CN105116343B - 最小二乘支持向量机的动力电池电荷状态估计方法及系统 - Google Patents

最小二乘支持向量机的动力电池电荷状态估计方法及系统 Download PDF

Info

Publication number
CN105116343B
CN105116343B CN201510521981.9A CN201510521981A CN105116343B CN 105116343 B CN105116343 B CN 105116343B CN 201510521981 A CN201510521981 A CN 201510521981A CN 105116343 B CN105116343 B CN 105116343B
Authority
CN
China
Prior art keywords
soc
estimation
electrokinetic cell
vector machine
square
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510521981.9A
Other languages
English (en)
Other versions
CN105116343A (zh
Inventor
党选举
言理
伍锡如
刘政
姜辉
张向文
李爽
汪超
黄品高
王土央
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201510521981.9A priority Critical patent/CN105116343B/zh
Publication of CN105116343A publication Critical patent/CN105116343A/zh
Application granted granted Critical
Publication of CN105116343B publication Critical patent/CN105116343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明为最小二乘支持向量机的动力电池电荷状态估计方法及系统,本法步骤为:Ⅰ、用动力电池模型及参数由含遗忘因子的最小二乘FFRLS求得开路电压Uoc;Ⅱ、用FFRLS拟合得到Uoc‑SOC的关系;Ⅲ、建立在线最小二乘支持向量机LS‑SVM的SOC训练模型;Ⅳ、估计SOC的初值,安时积分法估计SOC;Ⅴ、修正、补偿安时积分法估计的SOC。本系统电压电流传感器实时信号接入微处理器,程序存储器中存储有执行本法的各处理模块,计算处理所得实时SOC估计值直接显示。本发明有效地补偿拟合误差和安时积分法的累计误差;在线实时地调整模型参数,运算速度快,跟踪能力强,估计准确,实验表明本法SOC估计精度,平均绝对误差仅为1.28%。

