CN111624495B - 基于深度置信网络优化ekf的锂电池soc区间估计方法和系统 - Google Patents
基于深度置信网络优化ekf的锂电池soc区间估计方法和系统 Download PDFInfo
- Publication number
- CN111624495B CN111624495B CN202010347178.9A CN202010347178A CN111624495B CN 111624495 B CN111624495 B CN 111624495B CN 202010347178 A CN202010347178 A CN 202010347178A CN 111624495 B CN111624495 B CN 111624495B
- Authority
- CN
- China
- Prior art keywords
- estimation
- soc
- lithium battery
- interval
- model
- 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
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 106
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000005457 optimization Methods 0.000 title abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 239000010410 layer Substances 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000010287 polarization Effects 0.000 claims description 15
- 108090000672 Annexin A5 Proteins 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 9
- 239000002356 single layer Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 claims description 3
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 claims description 3
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种基于深度置信网络优化EKF的锂电池SOC区间估计方法和系统，涉及锂电池SOC估计技术领域。本发明在一阶RC等效电路模型的基础上使用遗传算法实现模型参数的在线辨识，提高模型参数精度，从而提高了锂电池的SOC的估计准确度，同时，本发明通过深度置信网络模型对锂电池的SOC最优估计值进行优化补偿，提供合理有效的SOC估计区间，为锂电池的剩余电量提供可靠的波动范围。
Description
技术领域
本发明涉及锂电池SOC估计技术领域，具体涉及一种基于深度置信网络优化EKF的锂电池SOC区间估计方法和系统。
背景技术
电池荷电状态(State ofCharge，SOC)作为电池剩余电量表征，是电池管理系统的重要参数，对SOC的预测是动力电池管理系统的主要功能之一。为了减轻驾驶员里程焦虑，防止因过度放电造成电池的损害，需要准确估计SOC。
现有的原有技术中，安时法是电池剩余容量预测最基本的方法。这种方法不考虑电池内部的结构、参数等，在电池放电时对电流进行积分，以电池额定容量减去电流积分值得到电池剩余容量。开路电压法常被使用在简单的SOC估计中，开路电压法需要采集经过长时间静置后的电池端电压、通过查表或者映射关系来反推得到电池当前的SOC。
然而，现有的方法中均存在SOC估计不准的技术问题。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于深度置信网络优化EKF的锂电池SOC区间估计方法和系统，解决了现有的方法中SOC估计不准的技术问题。
(二)技术方案
