[發明專利]基于神經網絡與無跡卡爾曼濾波器的鋰電子電池剩余電量與傳感器偏差協同估計的方法

有效

• 申請號: 202010147425.0
• 申請日: 2020-03-05
• 公開（公告）號: CN111208438B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 孫雯;孫立;蘇志剛
• 申請（專利權）人: 東南大學
• 主分類號: G01R31/382
• 分類號: G01R31/382;G01R31/367
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 王安琪

1.基于神經網絡與無跡卡爾曼濾波器的鋰電子電池剩余電量與傳感器偏差協同估計的方法，其特征在于，包括如下步驟：

S1：進行鋰電子電池充放電實驗并采集樣本數據，包含訓練數據和測試數據；

S2：確定神經網絡的輸入和輸出變量，建立SOC的RBFNN模型；

S3：基于訓練數據集對建立的RBFNN進行參數學習，獲取準確的RBFNN模型；

S4：利用測試數據對建立的RBFNN進行獨立精度檢驗；

S5：將SOC設置為內部狀態，設計RBFNN-UKF，實現在初始SOC不確定的情況下對SOC的實時估計；

S6：將傳感器偏差設置為擴張狀態，在原有RBFNN-UKF基礎上設計擴張RBFNN-UKF，實現SOC與未知傳感器偏差的協同估計；具體包括如下步驟：

S61：根據式(8)設計擴張RBFNN-UKF：

將電流傳感器偏差設置為擴張狀態，擴張進入式(3)，通過在采集的電流測量值上加上一個常數，這個常數即為電流傳感器偏差，則系統的狀態變量與觀測變量重新定義為：

y_k＝v(k)

其中，v(k-1)、v(k)、z(k)和z(k+1)分別為k-1時刻的電壓、k時刻的電壓、k時刻的SOC、k+1時刻的SOC，b(k)為電流傳感器偏差值，由于此偏差值設置為常數，b(k+1)＝b(k)；

根據式(7)設計擴張UKF濾波器，實現SOC與未知傳感器偏差的協同估計，其狀態空間模型重新表達為：

y_k+1＝F([x₁(k)；x₂(k)；u_k-x₃(k)])+ν(k)

其中，F是由訓練好的RBFNN確定的網絡輸入到輸出的非線性函數，C_n為鋰電子電池的額定容量，Δt為采樣時間，u_k為輸入變量，即k時刻的電流，w(k)和ν(k)分別為過程噪聲和測量噪聲；

S62：將電流傳感器偏差設置為擴張狀態進行觀測，通過對傳感器偏差進行反饋補償實現SOC與未知傳感器偏差的協同估計。

2.如權利要求1所述的基于神經網絡與無跡卡爾曼濾波器的鋰電子電池剩余電量與傳感器偏差協同估計的方法，其特征在于，步驟S1中，采集的樣本數據包括鋰電子電池的電流、終端電壓和SOC數據。

3.如權利要求1所述的基于神經網絡與無跡卡爾曼濾波器的鋰電子電池剩余電量與傳感器偏差協同估計的方法，其特征在于，步驟S2中，確定神經網絡的輸入和輸出變量，建立SOC的RBFNN模型具體為：根據鋰電子電池充放電實驗采集的數據，將k-1時刻的電壓數據、k時刻的SOC數據、k時刻的電流數據作為神經網絡的輸入，k時刻的電壓數據作為神經網絡的輸出，從而建立RBF神經網絡。

4.如權利要求3所述的基于神經網絡與無跡卡爾曼濾波器的鋰電子電池剩余電量與傳感器偏差協同估計的方法，其特征在于，RBF神經網絡具有三層結構——輸入層、隱含層、輸出層；其中，隱含層每個神經元的激活函數為徑向基函數，即：

其中，為隱含層激活函數，X＝[x₁,x₂,...,x_n]^T為網絡的輸入，c_i＝[c_i1,c_i2,...,c_in]^T為隱含層第i個神經元的中心向量，σ為隱含層第i個神經元的基寬，||.||為歐式范數，RBF神經網絡輸入層至隱含層間的權值為1，隱含層至輸出層的權值向量及閾值由網絡訓練過程決定，網絡輸出表達為：

其中，F為RBFNN輸入到輸出的非線性函數，w₀為閾值，w_i＝[w₁,w₂,...,w_n]^T為隱含層至輸出層的權值向量，M為隱含層神經元數目。