Description

最小二乘支持向量机的动力电池电荷状态估计方法及系统
技术领域
[0001] 本发明涉及电动汽车动力电池电荷状态估计领域,具体为最小二乘支持向量机 (Least squares support vector machine,LS_SVM)的动力电池电荷状态估计方法及系 统,采用在线最小二乘支持向量机(LS-SVM)估计电池的开路电压0CV,根据安时积分法估计 电荷状态S0C,并利用开路电压OCV的偏差修正电荷状态S0C,提高电荷状态SOC的估计精度。
背景技术
[0002] 随着环境污染、能源危机以及能源安全等问题日益突出,对新能源电动汽车的研 究已成为全世界关注的焦点。在电动汽车的动力电池管理系统中,电池电荷状态(SOC)的预 测对充放电管理、均衡管理等起到决定性作用,也直接影响电池组的使用寿命与安全。在现 有电池中,锂离子电池以其高能量密度、高工作电压、高比能、低污染、低自放电速率和无记 忆效应等优点,广泛应用于汽车、航天、船舶等领域。
[0003] 锂离子电池的电荷状态(State of Charge,S0C)是一个反映电池剩余电量的重要 参数,然而SOC不能直接通过传感器测量所得,只能根据所建立的模型运用相应的算法间接 估计得到。现已出现了多种电池SOC估计方法:开路电压法精确、简单,但是电池需要长时间 的静置,不适合在线估计;安时积分法是目前比较常用的一种方法,短时间虽能较精确地估 计,但是存在初值问题,并随着运行时间的增加累计误差也会增大,降低了 SOC的估计精度; 智能建模方法如神经网络法需要采集大量的数据,对数据的依赖性很大,易陷入局部极小; 典型的估计方法如卡尔曼滤波法,由采集到的电压电流,通过递推得到SOC最小方差估计, 对模型的依赖性很高;粒子滤波算法在处理非线性、非高斯系统有着明显的优越性以及粒 子滤波器的多模态处理能力,但由于粒子权值的方差随着时间递增,退化现象不可避免,且 需要用大量的样本数量。
[0004] 支持向量机(SVM)是统计学理论的一种机器学习方法,最小二乘支持向量机(LS-SVM)是标准支持向量机(SVM)的一种新扩展,结构参数在训练过程中根据样本数据自动确 定,不存在过拟合现象;它将标准支持向量机(SVM)的学习问题转化为解线性方程组问题, 变量少,运算量小,降低了计算复杂度,具有更快的求解速度和更好的鲁棒性,为非线性系 统的估计提供了有效的解决方法。
[0005] 设某一待回归系统的输入、输出样本数据集为{xk,yk},(1ί=1,2,···,Ν)。其中,紅为 η维系统输入向量;yk为系统输出,LS-SVM回归模型可以表示为以下形式:
Figure CN105116343BD00051
[0007] 式中:Φ (·)是将输入空间映射为高维特征空间的映射函数;ω为超平面的权值 向量;b为偏置量。
[0008] 最小二乘支持向量机(LS-SVM)回归算法选择误差ek的2-范数为损失函数,其优化 问题为: 最小:
Figure CN105116343BD00061
Figure CN105116343BD00062
[0009] 条件:.y(々)= ) + /? + = 1,2,··., /V
[0010] 其中:J为以ω、e为自变量的优化函数;ek为回归误差;γ >〇为惩罚函数,用于调节 误差,能够使训练误差和模型复杂度之间取一个折衷,以便使所求的函数具有较好的泛化 能力,并且惩罚函数γ值越大,模型的回归误差越小。
[0011] 引入Lagrange函数进行求解:
Figure CN105116343BD00063
[0013]式中Cik (k= 1,2,…,N)为Lagrange乘子。
[00M] 最优的α和b可以通过KKT (Karush-Kuhn-Tucker最优化条件)条件获得,即:
Figure CN105116343BD00064
[0016] 通过消除上式中的变量《和说,优化问题转化为求解如下线性方程组:
Figure CN105116343BD00065
[0018] 式中:y = [yu〗,…,yN]T;i = [l,l,..、,:rf_.;a = [CXllCX2,…,αΝ]τ; I 为单位矩阵;Ω 为方 阵,由《liji,j = l,2,...,N构成方阵
[0019] 根据Mercer条件可知,存在映射φ(0和核函数K (·,·)使得:
Figure CN105116343BD00066
[0021]由线性方程组求出a和b后,可得到最小二乘支持向量机LS-SVM的非线性函数估计 为:
Figure CN105116343BD00067
[0023] 选择不同形式的核函数Κ(·,·),可以生成不同的支持向量机。常用的核函数有: 线性核函数
Figure CN105116343BD00068
多项式核函数
Figure CN105116343BD00069
;径向基函数核函数
Figure CN105116343BD000610
[0024] 随机器学习技术迅速发展,基于统计理论的最小二乘支持向量机方法在建模与状 态估计中,对干扰的抑制表现出独特的优势。
[0025] 但尚未见到动力电池电荷状态估计方法中采用最小二乘支持向量机的报道。
发明内容
[0026] 本发明的目的是设计一种最小二乘支持向量机的动力电池电荷状态估计方法,采 用在线最小二乘支持向量机(LS-SVM)估计电池的开路电压0CV,根据安时积分法估计电荷 状态S0C,并利用开路电压OCV的偏差修正电荷状态S0C,有效地补偿拟合误差和安时积分法 产生的累计误差,提高电荷状态SOC的估计精度。