本发明提供一种基于深度置信网络优化EKF的锂电池SOC区间估计方法，包括：
构建锂电池的一阶RC等效电路模型；
在获取锂电池OCV-SOC关系的基础上，通过遗传算法对一阶RC等效电路模型参数进行识别，获取状态空间参数；
基于所述一阶RC等效电路模型和所述状态空间参数构建锂电池状态方程和状态空间模型；
基于扩展卡尔曼滤波、所述锂电池状态方程和所述状态空间模型获取锂电池的SOC最优估计值；
通过预设的深度置信网络模型和区间上下界估计方法对所述SOC最优估计值优化补偿，得到锂电池的SOC估计区间。
优选的，所述在获取锂电池OCV-SOC关系的基础上，通过遗传算法对一阶RC等效电路模型参数进行识别，获取状态空间参数，包括：
对锂电池进行开路电压OCV测试，获取锂电池的OCV和对应的SOC数据，通过高阶多项式拟合得到拟合曲线，建立锂电池的开路电压模型并获取模型参数，其中开路电压模型为：
ocv＝p0+p1·soc+p2·soc2+...+pn·socn
其中，n是多项式次数，pi(i＝0,1,2,3,...,n)表示开路电压模型参数，取n＝8，调整后得到SOC和OCV之间的关系：
ocv＝soc(p8·soc7+p7·soc6+...+p2·soc+p1)+p0
使用遗传算法进行参数识别，对锂电池进行混合脉冲功率特性测试，获取电流I及相应端电压Ut数据；综合所述一阶RC等效电路模型及开路电压模型，以端电压误差最小为目标函数，采用遗传算法对目标函数优化获取状态空间参数R0，R1和C1，其中R0表示欧姆内阻，R1表示极化电阻，C1表示极化电容，目标函数的表达式如下：
其中，Ut(t)表示实际测量端电压，Ut *(t)表示端电压估计值。
优选的，所述锂电池状态方程包括：
Ut(k)＝F(S(k))-R0I(k)-Uc(k)+v(k)
其中，[S(k)，Uc(k)]＝X(k)表示模型的状态变量，输入为电流I(k)，输出为端电压Ut(k)；[w1(k)，w2(k)]表示系统的过程噪声；v(k)表示电池端电压测量噪声；η为库伦效率；Cn为电池额定容量；R1表示极化电阻；C1表示极化电容；Δt为采样间隔；
所述状态空间模型包括A(k)，B(k)和C(k)：
优选的，所述基于扩展卡尔曼滤波、所述锂电池状态方程和所述状态空间模型获取锂电池的SOC最优估计值，包括：
使用扩展卡尔曼滤波对锂电池状态方程和状态空间模型线性化后进行滤波，得到锂电池的SOC最优估计值，具体包括：
(1)对状态
和误差协方差矩阵P(0)进行初始化赋值：
(2)对k时刻的状态值做初始估计：
其中，
为当前时刻的状态向量初始预测值，
为前一时刻的状态向量滤波后的最优估计值；
(3)对k时刻的误差协方差估计：
P(k|k-1)＝A(k-1)P(k-1)AT(k-1)+B(k-1)Q(k-1)BT(k-1)
其中，P(k|k-1)为预测误差协方差矩阵，P(k-1)为前一时刻滤波后的误差协方差矩阵，Q为状态噪声矩阵；
(4)计算k时刻的增益：
其中，K(k)为k时刻卡尔曼滤波增益系数，R为观测噪声协方差；
(5)更新误差协方差值：
P(k)＝[I-K(k)C(k)]P(k|k-1)
其中，P(k)为k时刻误差协方差矩阵，I为单位矩阵；
(6)根据增益计算最终状态估计值：
其中，
为k时刻锂电池的SOC最优估计值，Y(k)为k时刻实际测量值，
为k时刻测量方程的预测值。
优选的，所述区间上下界估计方法，包括：
上下界的估计范围组成的估计区间由下限L i和上限Ui组成，其中估计结果Ci以一定概率存在于估计区间，采用集成指标CWC来衡量估计区间的质量；集成指标CWC计算公式如下：
CWC＝NMPIW·(1+γ(PICP)e-η(PICP-μ))
式中，PICP为区间覆盖率；NMPIW为区间宽度；μ为置信水平；η为惩罚系数；γ(PICP)定义为：
区间覆盖率PICP通过计算有多少个真实值位于估计区间内来衡量，其计算公式如下：
式中，N为所有真实值的个数；当真实值落在估计区间内时，Ci为1，否则Ci为0；
区间宽度NMPIW的计算公式如下：
NMPIW＝MPIW/R
式中，R为待测目标的取值范围；MPIW为估计区间的平均宽度其计算公式如下：
优选的，所述预设的深度置信网络模型的结构包括：
