[發明專利]一種蓄電池用基于DFFRLS和神經網絡-ASRUKF的算法

在審

• 申請號: 202110363481.2
• 申請日: 2021-04-02
• 公開（公告）號: CN113094649A
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 顧鐘凡;陳玉偉;李承澳;張德春;黃海
• 申請（專利權）人: 河海大學
• 主分類號: G06F17/16
• 分類號: G06F17/16;G06N3/08;G01R31/367
• 代理公司: 上海思牛達專利代理事務所(特殊普通合伙) 31355
• 代理人: 丁劍

1.一種蓄電池用基于DFFRLS和神經網絡-ASRUKF的算法，其特征在于，包括以下步驟：

S1、DFFRLS在線參數辨識；

S2、采用ASRUKF算法進行SOC估計；

S3、通過DFFRLS和BP-ASRUKF進行SOC聯合估計。

2.根據權利要求1所述的一種蓄電池用基于DFFRLS和神經網絡-ASRUKF的算法，其特征在于：在S1操作步驟中，具體步驟如下：

S101、算法初始化：設初始協方差矩陣P和參數向量θ(k)為：

S102、參數更新：

θ(k+1)＝θ(k)+L(k+1)[y(k+1)-φ^T(k+1)θ(k)]，其中，θ(k)為參數估計值，L為濾波增益矩陣；

S103、構建動態遺忘因子函數：

式中：ε(k+1)為理論模型與實際模型輸出方差，λ(k+1)為動態遺忘因子函數，α、γ均為正可調參數；

S104、增益矩陣更新：

L(k+1)＝P(k)φ(k+1)[λ(k+1)+φ^T(k+1)P(k)φ(k+1)]^-1；

S105、協方差矩陣更新：

S106、重復步驟S102-S105，當程序滿足終止條件時停止運行，得到參數辨識結果。

3.根據權利要求1所述的一種蓄電池用基于DFFRLS和神經網絡-ASRUKF的算法，其特征在于：在S2操作步驟中，具體步驟如下：

S201、預測步-獲取Sigma點矩陣：

式中，χ滿足χ＝N(X,P)分布的n維向量，λ＝α²(n+k)-n，α、K均為可調參數，和分別是系統在K和K-1時刻的狀態變量估計值，S_K為QR分解返回矩陣；

S202、預測步-獲取狀態量和誤差方差矩陣：

式中：A_K-1為系統的狀態轉移矩陣，B_K-1為系統的輸入矩陣，U_K-1是系統的輸入變量，Q_K為系統的過程噪聲協方差，為求解采樣點協方差的權值，為求解采樣點均值的權值；

S203、更新步-Sigma點重采樣并預測：

式中：C_K、D_K分別是關于狀態和輸入的觀測矩陣，為系統在K時刻的觀測變量估計，e_K為觀測值的殘差；

S204、更新步-計算濾波增益和校正檢驗：

式中：R_K為觀測噪聲協方差，b是遺忘因子，d_K＝(1-b)(1-b^K+1)。

4.根據權利要求1所述的一種蓄電池用基于DFFRLS和神經網絡-ASRUKF的算法，其特征在于：在S3操作步驟中，具體步驟如下：

S301、根據DFFRLS算法在線辨識參數

S302、根據辨識的參數完成ASRUKF算法的更新；

S303、根據ASRUKF算法進行SOC估計。

5.根據權利要求4所述的一種蓄電池用基于DFFRLS和神經網絡-ASRUKF的算法，其特征在于：在S3操作步驟中，在S302操作步驟后，還包括：

S304、將SOC估計值通過BP神經網絡擬合的OCV-SOC曲線映射關系獲取OCV的值，引入到DFFRLS算法中完成U_OC(K)的更新。