[0027] 本发明的另一目的是设计一种实现上述最小二乘支持向量机的动力电池电荷状 态估计方法的最小二乘支持向量机的动力电池电荷状态估计系统。
[0028] 本发明设计的一种最小二乘支持向量机的动力电池电荷状态估计方法主要步骤 如下:
[0029] I、动力电池模型及参数开路电压U。。的辨识
[0030] 本发明采用目前最广泛使用的Thevenin模型为电池等效模型,描述电池的静态和 动态性能。电池的极化电阻Rp与电池的极化电容Cp并联构成一阶RC结构,表示电池的极化 反应,RC两端电压为Up⑴;串接欧姆电阻Ro和Uoc,Uoc为电池的开路电压0CV,采样得到电 池端电压U⑴和流过欧姆内阻Ro的电流i⑴。
[0031] 电池Thevenin模型数学表达式如下:
Figure CN105116343BD00071
(1)
[0033] 采用后向差分变换方法对模型离散化,用含遗忘因子的最小二乘(Forgetting factor least squares algorithm FFRLS)进行参数辨识,整理得:
[0034] U (k) =aiU (k_l) +a2l (k) +a3l (k_l) + (l_ai) Uoc (k) (2)
[0035] 其中,U (k-1)是当前k时刻的前一时刻的端电压值,I (k-1)是当前k时刻的前一时 刻的电流值。
[0036] 由含遗忘因子的最小二乘FFRLS算法求得式(2)中的ai、a2、a3的值,对应得到参数 Uoc (k)的值。
[0037] Π、建立 Ucic-SOC 的关系
[0038] 本发明采用多项式曲线拟合U。。和SOC之间关系UQC = f (SOC),考虑到阶次、精度和 计算的复杂性等,选用8次多项式拟合曲线。HOC拟合如下式:
Figure CN105116343BD00072
[0040] 其中U。。(SOCk)表示电池开路电压U。。与SOC之间的非线性关系,kQ〜k8为系数,用含 遗忘因子的最小二乘法FFRLS拟合得到。
[0041] m、基于在线LS-SVM的动力电池开路电压U。。估计
[0042] 在汽车运行过程中,为了快速、准确地估计S0C,采用调整参数少的在线最小二乘 支持向量机LS-SVM,建立SOC估计模型。
[0043] 以动力电池的电压、电流、温度作支持向量机SVM的输入,以动力电池电荷状态作 为输出直接来估计SOC。但是存在多解的情况,不利于电池SOC的实时准确估计。本发明根 据动力电池电压、电流和开路电压之间的关系,充分考虑开路电压的满变化,由步骤I的式 ⑵可得
[0044] Uoc (k) =biU (k) +b2U (k-1) +b3I (k) +b4I (k-1) (4)
[0045] 以当前k时刻端电压U(k)、上一时刻端电压U (k-1)、当前k时刻电流I (k)和上一时 刻电流I (k-Ι)为输入,以开路电压U。。(k)为输出,建立在线LS-SVM训练模型,选择最小二乘 支持向量机LS-SVM的线性核函数不仅训练速度快,而且能够更清晰准确地描述电压电流之 间的关系。
[0046] 为了跟踪动力电池的动态特性,当动力电池产生新的电压电流数据时,新数据要 加入动力电池模型中。随着新数据的不断增加,线性核函数矩阵的维数也将随之增加,最终 会导致动力电池SOC估计系统资源的耗尽。因此本发明在线最小二乘支持向量机LS-SVM包 括增加样本和消减样本两个过程。设置训练样本的窗口长度为N。在此定义Pn= Ω + γ ,其 中:Pn是N X N的矩阵,Ω为方阵。则得到式⑶
Figure CN105116343BD00081
(5)
[0048] 式中:7=[71,72,‘"^]1';卜二[丨,丨,...,丨]/;(1=[€[1,€[2,‘",€^]1';1为单位矩阵;1'矩阵转 置符号。
[0049] 展开为:
Figure CN105116343BD00082
(6)
[0051] 求解可得:
Figure CN105116343BD00083
(7)
[0053] 计算出/V,由公式⑵确定α和b。训练过程中只要将新样本添加到Pn中的同时,消 去同等数量的旧样本,就可以不断更新,得到新的0和&,实时得到估计的开路电压U。。。
[0054] IV、动力电池SOC估计
[0055] IV-USOC的初值估计
[0056] 采用LS-SVM模型估计出开路电压U。。,根据公式⑶的反函数估计SOC的初值SOC0:
[0057] SOCo = Tl(Uocd)) (8)
[0058] 在整个SOC的估计过程中均采用查表法由U。。估计得到S0C,但Ucic-SOC关系曲线存 在平台区域,曲线拟合本身就造成了较大的误差。如果利用该曲线估计S0C,则需要对SOC进 行补偿,提高估计精度。
[0059] IV-2、安时积分法估计SOC
[0000] 安时积分法(Ah法,Ampere-hour Counting method)是目前比较常用的一种方法, 短时间虽能较精确地估计,但存在初值问题,并随着运行时间的增加,累积误差也逐渐增 大,SOC的估计精度降低。
[0061]本发明根据式⑶Uc^-SOC关系确定一个合适的SOC初值后,采用安时积分法估计下 一时刻的SOC值:
Figure CN105116343BD00091
(9)
[0063] 式(9)中Cn是电池的额定容量,时间间隔At=l,n是库伦系数,取值为1。
[0064] V、动力电池安时积分法估计SOC的修正与误差补偿
[0065] 由于Ucic-SOC的拟合关系本身就存在误差,因而得到的SOC的估计也存在偏差,且采 用安时积分法计算得到的SOC存在累积误差。本发明将在线最小二乘支持向量机LS-SVM估 计的U。。(k)与根据公式(3)计算得到的开路电压Uqc (SOCk)相比得到对应的偏差,并用此修正 步骤IV安时积分法估计所得的SOC (k),以补偿拟合误差及安时积分法产生的累积误差。
[0066] 步骤IV所得估计值SOC (k)的补偿后得到(幻,
Figure CN105116343BD00092
(10)
[0068] 其中,Kp为补偿系数,Kp取值0.5X10—6〜1.55X10—6,最佳方案取Kp为10一6; 忌90(¾为补偿后的SOC值,为在线LS-SVM估计得到的开路电压的估计值。
[0069] 本发明最小二乘支持向量机的动力电池电荷状态估计系统包括微处理器、电压传 感器和电流传感器,微处理器还连接显示器。微处理器配有通用接口,电压传感器和电流传 感器接入模数转换电路,再经通用接口连接微处理器。
[0070] 微处理器连接有程序存储器和数据存储器,程序存储器含有电压电流数据采集模 块、最小二乘支持向量机(LS-SVM)开路电压(OCV)在线实时估计模块、Ucic-SOC关系SOC初值 估计模块、安时积分法SOC估计模块、U。。和OCV的偏差和补偿系数Kp计算模块以及SOC修正 补偿模块。数据存储器保存动力电池模型参数。
[0071] 微处理器接收电压传感器和电流传感器检测的动力电池实时信息,通过电压电流 数据采集模块、最小二乘支持向量机(LS-SVM)开路电压(OCV)在线实时估计模块、Ucic-SOC关 系SOC初值估计模块、安时积分法SOC估计模块、U。。和OCV的偏差和补偿系数Kp计算模块以 及SOC修正补偿模块的计算处理,得到实时SOC估计值,在显示器上显示。
[0072] 微处理器连接CAN接口,所得的实时SOC估计值经CAN接口提供给其它设备。
[0073] 微处理器及所连接的程序存储器、数据存储器和显示器构成嵌入式系统。
[0074] 与现有技术相比,本发明最小二乘支持向量机的动力电池电荷状态估计方法及系 统的优点为:1、利用采用计算简单、收敛速度快的在线LS-SVM模型辨识开路电压Uoc,以SOC 与OCV (也就是开路电压Uoc)的关系确定SOC初值,通过安时积分法估计S0C,并利用OCV的 偏差信息对安时积分法得到的SOC估计值进行修正,有效地补偿拟合误差和安时积分法产 生的累计误差;2、在线实时地调整模型参数,运算速度快,跟踪能力强,估计准确,实验表 明本法SOC估计精度,平均绝对误差为1.2793%,最大绝对误差为2.7011 %。
附图说明
[0075] 图1为本最小二乘支持向量机的动力电池电荷状态估计方法实施例所采用的电池 等效模型Thevenin模型图。
[0076] 图2为本最小二乘支持向量机的动力电池电荷状态估计方法实施例SOC估计方法 示意图;
[0077] 图3为本最小二乘支持向量机的动力电池电荷状态估计方法实施例流程图;
[0078] 图4为本最小二乘支持向量机的动力电池电荷状态估计系统实施例结构示意图;
[0079] 图5为本最小二乘支持向量机的动力电池电荷状态估计系统实施例所得SOC估计 值与SOC真实值的对比曲线图;
[0080] 图6为本最小二乘支持向量机的动力电池电荷状态估计系统实施例所得SOC估计 值的误差曲线图。
具体实施方式
[0081] —种最小二乘支持向量机的动力电池电荷状态估计方法实施例
[0082] 本最小二乘支持向量机的动力电池电荷状态估计方法实施例主要步骤示意图如 图2所示,流程图如图3所示,具体步骤如下:
[0083] I、动力电池模型及参数开路电压U。。的辨识
[0084] 采用图1所示的Thevenin模型为电池等效模型,电池的极化电阻Rp与电池的极化 电容Cp并联构成一阶RC结构,表示电池的极化反应,RC两端电压为Up (t);串接欧姆电阻R0和 U〇C,U〇C为电池的开路电压0CV,采样得到电池端电压U(t)和流过欧姆内阻Ro的电流i⑴;
[0085] Thevenin模型数学表达式如下:
Figure CN105116343BD00101
(1)
[0087] 采用后向差分变换方法对模型离散化,用含遗忘因子的最小二乘进行参数辨识, 整理得:
[0088] U (k) =aiU (k_l) +a2l (k) +a3l (k_l) + (l_ai) Uoc (k) (2)
[0089] 其中,U (k-1)是当前k时刻的前一时刻的端电压值,I (k-1)是当前k时刻的前一时 刻的电流值;
[0090] 由含遗忘因子的最小二乘算法求得式(2)中的ai、a2、a3的值,对应得到参数U。。的 值;
[0091] Π、建立 Ucic-SOC 的关系
[0092] 采用8次多项式拟合曲线拟合U。。和SOC之间关系,Ucic-SOC拟合如下式: Uacmock). = Ic^OCt + Ii1SOCl +^SOC! + k.SOCl +Jc4SDC4k. + k,S〇d + k2S〇C^ + IlSOCk + k6
[0093] (3)