若干层受限玻尔兹曼机和单层BP神经网络，所述受限玻尔兹曼机采用全连接方式连接，每层受限玻尔兹曼机的输出作为下一层受限玻尔兹曼机的输入，最后一层受限玻尔兹曼机的输出数据作为所述单层BP神经网络的输入数据。
优选的，所述预设的深度置信网络模型的建立过程包括：
构建包括若干层受限玻尔兹曼机和单层BP神经网络的深度置信网络模型；
对深度置信网络模型进行训练，训练过程如下：对磷酸铁锂电池进行不同放电电流下的放电试验，利用一阶RC等效电路模型和EKF算法进行滤波，得到训练所需的样本数据；将
KS(k)、KUc(k)作为深度置信网络的输入，SOC估计区间与滤波后最优估计值之差作为深度置信网络的输出；将所得数据归一化后，按设定比例分为测试数据集和训练数据集；采用随机梯度下降产生初始参数，计算每个样本点的CWC后，利用无监督学习对RBM网络进行从上而下逐层训练；
对训练后的深度置信网络模型微调，微调过程如下：通过BP神经网络反向传播误差进行模型参数调整，直至BP神经网络实际输出值和期望值之间的误差小于预设值，完成深度置信网络模型的建立。
优选的，所述通过预设的深度置信网络模型和区间上下界估计方法对所述SOC最优估计值优化补偿，得到锂电池的SOC估计区间，包括：
接收到端电压观测量Ut(k)后，滤波器EKF输出
KS(k)、KUc(k)，将
KS(k)、KUc(k)输入到预设的深度置信网络模型中，得到k时刻的误差补偿区间；基于AIC信息准则，确定深度置信网络的模型训练集的时间尺度和SOC估计的滚动估计时间窗宽大小TW，采用固定时间窗宽的方式进行滚动式动态估计，对EKF估计值
进行补偿与修正，得到k时刻锂电池SOC估计区间。
优选的，所述方法还包括：
把所得估计区间中位数等效于估计均值，当做k+1时刻的初始SOC值进行循环计算，经过预设的深度置信网络不断地对EKF算法估计的SOC值优化补偿。
本发明还提供一种基于深度置信网络优化EKF的锂电池SOC区间估计系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
(三)有益效果
本发明提供了一种基于深度置信网络优化EKF的锂电池SOC区间估计方法和系统。与现有技术相比，具备以下有益效果：
本发明构建锂电池的一阶RC等效电路模型，然后在获取锂电池OCV-SOC关系的基础上，通过遗传算法对一阶RC等效电路模型参数进行识别，获取状态空间参数，基于一阶RC等效电路模型和所述状态空间参数构建锂电池状态方程和状态空间模型，基于扩展卡尔曼滤波、锂电池状态方程和状态空间模型获取锂电池的SOC最优估计值，通过预设的深度置信网络模型和区间上下界估计方法对所述SOC最优估计值优化补偿，得到锂电池的SOC估计区间。本发明在一阶RC等效电路模型的基础上使用遗传算法实现模型参数的在线辨识，提高模型参数精度，从而提高了锂电池的SOC的估计准确度，同时，本发明通过深度置信网络模型对锂电池的SOC最优估计值进行优化补偿，提供合理有效的SOC估计区间，为锂电池的剩余电量提供可靠的波动范围。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于深度置信网络优化EKF的锂电池SOC区间估计方法的框图；
图2为本发明实施例的具体流程图；
图3为本发明实施例中一阶RC等效电路模型的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种基于深度置信网络优化EKF的锂电池SOC区间估计方法，解决了现有的方法中SOC估计不准的技术问题，实现提高了锂电池的SOC的估计准确度。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
电池荷电状态(State ofCharge，SOC)作为电池剩余电量表征，是电池管理系统的重要参数，对SOC的预测是动力电池管理系统的主要功能之一。本发明实施例以扩展卡尔曼滤波算法(ExtendedKalman Filter，EKF)估计SOC为主要思想，融入遗传算法进行参数识别，利用深度置信网络补偿滤波估计值中的误差，能有效避免滤波发散，提高全时工况电池荷电状态估计的精度。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供一种基于深度置信网络优化EKF的锂电池SOC区间估计方法，如图1所示，包括步骤S1～S5：
