[發明專利]基于極限學習和擴展卡爾曼濾波的荷電量估算方法及設備

在審

• 申請號: 202210544102.4
• 申請日: 2022-05-18
• 公開（公告）號: CN114895190A
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 杜常清;任重;邵建波;顏伏伍
• 申請（專利權）人: 武漢理工大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/388;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 張辰

1.一種基于極限學習和擴展卡爾曼濾波的荷電量估算方法，其特征在于，包括：步驟1：基于鋰電池測試平臺，在不同溫度下對鋰離子電池進行特性實驗，包括：容量測試、HPPC測試、開路電壓OCV測試以及動態工況測試FUDS，實驗過程中采集實時的實驗數據，包括環境溫度、電池本體溫度、電池端電壓以及電流，其中容量測試的數據用來計算鋰電池的真實SOC；HPPC測試和OCV測試數據用來建立與ELM對比的等效電路模型ECM；FUDS測試數據用來訓練、驗證和測試ELM電池模型，還用來測試SOC估算精度；步驟2：構建ELM神經網絡，輸入層包含三個神經元，分別為當前時刻t的電流值、SOC值，以及上一時刻t-1的端電壓值；輸出層包含一個神經元，即SOC；隱藏層神經元的激活函數采用雙曲正切函數，隱藏層神經元個數在下一步驟中采用試錯法確定；步驟3：利用ELM訓練電池模型，首先使用30℃下的FUDS測試數據構建訓練數據集，訓練數據集的輸入包括當前時刻t的電流值I(t)、真實SOC值SOC(t)，以及上一時刻t-1的端電壓值V(t-1)，輸出為當前時刻t的端電壓值V(t),其中真實SOC值根據安時積分法計算：

其中SOC(t₀)為實驗開始前的SOC初值，SOC(t)為當前時刻的SOC值，C_m是由容量測試校準的在該溫度下的電池容量，其余輸入與輸出量為設備采集的實時數據，接著將訓練集的數據進行歸一化處理，提高訓練速度和精度，利用構建的訓練數據集訓練ELM模型；步驟4：測試訓練好的ELM電池模型，根據步驟2，將10℃和50℃下的FUDS測試數據構建成測試數據集，將測試數據集輸入到已構建的ELM電池模型中，對比模型輸出電壓與實測的電池端電壓，并使用均方根誤差RMSE和平均絕對誤差MAE來定量衡量ELM電池模型的精確度；步驟5：構建基于擴展卡爾曼濾波算法的SOC估算方法，首先定義x_k＝[SOC_k,V_k-1]為系統的狀態變量，包括當前時刻的SOC和上一時刻的端電壓，y_k為系統輸出，即當前時刻的端電壓，則系統的狀態空間方程為：

x_k+1＝f(x_k,u_k)+w_k

y_k＝g(x_k,u_k)+v_k

其中w_k和v_k表示高斯噪聲，u_k為系統的輸入，f(x_k,u_k)表示狀態方程，g(x_k,u_k)為量測方程，即由ELM訓練的電池模型，進行擴展卡爾曼濾波的循環；步驟6：基于10℃、30℃或50℃下的FUDS測試數據，利用已構建的ELM-EKF方法對SOC進行估算，將預測SOC與真實SOC進行對比，計算MAE和RMSE，進行性能評估。

2.根據權利要求1所述的基于極限學習和擴展卡爾曼濾波的荷電量估算方法，其特征在于，所述利用構建的訓練數據集訓練ELM模型，包括：對隱藏層參數隨機進行初始化，使用前向傳播原理計算隱藏層的輸出；為了得到連接隱藏層與輸出層之間的權值β_i，要保證ELM的訓練誤差最小，因此可以將Hβ與訓練集中的輸出之間的最小化平方差作為目標函數，能夠使得目標函數最小的解即為最優解，目標函數如下：

min||Hβ-T||²,β∈R^L*m

其中T為訓練集中的輸出，L和M分別表示隱藏層和輸出層中的神經元個數，通過線性和矩陣論推倒可得β的計算如下：

β＝(H^TH)^-1H^T·T

隱藏層的參數和輸出層的權值即可確定，即ELM訓練完成，訓練ELM不需要像訓練BP或者RBF神經網絡那樣進行不斷的迭代，ELM神經網絡具有更快的訓練速度和更好的收斂性能。