CN107544028A - 分数阶神经网络锂电池组soc在线估计方法 - Google Patents
分数阶神经网络锂电池组soc在线估计方法 Download PDFInfo
- Publication number
- CN107544028A CN107544028A CN201710732667.4A CN201710732667A CN107544028A CN 107544028 A CN107544028 A CN 107544028A CN 201710732667 A CN201710732667 A CN 201710732667A CN 107544028 A CN107544028 A CN 107544028A
- Authority
- CN
- China
- Prior art keywords
- soc
- matrix
- fractional order
- moment
- ion batteries
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 14
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims description 3
- 229910052744 lithium Inorganic materials 0.000 title claims description 3
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 50
- 230000032683 aging Effects 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 50
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 8
- 210000004027 cell Anatomy 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000003483 aging Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明提出一种基于分数阶神经网路锂离子电池组SOC在线估计方法。具体步骤为：首先，进行锂离子电池组在不同温度、不同放电率、不同老化程度脉冲条件下进行充放电实验。其次，以温度、放电率、老化程度和电池组开路电压OCV为输入，电池组SOC为输出，训练分数阶神经网络。然后，由训练数据建立锂离子电池组状态量分数阶微分模型。最后，采用分数阶扩展卡尔曼滤波在线估计k+1时刻电池组SOC。本发明基于分数阶神经网络，考虑锂离子电池组实际工作环境，在不同温度、不同放电率、不同老化程度情况下拟合电池组SOC变化规律，并采用分数阶扩展卡尔曼滤波算法进行电池组SOC在线估计，具有精度更高、可信度更强等优点。
Description
技术领域
本发明提出一种基于分数阶神经网络锂离子电池组SOC在线估计方法，属于电池性能测试与健康管理领域。
背景技术
“十三五”规划中明确指出，我国将在未来五年内大力支持绿色清洁生产，推进传统制造业绿色改造。锂离子电池能够于内部进行能量转化，通过二次蓄电来提供电量，属于十分典型的绿色能源。随着科技的发展和人们素质的提高，锂离子电池正在逐渐被应用于各行各业。因此，对于锂离子电池的研究及使用，不仅有着重要的科学意义，还具备着巨大的工程应用价值。
目前，国内外对于锂离子单体电池的研究较为成熟，对于电池组的研究较少，然而工程中，电池组的应用价值远远超过单体电池。锂离子电池组通常被当作单体电池的简单加和，对于其SOC估计，通常采用端电压近似，并未考虑温度、放电率、老化程度等影响因素。在实际工业使用中，温度、放电率、老化程度等影响因素变化十分复杂，仅仅采用端电压近似估计，误差大、可信度低，直接制约着锂离子电池组的使用效率与寿命。因此，为准确确定锂离子电池组SOC，提高电池组使用效率，需要对已有电池组SOC估算方法进行改进。
本发明基于分数阶神经网络，考虑了锂离子电池组实际工作环境，在不同温度、不同放电率、不同老化程度情况下拟合电池组SOC变化，并采用分数阶扩展卡尔曼滤波算法进行电池组SOC的在线估计，具有精度更高、可信度更强等优点。
发明内容