S1、构建锂电池的一阶RC等效电路模型；
S2、在获取锂电池OCV-SOC关系的基础上，通过遗传算法对一阶RC等效电路模型参数进行识别，获取状态空间参数；
S3、基于一阶RC等效电路模型和状态空间参数构建锂电池状态方程和状态空间模型；
S4、基于扩展卡尔曼滤波、锂电池状态方程和状态空间模型获取锂电池的SOC最优估计值；
S5、通过预设的深度置信网络模型和区间上下界估计方法对所述SOC最优估计值优化补偿，得到锂电池的SOC估计区间。
本发明实施例在一阶RC等效电路模型的基础上使用遗传算法实现模型参数的在线辨识，提高模型参数精度，从而提高了锂电池的SOC的估计准确度，同时，本发明通过深度置信网络模型对锂电池的SOC最优估计值进行优化补偿，提供合理有效的SOC估计区间，为锂电池的剩余电量提供可靠的波动范围。
在一实施例中，S1、构建锂电池的一阶RC等效电路模型，具体包括：
获取锂电池的电压、充放电电流及内阻等参数，根据这些参数构建锂电池的一阶RC等效电路模型，一阶RC等效电路模型的结构图如图3所示。
一阶RC等效电路模型包括开路电路(Open CircuitVoltage，OCV)、欧姆电阻(R0)、极化电阻(R1)、极化电容(C1)、极化电压(Uc(t))和标称容量，并得到动态数学模型。动态数学模型表达式如下：
E(t)＝I(t)R0+Uc(t)+Ut(t)
电动势E(t)等于锂电池的开电路电压，与锂电池SOC的功能有关，因此可以得到：
E(t)＝F(S(t))
其中，S(t)表示t时刻电池的荷电状态。
锂电池内部的电化学反应是一个复杂的非线性过程，温度、放电倍率等因素对锂电池性能影响很大。等效电路模型简单直观，概念清晰，能精确地表述所有的锂电池性能，对于SOC估计算法具有重要意义。考虑到动力电池实际工况限制，等效电路模型必需满足结构简单、计算速度快和预测精度高等特点。常用的理想模型、线性模型、Thevenin模型中，一阶RC模型以最小的复杂度实现了良好的精度。
在一实施例中，S2、在获取锂电池OCV-SOC关系的基础上，通过遗传算法对一阶RC等效电路模型参数进行识别，获取状态空间参数，如图2所示，具体包括：
对锂电池进行开路电压OCV测试，获取锂电池的OCV和对应的SOC数据，通过高阶多项式拟合得到拟合曲线，建立锂电池的开路电压模型并获取模型参数，其中开路电压模型为：
ocv＝p0+p1·soc+p2·soc2+...+pn·socn
其中，n是多项式次数，pi(i＝0,1,2,3,...,n)表示开路电压模型参数。
取n＝8，调整后得到SOC和OCV之间的关系：
ocv＝soc(p8·soc7+p7·soc6+...+p2·soc+p1)+p0
使用遗传算法进行参数识别。对锂电池进行混合脉冲功率特性测试，获取电流I及相应端电压Ut数据；综合一阶RC等效电路模型及开路电压模型，以端电压误差最小为目标函数，采用遗传算法对目标函数优化获取状态空间参数R0，R1和C1，其中R0表示欧姆内阻，R1表示极化电阻，C1表示极化电容。目标函数：
其中，Ut(t)表示实际测量端电压，Ut *(t)表示端电压估计值。
电路模型精度直接影响SOC估计的准确性。遗传算法是模拟生物进化过程的一种随机搜索的全局优化算法，该方法可以全局搜索得到最优参数。传统的最小二乘法需要测量锂电池电压以及对应的SOC和电流，实验耗时长且误差大。而遗传算法收敛较快，辨识得到的最优模型其电压输出特性与电池的实际电压输出特性基本吻合，能较精确的反映电池的实际特性，具有较高的辨识精度。
在一实施例中，S3、基于一阶RC等效电路模型和状态空间参数构建锂电池状态方程和状态空间模型，具体包括：
电池状态方程：
Ut(k)＝F(S(k))-R0I(k)-Uc(k)+v(k)
其中，X(k)＝[S(k)，Uc(k)]表示模型的状态变量，输入为电流I(k)，输出为端电压Ut(k)；[w1(k)，w2(k)]表示系统的过程噪声；v(k)表示电池端电压测量噪声；η为库伦效率；Cn为电池额定容量；R1表示极化电阻；C1表示极化电容；Δt为采样间隔。
状态空间模型A(k)，B(k)，C(k)：
在一实施例中，S4、基于扩展卡尔曼滤波、锂电池状态方程和状态空间模型获取锂电池的SOC最优估计值，如图2所示，具体包括：
扩展卡尔曼滤波的过程为：
将非线性系统线性化，非线性系统空间方程：
