[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

本發明提供了一種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。所述方法包括：步驟1至步驟6。本發明不需要在不同溫度下建立等效電路模型和進行參數識別，僅需要利用ELM即可訓練得到電池模型，所得的電池模型不僅精度更高，能夠更精確地反應電池端電壓，而且能夠大大節省建模時間，將由ELM訓練的電池模型與EKF結合進行SOC估算，基于ELM?EKF的SOC估算方法具有更高的精度和更好的魯棒性。

技術領域

本發明實施例涉及電池管理技術領域，尤其涉及一種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。

背景技術

為解決能源消耗和空氣污染等環境問題，電動汽車已成為新能源汽車的主要發展趨勢。動力電池作為電動汽車的核心裝置，為了更好地維護和使用它，電池管理系統不可或缺，其核心功能之一是估算電池的荷電狀態(state of charge,SOC)。電池的SOC相當于燃油車的油表，反映當前狀態下電池的剩余可用容量。準確的SOC估算不僅能夠防止對電池系統的“濫用”，還能夠延長電池使用壽命，提高電池系統的使用效率。目前相關方法存在需要建立準確的電池等效電路模型，以及受訓練數據的質量影響較大等缺陷。因此，開發一種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，可以有效克服上述相關技術中的缺陷，就成為業界亟待解決的技術問題。

發明內容

針對現有技術存在的上述問題，本發明實施例提供了一種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。

第一方面，本發明的實施例提供了一種基于極限學習和擴展卡爾曼濾波的荷電量估算方法，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