本发明的目的在于提供一种锂离子电池组SOC在线估计方法，在不同温度、不同放电率、不同老化程度情况下，通过分数阶神经网络，拟合OCV-SOC关系，并采用分数阶扩展卡尔曼滤波算法进行电池组SOC的在线辨识。
步骤1：进行锂离子电池组在不同温度、不同放电率、不同老化程度脉冲充放电实验，其具体步骤如下：
步骤1.1、取相同型号、性能参数合格的m节锂离子电池串联构成电池组，其中，m为大于等于2的正整数。规定温度T，范围为-55℃～55℃；放电率Cd，范围为0.5C～2.0C；老化程度n，范围为1～3000次；
步骤1.2、初始化温度T＝-55℃，放电率Cd＝0.5C，老化程度n＝1；
步骤1.3、将电池组在温度T、恒流1C条件下充电，整个充电过程以采样频率fs采集电池组端电压Vt和各单体电池端电压Vp，p为正整数且1≤p≤m，直至max{Vp}＝V+，然后以V+恒压充电至截止电流I_，V+为锂离子电池过充电压，I_为锂离子电池过放电流；
步骤1.4、温度T下，每恒流Cd放电3分钟，静置40分钟，记录锂离子电池组开路电压OCV＝Vt，直至min{Vp}＝V_，V_为锂离子电池过充电压；
步骤1.5、经过步骤1.3与步骤1.4的一个充放电周期，老化程度n增加1，温度T，放电率Cd不变，重复步骤1.3、步骤1.4，直至n＝3000；
步骤1.6、更换同型号锂离子电池组n＝1，T增加1℃，Cd不变，重复步骤1.3-步骤1.5，直至T＝55℃；
步骤1.7、Cd增加0.5，重复步骤1.3-步骤1.6，直至Cd＝2.0C；
步骤1.8、将T、Cd、n分别归一化为范围为0～1的无量纲系数τ、ε、ξ；
步骤2：以温度τ、放电率ε、老化程度ξ和OCV为输入，电池组SOC为输出，采用分数阶神经网络训练数据，其具体步骤如下：
步骤2.1、初始化BP神经网络，隐含层数目为1，输入层到隐含层权值为{δi}，隐含层到输出层权值为{ωj}，其中i＝1，2，...，36；j＝1，2，...，9；
步骤2.2、以S型正切函数tansig作为隐含层神经元传递函数，训练数据
步骤2.3、随机选取10组样本进行网络测试，样本误差均方差σ2大于0.01时，重复步骤2.2，直至σ2小于等于0.01；
步骤3：建立电池组SOC分数阶状态空间模型，
其中，采样时刻k为大于等于1的正整数，f(τ，ε，ξ，OCVk，SOCk)为BP神经网络的目标函数，SOCk、OCVk、Vt，k分别为样本在k采样时刻的SOC、OCV、Vt；SOCk+1、Vt，k+1分别为样本在k+1采样时刻的SOC、Vt；Vk为状态量误差矩阵，Wk为观测量误差矩阵，取均值为零的高斯白噪声，k为大于等于1的正整数；e为分数阶数，L为回溯长度，l为大于等于1的正整数；
步骤4：采用分数阶扩展卡尔曼滤波算法，进行锂离子电池组SOC在线估计，其具体步骤如下：
步骤4.1、更新卡尔曼状态先验矩阵估计量均方误差先验矩阵其中为k+1时刻SOC的先验估计值，为k时刻的后验估计值，Ak、Bk、Uk为k时刻状态量参数状态矩阵、控制量参数状态矩阵、控制量矩阵，为k+1时刻状态量协方差矩阵先验值，为k时刻状态量协方差矩阵后验值，Q为状态噪声方差矩阵；
步骤4.2、更新卡尔曼系数矩阵状态后验矩阵估计量均方误差后验矩阵其中为k+1时刻SOC后验估计值，Ck+1、Dk+1、Uk+1、分别为k+1时刻状态量观测参数矩阵、控制量参数观测矩阵、控制量矩阵、实际测得锂离子电池组端电压值，R为观测噪声方差矩阵；
步骤4.3、重复步骤4.1、步骤4.2，直至采样结束。
本发明基于分数阶神经网络，考虑了锂离子电池组实际工作环境，在不同温度、不同放电率、不同老化程度情况下拟合SOC变化，并采用分数阶扩展卡尔曼滤波算法进行电池组SOC的在线估计，具有精度更高、可信度更强等优点。
附图说明
图1是基于分数阶神经网络锂离子电池组SOC在线估计方法流程图；
具体实施方式
下面结合说明书附图对本发明的技术方案进行详细说明。
如图1所示，首先，进行锂离子电池组在不同温度、不同放电率、不同老化程度脉冲充放电实验。其次，以温度、放电率、老化程度和OCV为输入，SOC为输出，训练数据。再次，建立锂离子电池组状态量分数阶微分模型，最后采用分数阶EKF在线估计k+1时刻SOC。
基于分数阶神经网络锂离子电池组SOC在线估计方法，具体实施方式如下：
步骤1：进行锂离子电池组在不同温度、不同放电率、不同老化程度脉冲充放电实验，其具体步骤如下：
步骤1.1、取相同型号、性能参数合格的m节锂离子电池串联构成电池组，其中，m为大于等于2的正整数。规定温度T，范围为-55℃～55℃；放电率Cd，范围为0.5C～2.0C；老化程度n，范围为1～3000次；