使用泰勒级数展开方法，将此非线性系统线性化：
其中，W(k)为状态噪声；V(k)为观测噪声。
用上述扩展卡尔曼滤波对锂电池状态方程和状态空间模型线性化后进行滤波，得到锂电池的SOC最优估计值：
(1)对状态
和误差协方差矩阵P(0)进行初始化赋值：
(2)对k时刻的状态值做初始估计：
其中，
为当前时刻的状态向量初始预测值，
为前一时刻的状态向量滤波后的最优估计值。
(3)对k时刻的误差协方差估计：
P(k|k-1)＝A(k-1)P(k-1)AT(k-1)+B(k-1)Q(k-1)BT(k-1)
其中，P(k|k-1)为预测误差协方差矩阵，P(k-1)为前一时刻滤波后的误差协方差矩阵，Q为状态噪声矩阵。
(4)计算k时刻的增益：
其中，K(k)为k时刻卡尔曼滤波增益系数，R为观测噪声协方差。
(5)更新误差协方差值：
P(k)＝[I-K(k)C(k)]P(k|k-1)
其中，P(k)为k时刻误差协方差矩阵，I为单位矩阵。
(6)根据增益计算最终状态估计值：
其中，
为k时刻状态向量最优估计值，即锂电池的SOC最优估计值，Y(k)为k时刻实际测量值，
为k时刻测量方程的预测值。
现有技术中，卡尔曼滤波是一种应用广泛的基于最小方差的递推式滤波算法，但其估计精度对电池模型的准确性依赖较高。衍生出的无迹卡尔曼滤波采用卡尔曼线性滤波框架，对于一步预测方程，使用无迹变换来处理均值和协方差的非线性传递。但传统的无迹卡尔曼滤波算法把协方差看作常量，不能满足噪声实时更新的特性，从而对精度产生了一定的影响。采用扩展卡尔曼滤波对非线性函数的Taylor展开式进行一阶线性化截断，忽略其余高阶顶，从而将非线性问题转化为线性，实现卡尔曼线性滤波算法在锂电池SOC估计的应用。
在以实施例中，S5、通过预设的深度置信网络模型和区间上下界估计方法对SOC最优估计值优化补偿，得到锂电池的SOC估计区间，具体包括：
预设的深度置信网络模型的建立过程包括：
深度置信网络模型的结构包括：若干层受限玻尔兹曼机(Restricted BoltzmannMachine，RBM)、单层BP神经网络，RBM网络采用全连接方式连接，每层RBM网络的输出作为下一层RBM网络的输入，最后一层RBM网络的输出数据作为BP神经网络的输入数据。构建上述结构的深度置信网络模型。
同时，引入区间上下界估计方法(LUBE)与深度置信网络结合，即对锂电池SOC上下界范围进行估计。上下界的估计范围组成的估计区间由下限L i和上限Ui组成，其中估计结果Ci以一定概率存在于估计区间，在这个区间的可能性称为置信水平。采用结合区间覆盖率(Prediction Intervals CoverageProbability，PICP)和区间宽度(NormalizedMeanPre-diction Intervals Width，NMPIW)这两个指标的集成指标CWC来衡量估计区间的质量。
区间覆盖率PICP是通过计算有多少个真实值位于估计区间内来衡量的，其计算公式如下：
式中，N为所有真实值的个数；当真实值落在估计区间内时，Ci为1，否则Ci为0。
估计区间的平均宽度(MPIW)定义：
在实际应用中，习惯采用标准化的MPIW—NMPIW度量，计算公式如下:
NMPIW＝MPIW/R
式中，R为待测目标的取值范围，NMPIW越小则估计区间质量越好。
PICP和NMPIW的变化范围均为[0，1]，要构造高质量的估计区间既需要较高的区间覆盖率，又需要NMPIW不能过大。针对二者的互斥特性，构造了集成指标CWC来综合表示这两个个指标对区间质量的贡献:
CWC＝NMPIW·(1+γ(PICP)e-η(PICP-μ))
式中，γ(PICP)定义为：
设置μ为置信水平1－α，η为惩罚系数，在本发明实施例中，μ、η分别取值95％、0.4。如果区间覆盖率高于1－α，则区间的质量仅通过其宽度NMPIW来测量。同时，如果PICP无法达到1－α，则会受到惩罚。
对上述模型进行训练，训练过程如下：对磷酸铁锂电池进行不同放电电流下的放电试验，利用建立的电池模型(即一阶RC等效电路模型)和EKF算法进行滤波，得到训练所需的样本数据。将
KS(k)、KUc(k)作为深度置信网络的输入，SOC估计区间与滤波后最优估计值之差作为深度置信网络的输出。将所得数据归一化后，按设定比例分为测试数据集和训练数据集，在本发明实施例中，训练数据集占80％，测试数据集占20％；采用随机梯度下降产生初始参数，计算每个样本点的CWC后，利用无监督学习对RBM网络进行从上而下逐层训练；
