tài)；

步驟2，將同型號電池的歷史數(shù)據(jù)作為初始訓(xùn)練數(shù)據(jù)集，使用分?jǐn)?shù)階理論改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法來訓(xùn)練模型，得到能夠表征蓄電池非線性特性的等效模型；所述步驟2的具體過程如下：

步驟2.1，分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為三層網(wǎng)絡(luò)結(jié)構(gòu)，包括1個輸入層、1個隱含層和1個輸出層，上一層每個節(jié)點(diǎn)通過唯一路徑與下一層各個節(jié)點(diǎn)相連，輸入層節(jié)點(diǎn)數(shù)為3，輸出層節(jié)點(diǎn)數(shù)為1，隱含層節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)設(shè)置為10，所以其網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為3-10-1；

步驟2.2，分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)初始化：

設(shè)置分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值和學(xué)習(xí)速率；

步驟2.3，給定輸入變量和目標(biāo)值：

輸入變量為輸入層的三個節(jié)點(diǎn)，分別是電池SOC估計值、放電電流值和最大剩余容量估計值，目標(biāo)值為輸出層的一個節(jié)點(diǎn)，是電池端電壓值；

步驟2.4，求隱含層、輸出層各單元上的輸出：

根據(jù)輸入變量、輸入層和隱含層之間的連接權(quán)值以及隱含層閾值計算隱含層輸出，再根據(jù)隱含層輸出、隱含層和輸出層之間的連接權(quán)值以及輸出層閾值計算輸出層輸出值；

步驟2.5，求目標(biāo)值與實(shí)際輸出值的偏差E：

根據(jù)平方型誤差公式計算目標(biāo)值與實(shí)際輸出值的偏差E；

步驟2.6，判定目標(biāo)值與實(shí)際輸出值的偏差是否滿足條件，如果所有目標(biāo)值與實(shí)際輸出值的偏差滿足條件，則訓(xùn)練結(jié)束，如果不滿足條件，則對分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)的各個連接權(quán)值和閾值作一次調(diào)整；

步驟3，將步驟1實(shí)時采集的數(shù)據(jù)加入初始訓(xùn)練數(shù)據(jù)集；

步驟4，分析電池隱含狀態(tài)和能見狀態(tài)之間存在的映射關(guān)系，建立一個離散狀態(tài)空間模型來表征其映射函數(shù)；所述步驟4中的離散狀態(tài)空間模型為：

狀態(tài)方程：

量測方程：U_k＝H_NN(X_s,k,I_k,X_p,k)+v_k (2)

其中：F()為電池SOC估計值的狀態(tài)更新方程，X_s,k為神經(jīng)元k處的電池SOC估計值；X_s,k-1為神經(jīng)元k-1處的電池SOC估計值；X_p,k為分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)神經(jīng)元k的連接權(quán)值、閾值和電池容量值組成的n×1的矩陣；X_p,k-1為分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)神經(jīng)元k-1的連接權(quán)值、閾值和電池容量值組成的n×1的矩陣；I_k為k時刻的電池放電電流值；I_k-1為k-1時刻的電池放電電流值；w_k為過程噪聲；r_k為連接權(quán)值、閾值和電池容量更新過程噪聲；U_k為電池端電壓；v_k為測量噪聲；H_NN為分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)模型的一個數(shù)學(xué)表達(dá)式，其具體表達(dá)式為：

其中：X_s為電池的SOC估計值；I為電池的放電電流值；X_p為分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)各個連接權(quán)值、閾值和電池容量值組成的n×1矩陣；θ_t表示隱含層節(jié)點(diǎn)t的閾值；θ_k表示輸出層節(jié)點(diǎn)k的閾值；f(·)是隱含層節(jié)點(diǎn)函數(shù)；g(·)是輸出層節(jié)點(diǎn)函數(shù)；W_rt是指輸入層中的節(jié)點(diǎn)r與隱含層的節(jié)點(diǎn)t間的權(quán)值；W_tk是指隱含層節(jié)點(diǎn)t與輸出層節(jié)點(diǎn)k間的權(quán)值；

步驟5，利用雙容積卡爾曼算法對離散狀態(tài)空間模型進(jìn)行在線更新，同時對隱含狀態(tài)進(jìn)行在線估計；

步驟6，根據(jù)隱含狀態(tài)所反映的電池健康狀況，電池管理系統(tǒng)通過執(zhí)行器對電池進(jìn)行管理。

2.根據(jù)權(quán)利要求1所述的基于分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)和雙容積卡爾曼的電池SOH在線估計方法，其特征在于：所述步驟5的具體過程如下：

將采集到的電池能見狀態(tài)加入訓(xùn)練數(shù)據(jù)集，通過兩個容積卡爾曼濾波器分別對電池的X_s和X_p進(jìn)行估計，再將估計值發(fā)送給分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)模型，分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)模型輸出電池端電壓值并和真實(shí)端電壓值作比較，最后將比較得到的反饋誤差發(fā)送給兩個容積卡爾曼濾波器，對估計值進(jìn)行修正，并繼續(xù)進(jìn)行遞推估計。

3.根據(jù)權(quán)利要求2所述的基于分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)和雙容積卡爾曼的電池SOH在線估計方法，其特征在于：所述通過兩個容積卡爾曼濾波器分別對電池的X_s和X_p進(jìn)行遞推估計的具體過程如下：

步驟5.1，參數(shù)變量時間更新

對分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)的模型參數(shù)和電池容量進(jìn)行狀態(tài)估計，得到其預(yù)測值；

步驟5.2，狀態(tài)變量時間更新

對電池SOC進(jìn)行狀態(tài)估計，得到其預(yù)測值；

步驟5.3，參數(shù)變量量測更新

將分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)模型輸出的電池端電壓值和真實(shí)端電壓值作比較，并根據(jù)得到的誤差對分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)的模型參數(shù)和電池容量估計值進(jìn)行修正；

步驟5.4，狀態(tài)變量量測更新

將分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)模型輸出的電池端電壓值和真實(shí)端電壓值作比較，并根據(jù)得到的誤差對電池SOC估計值進(jìn)行修正。