步骤1.2、初始化温度T＝-55℃，放电率Cd＝0.5C，老化程度n＝1；
步骤1.3、将电池组在温度T、恒流1C条件下充电，整个充电过程以采样频率fs采集电池组端电压Vt和各单体电池端电压Vp，p为正整数且1≤p≤m，直至max{Vp}＝V+，然后以V+恒压充电至截止电流I_，V+为锂离子电池过充电压，I_为锂离子电池过放电流；
步骤1.4、温度T下，每恒流Cd放电3分钟，静置40分钟，记录锂离子电池组开路电压OCV＝Vt，直至min{Vp}＝V_，V_为锂离子电池过充电压；
步骤1.5、经过步骤1.3与步骤1.4的一个充放电周期，老化程度n增加1，温度T，放电率Cd不变，重复步骤1.3、步骤1.4，直至n＝3000；
步骤1.6、更换同型号锂离子电池组n＝1，T增加1℃，Cd不变，重复步骤1.3-步骤1.5，直至T＝55℃；
步骤1.7、Cd增加0.5，重复步骤1.3-步骤1.6，直至Cd＝2.0C；
步骤1.8、将T、Cd、n分别归一化为范围为0～1的无量纲系数τ、ε、ξ；
步骤2：以温度τ、放电率ε、老化程度ξ和OCV为输入，电池组SOC为输出，采用分数阶神经网络训练数据，其具体步骤如下：
步骤2.1、初始化BP神经网络，隐含层数目为1，输入层到隐含层权值为{δi}，隐含层到输出层权值为{ωj}，其中i＝1，2，...，36；j＝1，2，...，9；
步骤2.2、以S型正切函数tansig作为隐含层神经元传递函数，训练数据
步骤2.3、随机选取10组样本进行网络测试，样本误差均方差σ2大于0.01时，重复步骤2.2，直至σ2小于等于0.01；
步骤3：建立电池组SOC分数阶状态空间模型，
其中，采样时刻k为大于等于1的正整数，f(τ，ε，ξ，OCVk，SOCk)为BP神经网络的目标函数，SOCk、OCVk、Vt，k分别为样本在k采样时刻的SOC、OCV、Vt；SOCk+1、Vt，k+1分别为样本在k+1采样时刻的SOC、Vt；Vk为状态量误差矩阵，Wk为观测量误差矩阵，取均值为零的高斯白噪声，k为大于等于1的正整数；e为分数阶数，L为回溯长度，l为大于等于1的正整数；
步骤4：采用分数阶扩展卡尔曼滤波算法，进行锂离子电池组SOC在线估计，其具体步骤如下：
步骤4.1、更新卡尔曼状态先验矩阵估计量均方误差先验矩阵其中时刻SOC的先验估计值，为k时刻的后验估计值，Ak、Bk、Uk为k时刻状态量参数状态矩阵、控制量参数状态矩阵、控制量矩阵，为k+1时刻状态量协方差矩阵先验值，为k时刻状态量协方差矩阵后验值，Q为状态噪声方差矩阵；
步骤4.2、更新卡尔曼系数矩阵状态后验矩阵估计量均方误差后验矩阵其中为k+1时刻SOC后验估计值，Ck+1、Dk+1、Uk+1、分别为k+1时刻状态量观测参数矩阵、控制量参数观测矩阵、控制量矩阵、实际测得锂离子电池组端电压值，R为观测噪声方差矩阵；
步骤4.3、重复步骤4.1、步骤4.2，直至采样结束。
Claims (3)
1.基于分数阶神经网路锂离子电池组SOC在线估计方法，其特征在于，具体包括以下步骤：
步骤1：进行锂离子电池组在不同温度、不同放电率、不同老化程度脉冲充放电实验，其具体步骤如下：
步骤1.1、取相同型号、性能参数合格的m节锂离子电池串联构成电池组，其中，m为大于等于2的正整数。规定温度T，范围为-55℃～55℃；放电率Cd，范围为0.5C～2.0C；老化程度n，范围为1～3000次；
步骤1.2、初始化温度T＝-55℃，放电率Cd＝0.5C，老化程度n＝1；
步骤1.3、将电池组在温度T、恒流1C条件下充电，整个充电过程以采样频率fs采集电池组端电压Vt和各单体电池端电压Vp，p为正整数且1≤p≤m，直至max{Vp}＝V+，然后以V+恒压充电至截止电流I-，V+为锂离子电池过充电压，I-为锂离子电池过放电流；
步骤1.4、温度T下，每恒流Cd放电3分钟，静置40分钟，记录锂离子电池组开路电压OCV＝Vt，直至min{Vp}＝V-，V-为锂离子电池过充电压；
步骤1.5、经过步骤1.3与步骤1.4的一个充放电周期，老化程度n增加1，温度T，放电率Cd不变，重复步骤1.3、步骤1.4，直至n＝3000；
步骤1.6、更换同型号锂离子电池组n＝1，T增加1℃，Cd不变，重复步骤1.3-步骤1.5，直至T＝55℃；
步骤1.7、Cd增加0.5，重复步骤1.3-步骤1.6，直至Cd＝2.0C；