对训练后的深度置信网络模型微调，微调过程如下：通过BP神经网络反向传播误差进行模型参数调整，直至BP神经网络实际输出值和期望值之间的误差小于预设值，在本发明实施例中，预设值为10-4，得到建立好的深度置信网络模型。
通过预设的深度置信网络模型对所述SOC最优估计值优化补偿，如图2所示，具体包括：
利用建立好的深度置信网络模型辅助EKF进行在线状态估计。当接收到端电压观测量Ut(k)后，滤波器EKF将提供
KS(k)、KUc(k)，将它们输入到训练成功的深度置信网络模型中，便可以得到k时刻的误差补偿区间。为保证深度置信网络建模的稳定性和动态性，基于AIC(Akaike information criterion)信息准则，确定深度置信网络的模型训练集的时间尺度和SOC估计的滚动估计时间窗宽大小TW，采用固定时间窗宽的方式进行滚动式动态估计，即利用固定时间窗宽的数据集{Uc-TW+1(k)，…，Uc-2(k)，Uc-1(k)，Uc(k)}对下一时刻的电压Uc+1(k)进行估计。在下一轮估计过程中保持时间窗宽不变，更新数据集{Uc-TW+2(k)，…，Uc-1(k)，Uc(k)，Uc+1(k)}对下一时刻的电压Uc+2(k)进行估计，进而形成动态滚动式的建模机制。从而对EKF估计值
进行补偿与修正，得到k时刻锂电池SOC估计区间，即为基于深度置信网络联合EKF的最优估计区间，即锂电池的SOC最终估计区间。
最后，把所得估计区间中位数等效于估计均值，当做k+1时刻的初始SOC值进行循环计算。经过深度置信网络不断地对EKF算法估计的SOC值优化补偿，提高估计准确度，加快收敛速度。
针对EKF将非线性系统线性化过程中被忽略的高阶项可能带来的误差，现有技术中多采用BP神经网络补偿优化。BP神经网络是一种按照误差反向传播算法进行训练的前馈神经网络，由输入层、隐藏层和输出层三部分构成。BP神经网络在单隐层的时候，效率较高，当堆积到多层隐藏层的时候，传播效率大大降低；且其隐层数较少，映射能力有限，多用于解决一些简单的映射建模问题。深度置信网络属于深度神经网络模型，由多个受限玻尔兹曼机(RBM)堆叠而成，通过无监督学习进行预训练，通过BP神经网络反向传播误差进行全局微调。基于深度置信网络建立误差补偿模型，能有效适应锂电池SOC估计复杂的模型，改善局部最优问题，提高模型效率。
本发明实施例还提供一种基于深度置信网络优化EKF的锂电池SOC区间估计系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述方法的步骤。
可理解的是，本发明实施例提供的上述基于深度置信网络优化EKF的锂电池SOC区间估计系统与上述基于深度置信网络优化EKF的锂电池SOC区间估计方法方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于深度置信网络优化EKF的锂电池SOC区间估计方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例在一阶RC等效电路模型的基础上使用遗传算法实现模型参数的在线辨识，提高模型参数精度，从而提高了锂电池的SOC的估计准确度，同时，本发明通过深度置信网络模型对锂电池的SOC最优估计值进行优化补偿，提供合理有效的SOC估计区间，为锂电池的剩余电量提供可靠的波动范围。
2、本发明实施例通过卡尔曼增益系数K(k)的权值来实时修正估算误差。当初始值误差较大时，K(k)的权值也相应变大，保证观测值较快地收敛于真实值；当误差较小时，K(k)的值也变小，进行微调。即使初始化赋值不够精确，结果也可以收敛于真实值，而不会造成累积误差。且估计过程中，将电池组的内部参数视为动态参数进行实时更新，所以不会造成随时间推移的模型精度下降和系统噪声逐渐变大，具有较好的鲁棒性。
3、本发明实施例引入AIC信息准则，确定深度置信网络的模型训练集的时间尺度和SOC估计的滚动估计时间窗宽大小，采用固定时间窗宽的方式进行滚动式动态估计，充分利用信息，提高估计的准确性，进一步保证深度置信网络建模的稳定性和动态性。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于深度置信网络优化EKF的锂电池SOC区间估计方法，其特征在于，包括：
