[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

本發明提供一種蓄電池用基于DFFRLS和神經網絡?ASRUKF的算法，涉及蓄電池技術領域。該蓄電池用基于DFFRLS和神經網絡?ASRUKF的算法，包括：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。該蓄電池用基于DFFRLS和神經網絡?ASRUKF的算法，采用BP神經網絡代替多項式擬合OCV?SOC曲線可以進一步提高曲線擬合精度，從而提高參數在線辨識的精度，在參數在線辨識中，DFFRLS算法采用動態變化的遺忘因子，能夠進一步降低“數據飽和”現象，相較于FFRLS及RLS算法具有更好的快速性和精確性息，在SOC估計中，噪聲協方差矩陣實時更新的同時保證狀態協方差矩陣的半正定性，降低了噪聲協方差初值設定對估計精度的影響。

技術領域

本發明涉及蓄電池技術領域，特別的為一種蓄電池用基于DFFRLS和神經網絡-ASRUKF的算法。

背景技術

近年來，伴隨著我國提出的電力物聯網以及能源互聯網戰略，可再生能源技術得到了極大的發展，新能源汽車作為可再生能源技術的重大商業應用，已經逐步成為主流出行方式。而蓄電池作為新能源汽車的動力來源，由于其工作狀況極其復雜且不具有普遍性，需要建立合適的電池管理系統(bat-tery management system，BMS)實時獲取蓄電池的工作狀態，其內部狀態主要包括荷電狀態(state of charge，SOC)和健康狀態(state ofhealth，SO-H)。其中，SOC作為電池管理系統最核心的技術之一，精確的SOC估計可以使蓄電池得到。

目前對SOC估計的方法有很多種，主要分為以下幾類：安時積分法、開路電壓法、神經網絡法和基于等效模型法。安時積分法作為一種開環的估計方法，其SOC的估計誤差會隨著時間進行累積，最終將無法滿足SOC估計精度的要求，且其SOC估計結果受SOC初值的影響較大。開路電壓法在估計SOC之前需要將蓄電池開路靜置很長一段時間來保證SOC估計的準確性，因此不適用于在線估計。神經網絡法采用大數據訓練來估計SOC，但其每次訓練結果都不同且估算精度受訓練方法的影響較大。基于等效模型的SOC估計方法主要為拓展卡爾曼濾波法(extend Kalman filter，EKF)及其延伸無跡卡爾曼濾波法(unscented Kalmanfilter，UKF)。EKF在對系統進行線性化的過程中忽略了泰勒展開后的二次及以上高次項，使得系統存在線性化誤差。UKF通過無跡變換來獲取過程噪聲協方差的統計量，但UKF需要人為指定噪聲協方差初值，使得SOC估計存在噪聲誤差，同時UKF無法保證狀態協方差矩陣的半正定性，影響程序運行充分的利用，對電池管理系統具有重大的意義。

綜上所述，研發一種蓄電池用基于DFFRLS和神經網絡-ASRUKF的算法，仍是蓄電池技術領域中急需解決的關鍵問題。

發明內容

本發明提供的發明目的在于提供一種蓄電池用基于DFFRLS和神經網絡-ASRUKF的算法，解決上述背景技術中的問題。

為實現以上目的，本發明通過以下技術方案予以實現：一種蓄電池用基于DFFRLS和神經網絡-ASRUKF的算法，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。

進一步的，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：

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：