[0094] 其中U。。(SOCk)表示电池开路电压U。。与SOC之间的非线性关系,ko〜k8为系数,用含 遗忘因子的最小二乘法拟合得到;
[0095] m、基于在线最小二乘支持向量机的动力电池开路电压U。。估计
[0096] 采用在线最小二乘支持向量机建立SOC估计模型;
[0097] 以动力电池的电压、电流、温度作支持向量机的输入,以动力电池电荷状态作为输 出估计S0C;根据动力电池电压、电流和开路电压之间的关系,由步骤I的式⑵得
[0098] Uoc (k) =biU (k) +b2U (k-1) +b3I (k) +b4I (k-1) (4)
[0099] 以当前k时刻端电压U(k)、上一时刻端电压U (k-1)、当前k时刻电流I (k)和上一时 刻电流I (k-Ι)为输入,以开路电压U。。(k)为输出,建立在线LS-SVM训练模型,选择最小二乘 支持向量机的线性核函数
[0100] 在线最小二乘支持向量机包括增加样本和消减样本两个过程;设置训练样本的窗 口长度为N,定义Pn= Ω + γ力,其中:Pn是NXN的矩阵,Ω为方阵,则得到式⑶
Figure CN105116343BD00111
(5)
[0102] 式中:y= [yi,y2,…,yN]T;丨 .;a= …,αΝ]τ; I为单位矩阵;T 矩阵转 置符号。
[0103] 屏开为,
Figure CN105116343BD00112
(6)
[0105] 求解可得: '
Figure CN105116343BD00113
(7)
[0107] 计算出巧1,由公式⑵确定α和b;训练过程中新样本添加到Pn中的同时,消去同等 数量的旧样本,不断更新/f1' ,得到新的α和b,实时估计开路电压U。。;
[0108] IV、动力电池SOC估计
[0109] IV-USOC的初值估计
[0110] 步骤m估计得开路电压Ucic,根据公式⑶的反函数估计SOC的初值SOC0:
[0111] SOC0 = F1 (Uoc(I)) (8)
[0112] IV-2、安时积分法估计SOC
[0113] 本例根据式⑶Ucic-SOC关系确定一个合适的SOC初值后,采用安时积分法(Ah法)估 计下一时刻的SOC值:
Figure CN105116343BD00114
(9)
[0115] 式(9)中Cn是电池的额定容量,时间间隔At=l,n是库伦系数,取值为1。
[0116] V、动力电池安时积分法估计SOC的修正与误差补偿
[0117] 将在线最小二乘支持向量机估计的U。。(k)与根据公式(3)计算得到的开路电压Uoc (SOCk)相比得到对应的偏差e (k),步骤IV所得估计值SOC (k)的补偿后得到SOC⑷,
Figure CN105116343BD00121
(10)
[0119] 其中,Kp为补偿系数,本例Kp为KT6,⑷为补偿后的SOC值,为在线最小 二乘支持向量机估计得到的开路电压的估计值。
[0120] 最小二乘支持向量机的动力电池电荷状态估计系统实施例
[0121] 本例最小二乘支持向量机的动力电池电荷状态估计系统结构如图4所示,包括微 处理器、电压传感器和电流传感器,微处理器还连接显示器。微处理器配有通用接口,电压 传感器和电流传感器接入模数转换电路,再经通用接口连接微处理器。微处理器还连接CAN 接口。
[0122] 微处理器连接有程序存储器和数据存储器,程序存储器含有电压电流数据采集模 块、最小二乘支持向量机(LS-SVM)开路电压(OCV)在线实时估计模块、Uc1C-SOC关系SOC初值 估计模块、安时积分法SOC估计模块、U。。和OCV的偏差和补偿系数Kp计算模块以及SOC修正 补偿模块。数据存储器保存动力电池模型参数。
[0123] 微处理器及所连接的程序存储器、数据存储器和显示器构成嵌入式系统。
[0124] 微处理器接收电压传感器和电流传感器检测的动力电池实时信息,通过电压电流 数据采集模块、最小二乘支持向量机(LS-SVM)开路电压(OCV)在线实时估计模块、Uc1C-SOC关 系SOC初值估计模块、安时积分法SOC估计模块、U。。和OCV的偏差和补偿系数Kp计算模块以 及SOC修正补偿模块的计算处理,得到实时SOC估计值,在显示器上显示,并经CAN接口提供 给其它设备。
[0125] 本例系统连接20Ah/24V的动力电池,进行SOC估计实验。
[0126] 以高精度电流测量的传统实验所得的该型号动力电池的SOC作为SOC真实值。
[0127] 本例所得SOC估计值结果和SOC实际值对比曲线如图5所示,图5的横坐标为时间, 单位为IO4秒,纵坐标为SOC估计值,图中实线曲线为本例所得SOC估计值,虚线曲线为SOC 实际值。图5中可见两条曲线基本重合,即本例所得SOC估计值与SOC实际值接近。
[0128] 图6中更清楚地显示本例所得SOC估计值相对SOC实际值的误差,图6的横坐标为 时间,单位为IO4秒,纵坐标为SOC估计值的误差,单位为%。图6可见本例所得SOC估计值平 均绝对误差仅1.2793%,最大绝对误差仅为2.7011 %。
[0129] 上述实施例,仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体 个例,本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改 进等,均包含在本发明的保护范围之内。

