[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

本發明公開了一種LSTM網絡輔助卡爾曼濾波SOC估算方法，該方法通過工況訓練后的LSTM網絡，調整自適應無跡卡爾曼濾波估算中的SOC的Sigma點，提高自適應無跡卡爾曼濾波SOC算法的精確性和穩定性；本發明提高了不同溫度和不同工況下，自適應無跡卡爾曼濾波SOC算法估算精度和穩定性。

技術領域

本發明涉及電池管理系統技術領域，尤其涉及一種LSTM網絡輔助卡爾曼濾波SOC估算方法。

背景技術

動力電池荷電狀態SOC是電池管理系統中重要的評估電池運行狀態的參數，電池荷電狀態SOC表征電池剩余電量，對車輛的續航里程具有參考價值。而且電池荷電狀態SOC是電池其他參數如，電池健康狀態(SOH)、電池能量狀態(SOE)、電池功率狀態(SOP)預測重要依據。

目前國內動力電池的SOC預測方法主要分為安時積分法、等效電路模型法、黑箱模型法。等效電路模型法中自適應無跡卡爾曼濾波算法，在車載動力電池管理系統中得到較為廣泛應用。但在負載變化較大的工況下，自適應無跡卡爾曼濾波算法中，SOC估算結果發生不收斂現象。濾波算法遞歸過程中，協方差變為非正定矩陣等情況。而黑箱模型中，深度學習網絡LSTM對動力電池SOC估算結果雖平均絕對誤差MAE較大，但其結果SOC估算值波動方差較大。

1)、“一種基于循環神經網絡的鋰離子電池SOC預測方法”，專利號CN108519556A。該公開了一種基于循環神經網絡的鋰離子電池SOC預測方法，提供了一種用于估算下一時刻動力電池荷電狀態值，預測精度高，訓練時長短。所述訓練集采用樣本為電池恒電流工況放電充電數據。但對隨機工況下電池荷電狀態估算值誤差值波動較大、穩定性較差等問題未提出有效解決方案。而本專利采用循環神經網絡輔助自適應無跡卡爾曼濾波的方法，在電池隨機充放電功率變化下，提升動力電池荷電狀態估算準確性和穩定性。

2)、“一種電動汽車鋰離子電池的荷電狀態計算方法”，專利號CN109143105A。該發明首先通過滑動窗口算法改進通過數次試驗得到的電池外部參數數據以及此時對應的SOC值共同組成的數據集，然后通過改進的循環神經網絡即長短時記憶網絡方法建立動力電池SOC估算模型，通過試驗反復驗證得到網絡層函數以及梯度調整方法，最后通過設置不同的學習率驗證模型的預測結果。本發明可以準確的預測下一時刻SOC值，并且預測精度高，訓練時長較短。但該發明未對電池充放電數據作出要求，對隨機工況下電池荷電狀態估算值容易發生誤差值波動較大、穩定性較差等問題。

發明內容

為解決上述技術問題，本發明的目的是提供一種LSTM網絡輔助卡爾曼濾波SOC估算方法，提高了自適應卡爾曼濾波算法估算準確性與穩定性。本發明采用LSTM網絡輔助自適應卡爾曼濾波算法對其中Sigma點進行調整，有利于減小過度依賴黑箱模型而老化過程無法顧及的影響，同時解決了初始值設置偏差較大下濾波算法發散的問題。

本發明的目的通過以下的技術方案來實現：

一種LSTM網絡輔助卡爾曼濾波SOC估算方法，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％；