步骤1.8、将T、Cd、n分别归一化为范围为0～1的无量纲系数τ、ε、ξ；
步骤2：以温度τ、放电率ε、老化程度ξ和OCV为输入，电池组SOC为输出，采用分数阶神经网络训练数据。
步骤3：建立电池组SOC分数阶状态空间模型，
其中，采样时刻k为大于等于1的正整数，f(τ，ε，ξ，OCVk，SOCk)为BP神经网络的目标函数，SOCk、OCVk、Vt，k分别为样本在k采样时刻的SOC、OCV、Vt；SOCk+1、Vt，k+1分别为样本在k+1采样时刻的SOC、Vt；Vk为状态量误差矩阵，Wk为观测量误差矩阵，取均值为零的高斯白噪声，k为大于等于1的正整数；e为分数阶数，L为回溯长度，l为大于等于1的正整数；
步骤4：采用分数阶扩展卡尔曼滤波算法，进行锂离子电池组SOC在线估计。
2.根据权利要求1所述的基于分数阶神经网路锂离子电池组SOC在线估计方法，其特征在于，所述步骤2中，以温度τ、放电率ε、老化程度ξ和锂电池开路电压OCV为输入，电池组SOC为输出，采用分数阶神经网络训练数据，其具体步骤如下：
步骤2.1、初始化BP神经网络，隐含层数目为1，输入层到隐含层权值为{δi}，隐含层到输出层权值为{ωj}，其中i＝1，2，...，36；j＝1，2，...，9；
步骤2.2、以S型正切函数tansig作为隐含层神经元传递函数，训练数据
步骤2.3、随机选取10组样本进行网络测试，样本误差均方差σ2大于0.01时，重复步骤2.2，直至σ2小于等于0.01。
3.根据权利要求1所述的基于分数阶神经网路锂离子电池组SOC在线估计方法，其特征在于，所述步骤4中，采用分数阶扩展卡尔曼滤波算法，进行锂离子电池组SOC在线估计，其具体步骤如下：
步骤4.1、更新卡尔曼状态先验矩阵估计量均方误差先验矩阵其中为k+1时刻SOC的先验估计值，为k时刻的后验估计值，Ak、Bk、Uk为k时刻状态量参数状态矩阵、控制量参数状态矩阵、控制量矩阵，为k+1时刻状态量协方差矩阵先验值，为k时刻状态量协方差矩阵后验值，Q为状态噪声方差矩阵；
步骤4.2、更新卡尔曼系数矩阵状态后验矩阵估计量均方误差后验矩阵其中为k+1时刻SOC后验估计值，Ck+1、Dk+1、Uk+1、分别为k+1时刻状态量观测参数矩阵、控制量参数观测矩阵、控制量矩阵、实际测得锂离子电池组端电压值，R为观测噪声方差矩阵；
步骤4.3、重复步骤4.1、步骤4.2，直至采样结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710732667.4A CN107544028A (zh) | 2017-08-18 | 2017-08-18 | 分数阶神经网络锂电池组soc在线估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710732667.4A CN107544028A (zh) | 2017-08-18 | 2017-08-18 | 分数阶神经网络锂电池组soc在线估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107544028A true CN107544028A (zh) | 2018-01-05 |
Family
ID=60957765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710732667.4A Pending CN107544028A (zh) | 2017-08-18 | 2017-08-18 | 分数阶神经网络锂电池组soc在线估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107544028A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109828211A (zh) * | 2018-12-25 | 2019-05-31 | 宁波飞拓电器有限公司 | 一种基于神经网络自适应滤波的应急灯电池soc估计方法 |
| CN113791353A (zh) * | 2021-10-11 | 2021-12-14 | 河北工业大学 | 基于分数阶传递函数的锂电池电压模型构建方法 |
| CN113138344B (zh) * | 2021-04-23 | 2024-03-05 | 安徽理工大学 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