Claims (6)

1. 一种最小二乘支持向量机的动力电池电荷状态估计方法,主要步骤如下: l、 动力电池模型及参数开路电压U。。的辨识 采用Thevenin模型为电池等效模型,电池的极化电阻Rp与电池的极化电容Cp并联构成 一阶RC结构,表示电池的极化反应,RC两端电压为Up (t);串接欧姆内阻Ro和Uoc,Uoc为电池 的开路电压0CV,采样得到电池端电压U⑴和流过欧姆内阻Ro的电流i⑴; Thevenin模型数学表达式如下:
Figure CN105116343BC00021
采用后向差分变换方法对模型离散化,用含遗忘因子的最小二乘进行参数辨识,整理 得:
Figure CN105116343BC00022
其中,U (k-i)是当前k时刻的前一时刻的端电压值,I (k-i)是当前k时刻的前一时刻的 电流值; 由含遗忘因子的最小二乘算法求得式⑵中的的值,对应得到参数U。。的值; Π、建立Ucic-SOC的关系 采用8次多项式拟合曲线拟合U。。和SOC之间关系,HOC拟合如下式:
Figure CN105116343BC00023
其中U。。(SOCk)表示电池开路电压U。。与SOC之间的非线性关系,k〇〜k8为系数,用含遗忘 因子的最小二乘法拟合得到; m、 基于在线最小二乘支持向量机的动力电池开路电压u。。估计 采用在线最小二乘支持向量机建立soc估计模型; 以动力电池的电压、电流、温度作支持向量机的输入,以动力电池电荷状态作为输出估 计soc;根据动力电池电压、电流和开路电压之间的关系,由步骤I的式⑵得 Uoc (k) =biU (k) +b2U (k-1) +b3I (k) +b4I (k-1)⑷ 以当前k时刻端电压U (k)、上一时刻端电压U (k-1)、当前k时刻电流I (k)和上一时刻电 流I (k-Ι)为输入,以开路电压U。。(k)为输出,建立在线LS-SVM训练模型,选择最小二乘支持 向量机的线性核函数; 在线最小二乘支持向量机包括增加样本和消减样本两个过程;设置训练样本的窗口长 度为N,定义Pn= Ω + γ<Ι,其中:Pn是NXN的矩阵,Ω为方阵,γ为惩罚函数,则得到式(5)
Figure CN105116343BC00024
式中:y = [yi,y2,…,yN]T;i = [m ;a = [Ci1 ,a〗,…,αΝ]τ;I为单位矩阵;τ矩阵转置符 号; 展开为:
Figure CN105116343BC00031
求解得:
Figure CN105116343BC00032
计算出A_i :,由公式(7)确定α和b;训练过程中新样本添加到PN中的同时,消去同等数量 的旧样本,不断更新<,得到新的α和b,实时估计开路电压U。。; IV、 动力电池SOC估计 IV-USOC的初值估计 步骤m估计得开路电压U。。,根据公式⑶的反函数估计SOC的初值SOC0: SOCo = T1 (Uoc (D) (8) IV-2、安时积分法估计SOC 根据式⑶Ucic-SOC关系确定SOC初值后,采用安时积分法估计下一时刻的SOC值:
Figure CN105116343BC00033
式(9)中Cn是电池的额定容量,时间间隔△ t = 1,η是库伦系数,取值为1; V、 动力电池安时积分法估计SOC的修正与误差补偿 将在线最小二乘支持向量机估计的u。。(k)与根据公式(3)计算得到的开路电压Uoc (SOCk)相比得到对应的偏差e (k),步骤IV所得估计值SOC (k)补偿后得到ΛΧ'⑷,
Figure CN105116343BC00034
其中,Kp为补偿系数,SOC(幻为补偿后的SOC值,
Figure CN105116343BC00035
1为在线最小二乘支持向量机估 计得到的开路电压的估计值。
2. 根据权利要求1所述的最小二乘支持向量机的动力电池电荷状态估计方法,其特征 在于: 所述步骤V中的补偿系数Kp取值0.5 X KT6〜1.55 X 10_6。
3. 根据权利要求1所述的最小二乘支持向量机的动力电池电荷状态估计方法,其特征 在于: 所述步骤V中的补偿系数Kp为ΚΓ6。
4. 根据权利要求1至3中任一项所述的最小二乘支持向量机的动力电池电荷状态估计 方法设计的最小二乘支持向量机的动力电池电荷状态估计系统,包括微处理器、电压传感 器和电流传感器,微处理器还连接显示器;微处理器配有通用接口,电压传感器和电流传感 器接入模数转换电路,再经通用接口连接微处理器;其特征在于: 微处理器连接有程序存储器和数据存储器,程序存储器含有电压、电流数据采集模块、 最小二乘支持向量机开路电压在线实时估计模块、Ucic-SOC关系SOC初值估计模块、安时积分 法SOC估计模块、U。。和OCV的偏差和补偿系数Kp计算模块以及SOC修正补偿模块;数据存储器 保存动力电池模型参数; 微处理器接收电压传感器和电流传感器检测的动力电池实时信息,通过电压电流数据 采集模块、最小二乘支持向量机开路电压在线实时估计模块、Uc1C-SOC关系SOC初值估计模 块、安时积分法SOC估计模块、U。。和OCV的偏差和补偿系数Kp计算模块以及SOC修正补偿模块 的计算处理,得到实时SOC估计值,在显示器上显示。
5. 根据权利要求4所述的最小二乘支持向量机的动力电池电荷状态估计系统,其特征 在于: 所述微处理器连接CAN接口。
6. 根据权利要求4所述的最小二乘支持向量机的动力电池电荷状态估计系统,其特征 在于: 所述微处理器及所连接的程序存储器、数据存储器和显示器构成嵌入式系统。
CN201510521981.9A 2015-08-24 2015-08-24 最小二乘支持向量机的动力电池电荷状态估计方法及系统 Active CN105116343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510521981.9A CN105116343B (zh) 2015-08-24 2015-08-24 最小二乘支持向量机的动力电池电荷状态估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510521981.9A CN105116343B (zh) 2015-08-24 2015-08-24 最小二乘支持向量机的动力电池电荷状态估计方法及系统