构建锂电池的一阶RC等效电路模型；
在获取锂电池OCV-SOC关系的基础上，通过遗传算法对一阶RC等效电路模型参数进行识别，获取状态空间参数；
基于所述一阶RC等效电路模型和所述状态空间参数构建锂电池状态方程和状态空间模型；
其中，锂电池状态方程包括：
Ut(k)＝F(S(k))-R0I(k)-Uc(k)+v(k)
其中，[S(k)，Uc(k)]＝X(k)表示模型的状态变量，输入为电流I(k)，输出为端电压Ut(k)；[w1(k)，w2(k)]表示系统的过程噪声；v(k)表示电池端电压测量噪声；η为库伦效率；Cn为电池额定容量；R1表示极化电阻；C1表示极化电容；Δt为采样间隔；
所述状态空间模型包括A(k)，B(k)和C(k)：
基于扩展卡尔曼滤波、所述锂电池状态方程和所述状态空间模型获取锂电池的SOC最优估计值，包括：
使用扩展卡尔曼滤波对锂电池状态方程和状态空间模型线性化后进行滤波，得到锂电池的SOC最优估计值，具体包括：
(1)对状态
和误差协方差矩阵P(0)进行初始化赋值：
(2)对k时刻的状态值做初始估计：
其中，
为当前时刻的状态向量初始预测值，
为前一时刻的状态向量滤波后的最优估计值；
(3)对k时刻的误差协方差估计：
P(k|k-1)＝A(k-1)P(k-1)AT(k-1)+B(k-1)Q(k-1)BT(k-1)
其中，P(k|k-1)为预测误差协方差矩阵，P(k-1)为前一时刻滤波后的误差协方差矩阵，Q为状态噪声矩阵；
(4)计算k时刻的增益：
其中，K(k)为k时刻卡尔曼滤波增益系数，R为观测噪声协方差；
(5)更新误差协方差值：
P(k)＝[I-K(k)C(k)]P(k|k-1)
其中，P(k)为k时刻误差协方差矩阵，I为单位矩阵；
(6)根据增益计算最终状态估计值：
其中，
为k时刻锂电池的SOC最优估计值，Y(k)为k时刻实际测量值，
为k时刻测量方程的预测值；
通过预设的深度置信网络模型和区间上下界估计方法对所述SOC最优估计值优化补偿，得到锂电池的SOC估计区间，包括：
接收到端电压观测量Ut(k)后，滤波器EKF输出
KS(k)、KUc(k)，将
KS(k)、KUc(k)输入到预设的深度置信网络模型中，得到k时刻的误差补偿区间；基于AIC信息准则，确定深度置信网络的模型训练集的时间尺度和SOC估计的滚动估计时间窗宽大小TW，采用固定时间窗宽的方式进行滚动式动态估计，对EKF估计值
进行补偿与修正，得到k时刻锂电池SOC估计区间。
2.如权利要求1所述的基于深度置信网络优化EKF的锂电池SOC区间估计方法，其特征在于，所述在获取锂电池OCV-SOC关系的基础上，通过遗传算法对一阶RC等效电路模型参数进行识别，获取状态空间参数，包括：
对锂电池进行开路电压OCV测试，获取锂电池的OCV和对应的SOC数据，通过高阶多项式拟合得到拟合曲线，建立锂电池的开路电压模型并获取模型参数，其中开路电压模型为：
ocv＝p0+p1·soc+p2·soc2+...+pn·socn
其中，n是多项式次数，pi表示开路电压模型参数，i＝0，1，2，3，…n；取n＝8，调整后得到SOC和OCV之间的关系：
ocv＝soc(p8·soc7+p7·soc6+...+p2·soc+p1)+p0
使用遗传算法进行参数识别，对锂电池进行混合脉冲功率特性测试，获取电流I及相应端电压Ut数据；综合所述一阶RC等效电路模型及开路电压模型，以端电压误差最小为目标函数，采用遗传算法对目标函数优化获取状态空间参数R0，R1和C1，其中R0表示欧姆内阻，R1表示极化电阻，C1表示极化电容，目标函数的表达式如下：
其中，Ut(t)表示实际测量端电压，Ut *(t)表示端电压估计值。
3.如权利要求1所述的基于深度置信网络优化EKF的锂电池SOC区间估计方法，其特征在于，所述区间上下界估计方法，包括：
上下界的估计范围组成的估计区间由下限Li和上限Ui组成，其中估计结果Ci以一定概率存在于估计区间，采用集成指标CWC来衡量估计区间的质量；集成指标CWC计算公式如下：
CWC＝NMPIW·(1+γ(PICP)e-η(PICP-μ))
式中，PICP为区间覆盖率；NMPIW为区间宽度；μ为置信水平；η为惩罚系数；γ(PICP)定义为：