-
2017
- 2017-08-18 CN CN201710732667.4A patent/CN107544028A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109828211A (zh) * | 2018-12-25 | 2019-05-31 | 宁波飞拓电器有限公司 | 一种基于神经网络自适应滤波的应急灯电池soc估计方法 |
| CN113138344B (zh) * | 2021-04-23 | 2024-03-05 | 安徽理工大学 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
| CN113791353A (zh) * | 2021-10-11 | 2021-12-14 | 河北工业大学 | 基于分数阶传递函数的锂电池电压模型构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109143108B (zh) | 一种基于电化学阻抗谱的锂离子电池soh的估计方法 | |
| CN112444749B (zh) | 一种基于温度修正模型的锂电池荷电状态联合估计方法 | |
| CN111337832B (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
| CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
| CN108490365B (zh) | 一种估计电动汽车的动力电池的剩余寿命的方法 | |
| CN106646253A (zh) | 一种在线辨识电池内部参数的方法 | |
| CN108846227B (zh) | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 | |
| CN110208703A (zh) | 基于温度修正的复合等效电路模型对荷电状态估计的方法 | |
| CN110658459B (zh) | 基于双向循环神经网络的锂离子电池荷电状态估计方法 | |
| CN112034349A (zh) | 锂电池健康状态在线预估方法 | |
| CN111060824B (zh) | 一种基于模型与算法分步融合的荷电状态估计方法 | |
| CN110795851A (zh) | 一种考虑环境温度影响的锂离子电池建模方法 | |
| CN108732499B (zh) | 一种检测锂离子电池循环寿命的方法和系统 | |
| CN109839599B (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
| CN107544028A (zh) | 分数阶神经网络锂电池组soc在线估计方法 | |
| CN106777786A (zh) | 一种锂离子电池soc估算方法 | |
| CN110348062A (zh) | 锂离子电池等效电路模型的构建方法 | |
| CN112083331A (zh) | 一种提升锂离子电池荷电状态估计精度的融合方法 | |
| CN111366864B (zh) | 一种基于固定压升区间的电池soh在线估计方法 | |
| CN104502844A (zh) | 一种基于交流阻抗的动力锂电池劣化程度诊断方法 | |
| CN109901072B (zh) | 基于历史数据与实验室测试数据的退役电池参数检测方法 | |
| CN113341319B (zh) | 基于参数插值获取任意温度和倍率下放电曲线的方法 | |
| CN105954682A (zh) | 蓄电池荷电状态在线估计检测方法及系统 | |
| CN114217234B (zh) | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 | |
| CN116930788A (zh) | 一种基于堆叠模型的储能电站锂电池容量估计方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180105 |
|
| WD01 | Invention patent application deemed withdrawn after publication |