Publications (2)

Publication Number Publication Date
CN105116343A CN105116343A (zh) 2015-12-02
CN105116343B true CN105116343B (zh) 2017-10-27

Family

ID=54664376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510521981.9A Active CN105116343B (zh) 2015-08-24 2015-08-24 最小二乘支持向量机的动力电池电荷状态估计方法及系统

Country Status (1)

Country Link
CN (1) CN105116343B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106093783A (zh) * 2016-06-03 2016-11-09 哈尔滨工业大学 卡尔曼滤波与数据驱动融合的电池soc估计方法
CN105891727B (zh) * 2016-06-13 2018-10-19 桂林电子科技大学 一种双变结构滤波的动力电池荷电状态的估计方法与系统
CN106249159B (zh) * 2016-08-03 2019-01-29 北京品驰医疗设备有限公司 一种脑起搏器的电量监测方法以及电量监测系统
CN106597291A (zh) * 2016-10-11 2017-04-26 深圳市沃特玛电池有限公司 在线估算电池参数的方法
CN107422269B (zh) * 2017-06-16 2020-02-07 上海交通大学 一种锂电池在线soc测量方法
CN107356878B (zh) * 2017-06-28 2019-09-20 西安交通大学 一种减少先验测试信息的在线soc估计方法
CN108132442B (zh) * 2017-12-13 2019-12-06 中国船舶重工集团公司第七一九研究所 一种基于离线数据驱动的蓄电池联合状态估算方法
CN107843852B (zh) * 2017-12-13 2019-10-11 中国船舶重工集团公司第七一九研究所 一种获取离线数据来估算蓄电池联合状态的方法
CN110378864A (zh) * 2018-04-10 2019-10-25 中南大学 一种基于Radon域特征表示的青光眼检测方法
CN110879364A (zh) * 2018-08-27 2020-03-13 比亚迪股份有限公司 一种修正电池荷电状态soc显示的方法、装置、电子设备
CN109613432A (zh) * 2019-01-08 2019-04-12 广州小鹏汽车科技有限公司 估算电池荷电状态的方法、设备及计算机可读存储介质
CN109932662A (zh) * 2019-03-06 2019-06-25 重庆雅讯电源技术有限公司 电池容量状态估计方法、装置、设备及存储介质
CN110488203A (zh) * 2019-07-12 2019-11-22 武汉大学 一种老化锂电池组soc在线估计方法
CN111366855B (zh) * 2020-03-19 2021-03-12 北京理工大学 一种电池等效电路模型抗扰动参数化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102680907A (zh) * 2012-05-31 2012-09-19 浙江大学 一种光伏系统中电池充电soc检测方法
CN103487759A (zh) * 2013-09-18 2014-01-01 江苏大学 一种混合动力汽车电池soc预测方法
CN104182630A (zh) * 2014-08-20 2014-12-03 国家电网公司 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法
CN104502858A (zh) * 2014-12-31 2015-04-08 桂林电子科技大学 基于后向差分离散模型的动力电池soc估计方法与系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7197487B2 (en) * 2005-03-16 2007-03-27 Lg Chem, Ltd. Apparatus and method for estimating battery state of charge

