[發明專利]一種LSTM網絡輔助卡爾曼濾波SOC估算方法

有效

• 申請號: 202110715903.8
• 申請日: 2021-06-25
• 公開（公告）號: CN113433457B
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 劉桂雄;李遠茂;李泓沛
• 申請（專利權）人: 華南理工大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/388;G01R31/36;G01R31/396;G01R31/00
• 代理公司: 北京天奇智新知識產權代理有限公司 11340
• 代理人: 陳新勝

1.一種LSTM網絡輔助卡爾曼濾波SOC估算方法，其特征在于，所述方法包括以下步驟：

步驟A對動力電池模組進行HPPC工況測試以及模擬電池模組在多種電動汽車行駛工況下進行充放電，使用充放電設備對動力電池模組充放電電流、端電壓和電池表面平均溫度進行采集；

步驟B利用多項式擬合方法，對HPPC工況下開路端電壓OCV與對應SOC進行擬合，并采用最小二乘擬合遞歸方法辨識電池不同SOC下電池內部相關參數；

步驟C利用電池內部相關參數，構建動力電池自適應無跡卡爾曼濾波算法，將多種模擬行駛工況數據按照80％和20％分為訓練集和測試集；

步驟D設置LSTM神經網絡基本結構參數與訓練參數，將模擬電池在多種電動汽車行駛工況數據輸入LSTM神經網絡中訓練，利用測試集調整LSTM神經網絡基本結構參數，使LSTM神經網絡估算SOC平均絕對誤差與測試集估算SOC平均絕對誤差不超過2％；

步驟E利用LSTM神經網絡與測試集數據，調整自適應無跡卡爾曼濾波算法中估算狀態中各分量，使測試集數據估算SOC平均絕對誤差小于1％；

所述步驟E中對估算狀態中各分量的調整包括對狀態分量均值的調整，其中，對分量均值SOC的調整如下：

ω_LSTM＝(1-b)/(1-b^k)

其中，為第k時刻調整后分量均值，為k時刻前一秒卡爾曼濾波估算值，為k時刻前i秒LSTM神經網絡預測值，ω_LSTM、分別為LSTM網絡預測值和卡爾曼濾波算法修正權重，b為k時刻最終衰減終值；

所述電池不同SOC下電池內部相關參數包括歐姆內阻R0、電化學極化內阻R1、濃度極化內阻R2、極化電容C1和濃度極化電容C2；

所述步驟E中，調整自適應無跡卡爾曼濾波算法中估算狀態中各分量包括調整狀態分量均值中的U₁，U₂分量，ΔU₁、ΔU₂調整量計算公式如下：

其中，I_max、I_min分別為電池額定工作最大、最小電流值；R¹_max、R¹_min分別為電池內部相關參數中電化學極化內阻R1測量最大值和最小值；R²_max、R²_min分別為電池內部相關參數中濃度極化內阻R2測量最大值和最小值,為第k時刻調整后分量均值，為k時刻前一秒卡爾曼濾波估算值。

2.如權利要求1所述的LSTM網絡輔助卡爾曼濾波SOC估算方法，其特征在于，所述步驟E中調整自適應無跡卡爾曼濾波算法中估算狀態中各分量還包括狀態分量調整后均值中的SOC^*、U^*₁,U^*₂分量調整如下：

U₁^*＝U₁+ΔU₁

U₂^*＝U₂+ΔU₂

其中，為第k時刻調整后分量均值，U₁為調整前估計狀態均值，U₂為調整前狀態分量均值，U^*₁為電化學極化電壓，U^*₂為濃度極化電壓。