[發明專利]基于分數階神經網絡和雙容積卡爾曼的電池SOH在線估計方法

在審

• 申請號: 201710628189.2
• 申請日: 2017-07-28
• 公開（公告）號: CN107436411A
• 公開（公告）日: 2017-12-05
• 發明（設計）人: 陳則王;林婭;朱曉棟;崔江;王友仁
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G01R31/36
• 分類號: G01R31/36;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司32200
• 代理人: 曹蕓

本發明公布了一種基于分數階神經網絡和雙容積卡爾曼的電池SOH（健康狀態）在線估計方法，屬于電池健康管理領域。具體步驟為：（1）通過傳感器采集電池的可見狀態量；（2）離線訓練分數階神經網絡模型；（3）將步驟（1）采集的實時數據加入初始訓練數據集，使模型能夠更加準確地描述電池特性；（4）建立一個離散狀態空間模型來表征電池隱含狀態和可見狀態之間的映射函數；（5）利用雙容積卡爾曼濾波（DCKF）算法對分數階神經網絡模型進行在線更新，同時對隱含狀態進行在線估計。本發明能夠在線更新蓄電池模型，使模型適應不斷變化的動態環境，提高了電池健康管理的效率和準確度。

技術領域

本發明公布了一種基于分數階神經網絡和雙容積卡爾曼的電池SOH(健康狀態)在線估計方法，屬于電池健康管理領域。

背景技術

隨著國家經濟的不斷發展，能源、電力、交通、通信、環保等領域的現代化要求在不斷提高。作為后備能源的蓄電池系統正在被大量使用，對所有不允許斷電的供電電源系統來說，蓄電池組都是一個不可缺少的后備電源系統，而且，蓄電池系統在各行各業中應用越來越廣泛。蓄電池運行狀態是否正常，直接影響著應用領域中各種設備的正常、可靠和安全運行。因此，準確地估計蓄電池健康狀態，對于避免電池過負荷工作、保障設備安全可靠運行具有重要的意義。

為了準確地估計蓄電池的健康狀態，需要對電池進行建模來描述其特性。目前常用的電池模型有三類：電化學模型、等效電路模型和黑箱模型。電化學模型是基于電池內部的熱力學和動力學原理來建立相關方程。該類方法的優點是可以詳細地描述電池內部的電化學反應，但其模型復雜度高，計算量大。等效電路模型是借助傳統的電阻、電容、恒壓源等電路元件，組成電路網絡來描述電池的特性。該類方法的優點是結構簡單，參數少，精度較高。但是該模型的參數沒有實際的物理意義，在電池狀態評估時意義不明確。黑箱模型是根據輸入輸出關系建立起來的，反映了有關因素間的一種籠統的直接因果關系，它通過采用大量的測試數據作為訓練集，來提高模型的預測精度和適應性。該類模型的優點是模型簡單，能夠精確反映電池的非線性關系，但其需要大量的測試數據，模型精度容易受訓練數據和訓練方法影響。

電池模型的研究應該充分考慮蓄電池實際使用環境的特點，在實際應用中，往往只能采集電池端電壓、充放電電流和溫度等一些可測參量。電化學模型因為需要知道電池內部材料的參數，而其內部材料參數在實際應用中很難進行更新，所以實際應用中往往不采用電化學模型。等效電路模型參數的獲取需要先對電池進行脈沖充放電實驗，再對電池靜置階段的端電壓變化曲線進行參數辨識，實際應用中蓄電池往往不能在實驗條件下進行脈沖充放電實驗，所以等效電路模型不符合實際應用情況。黑箱模型是通過大量的測試數據作為訓練集來訓練模型，因此，可以將實際應用中實時采集的端電壓、充放電電流和溫度等可測參量作為訓練集來訓練電池模型。神經網絡模型是一種典型的黑箱模型，可以采用神經網絡算法，通過實際應用中實時采集的數據來訓練神經網絡模型，再通過在線估計技術對電池的健康狀態進行在線估計。但神經網絡模型也存在一定的問題，其訓練速度慢，還會出現無法收斂的情況，而采用分數階改進的神經網絡不僅可以提高其收斂速度，還能提高模型的預測精度。

發明內容

為了解決上述問題，本發明提出了一種基于分數階神經網絡和雙容積卡爾曼的電池SOH在線估計方法，它將智能算法建模和在線濾波估計相結合，來進行電池的狀態估計和健康管理。

本發明為解決其技術問題采用如下技術方案：

一種基于分數階神經網絡和雙容積卡爾曼的電池SOH在線估計方法，包括如下基本步驟：

步驟1，通過傳感器測量電池動態系統的能見狀態；

步驟2，將同型號電池的歷史數據作為初始訓練數據集，使用分數階理論改進的神經網絡算法來訓練模型，得到能夠表征蓄電池非線性特性的等效模型；

步驟3，將步驟1實時采集的數據加入初始訓練數據集；