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102680907A (zh) * 2012-05-31 2012-09-19 浙江大学 一种光伏系统中电池充电soc检测方法
CN103487759A (zh) * 2013-09-18 2014-01-01 江苏大学 一种混合动力汽车电池soc预测方法
CN104182630A (zh) * 2014-08-20 2014-12-03 国家电网公司 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法
CN104502858A (zh) * 2014-12-31 2015-04-08 桂林电子科技大学 基于后向差分离散模型的动力电池soc估计方法与系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
动力电池SOC估算的模糊最小二乘支持向量机法;朱浩等;《电源技术》;20130531;第37卷(第5期);797-799 *
基于最小二乘支持向量机的电池剩余电量预测;舒服华;《电源技术》;20080731;第32卷(第7期);452-455 *
基于最小二乘支持向量机的锂离子电池的SOC估算;全小红等;《新技术工艺》;20141231(第1期);94-96 *

Also Published As

Publication number Publication date
CN105116343A (zh) 2015-12-02

Similar Documents

Publication Publication Date Title
Zheng et al. Investigating the error sources of the online state of charge estimation methods for lithium-ion batteries in electric vehicles
Tang et al. A novel framework for Lithium-ion battery modeling considering uncertainties of temperature and aging
Zou et al. Combined state of charge and state of health estimation over lithium-ion battery cell cycle lifespan for electric vehicles
CN105548896B (zh) 基于n-2rc模型的动力电池soc在线闭环估计方法
Hua et al. A multi time-scale state-of-charge and state-of-health estimation framework using nonlinear predictive filter for lithium-ion battery pack with passive balance control
Sun et al. A novel dual-scale cell state-of-charge estimation approach for series-connected battery pack used in electric vehicles
Zhang et al. An on-line estimation of battery pack parameters and state-of-charge using dual filters based on pack model
CN106443474B (zh) 一种动力电池系统寿命衰退特征快速识别的方法
Kang et al. A new neural network model for the state-of-charge estimation in the battery degradation process
CN105301509B (zh) 锂离子电池荷电状态、健康状态与功率状态的联合估计方法
CN103472403B (zh) 一种基于pngv等效电路模型的动力电池soc复合估计方法
Liu et al. A method for state of energy estimation of lithium-ion batteries at dynamic currents and temperatures
Xiong et al. A robust state-of-charge estimator for multiple types of lithium-ion batteries using adaptive extended Kalman filter
CN106054085B (zh) 一种基于温度用于估计电池soc的方法
CN102981125B (zh) 一种基于rc等效模型的动力电池soc估计方法
CN104678316B (zh) 锂离子电池荷电状态估算方法和装置
CN106443480B (zh) 一种锂离子电池系统soc估算方法
CN103675706B (zh) 一种动力电池电荷量估算方法
CN105093122B (zh) 基于强跟踪自适应sqkf的应急灯电池soc估计方法
CN106324523B (zh) 基于离散变结构观测器的锂电池soc估计方法
Xia et al. A novel method for state of charge estimation of lithium-ion batteries using a nonlinear observer
CN106291372B (zh) 一种新的锂离子动力电池剩余寿命预测方法
CN106054080B (zh) 一种动力电池荷电状态与健康状态的联合估计方法
CN103926538B (zh) 基于aic准则的变阶数rc等效电路模型及实现方法
CN106909716B (zh) 计及容量损耗的磷酸铁锂电池建模及soc估计方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant