[發明專利]基于神經網絡優化EKF的鋰離子動力電池SOC估計方法

在審

• 申請號: 201810994346.6
• 申請日: 2018-08-29
• 公開（公告）號: CN109061506A
• 公開（公告）日: 2018-12-21
• 發明（設計）人: 宋佳佳;張金波;張騰龍;李曉艷;張博
• 申請（專利權）人: 河海大學常州校區
• 主分類號: G01R31/36
• 分類號: G01R31/36
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

1.基于神經網絡優化EKF的鋰離子動力電池SOC估計方法，其特征在于，包括以下步驟：

S1.建立鋰離子電池的戴維寧等效電路模型，在所述模型中，R₁是歐姆內阻，R₂是極化內阻，C是極化電容，R₂和C構成阻容回路，用來模擬電池在極化產生和消除過程中的動態過程；

S2.根據電池的端電壓脈沖波形確定戴維寧模型參數，所述模型參數包括R₁、R₂、C、τ、U₀、t₁，其中，R₁、R₂和C通過實驗測量得到，τ＝R₂C，U₀和t₁為待定系數，根據實驗所測數據采用非線性最小二乘曲線擬合能夠求出所述待定系數；

S3、建立所述戴維寧等效電路模型的狀態方程(1)和觀測方程(2)，

U_t＝F(S_t)-R₁I_t-U_c,t+v_t (2)

其中，[S_t,U_c,t]^T為電池的狀態量，U_c,t為極化電容兩端的電壓，Q₀為電池容量，η為充放電效率，I_t為控制變量，U_t為觀測量，[w_1,t，w_2,t]^T為系統噪聲，v_t為觀測噪聲；

S4、擴展卡爾曼濾波器初始化和時間更新：狀態估計更新、誤差協方差更新；在濾波過程中基于建立的觀測方程預測電池的剩余電量SOC；

S5、建立BP神經網絡，用LM算法訓練BP神經網絡，選擇電池端電壓、充放電電流和環境溫度作為BP神經網絡的輸入，輸出為電池的剩余電量SOC；

S6、基于BP神經網絡優化擴展卡爾曼濾波的估算結果，即將BP神經網絡的權值、閾值作為擴展卡爾曼濾波器的狀態，網絡輸出作為觀測，把對象模型問題轉化為狀態參數的估計問題；

S7、將基于BP神經網絡優化擴展卡爾曼濾波的估算結果與步驟4得到的結果進行對比，驗證基于BP神經網絡優化擴展卡爾濾波算法的有效性。

2.根據權利要求1所述的基于神經網絡優化EKF的鋰離子動力電池SOC估計方法，其特征在于，S2進一步包括：

通過所述戴維寧等效電路模型，得到以下數學關系：

E_t＝R₁I_t+U_c,t+U_t (3)

其中，E_t為電路開路電壓，且E_t與SOC的函數關系為E_t＝F[s(t)]，s(t)為t時刻電池的SOC；所述電路開路電壓是由放電停止后的某時刻電壓根據實驗所測數據采用最小二乘法曲線擬合求出。

3.根據權利要求2所述的基于神經網絡優化EKF的鋰離子動力電池SOC估計方法，其特征在于，

根據安時積分法得到：

選擇[S_t,U_c,t]^T為電池的狀態量，U_c,t為極化電容兩端的電壓，則電池的狀態空間方程為：

4.根據權利要求1所述的基于神經網絡優化EKF的鋰離子動力電池SOC估計方法，其特征在于，S4進一步包括：

擴展卡爾曼濾波是通過系統狀態空間模型，利用泰勒公式，對非線性系統進行線性化處理，然后再利用標準卡爾曼濾波算法的循環迭代過程對狀態變量做算法最優估計。

5.根據權利要求1所述的基于神經網絡優化EKF的鋰離子動力電池SOC估計方法，其特征在于，S5進一步包括：

所述BP神經網絡的網絡層數為3，由輸入層、隱含層和輸出層組成。

6.根據權利要求1所述的基于神經網絡優化EKF的鋰離子動力電池SOC估計方法，其特征在于，S6進一步包括：

建立誤差預測模型，進行SOC估計的誤差預測，誤差預測模型的數學表達式為，

e(k)＝y(k)-y_n(k) (6)

其中，y(k)表示理想輸出，y_n(k)表示BP神經網絡的輸出層神經元的輸出。