区间覆盖率PICP通过计算有多少个真实值位于估计区间内来衡量，其计算公式如下：
式中，N为所有真实值的个数；当真实值落在估计区间内时，Ci为1，否则Ci为0；
区间宽度NMPIW的计算公式如下：
NMPIW＝MPIW/R
式中，R为待测目标的取值范围；MPIW为估计区间的平均宽度其计算公式如下：
4.如权利要求3所述的基于深度置信网络优化EKF的锂电池SOC区间估计方法，其特征在于，所述预设的深度置信网络模型的结构包括：
若干层受限玻尔兹曼机和单层BP神经网络，所述受限玻尔兹曼机采用全连接方式连接，每层受限玻尔兹曼机的输出作为下一层受限玻尔兹曼机的输入，最后一层受限玻尔兹曼机的输出数据作为所述单层BP神经网络的输入数据。
5.如权利要求4所述的基于深度置信网络优化EKF的锂电池SOC区间估计方法，其特征在于，所述预设的深度置信网络模型的建立过程包括：
构建包括若干层受限玻尔兹曼机和单层BP神经网络的深度置信网络模型；
对深度置信网络模型进行训练，训练过程如下：对磷酸铁锂电池进行不同放电电流下的放电试验，利用一阶RC等效电路模型和EKF算法进行滤波，得到训练所需的样本数据；将
KS(k)、KUc(k)作为深度置信网络的输入，SOC估计区间与滤波后最优估计值之差作为深度置信网络的输出；将所得数据归一化后，按设定比例分为测试数据集和训练数据集；采用随机梯度下降产生初始参数，计算每个样本点的CWC后，利用无监督学习对RBM网络进行从上而下逐层训练；
对训练后的深度置信网络模型微调，微调过程如下：通过BP神经网络反向传播误差进行模型参数调整，直至BP神经网络实际输出值和期望值之间的误差小于预设值，完成深度置信网络模型的建立。
6.如权利要求1所述的基于深度置信网络优化EKF的锂电池SOC区间估计方法，其特征在于，所述方法还包括：
把所得估计区间中位数等效于估计均值，当做k+1时刻的初始SOC值进行循环计算，经过预设的深度置信网络不断地对EKF算法估计的SOC值优化补偿。
7.一种基于深度置信网络优化EKF的锂电池SOC区间估计系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010347178.9A CN111624495B (zh) | 2020-04-28 | 2020-04-28 | 基于深度置信网络优化ekf的锂电池soc区间估计方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010347178.9A CN111624495B (zh) | 2020-04-28 | 2020-04-28 | 基于深度置信网络优化ekf的锂电池soc区间估计方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111624495A CN111624495A (zh) | 2020-09-04 |
| CN111624495B true CN111624495B (zh) | 2022-08-02 |
Family
ID=72271757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010347178.9A Active CN111624495B (zh) | 2020-04-28 | 2020-04-28 | 基于深度置信网络优化ekf的锂电池soc区间估计方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111624495B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112379268A (zh) * | 2020-09-29 | 2021-02-19 | 合肥工业大学 | 基于svm_ekf算法的锂电池soc估计方法、装置及存储介质 |
| CN112269133B (zh) * | 2020-10-22 | 2021-09-21 | 合肥工业大学 | 一种基于预充电路模型参数识别的soc估计方法 |
| CN112985649B (zh) * | 2021-01-26 | 2022-09-06 | 电子科技大学 | 一种基于柔性分布式电容触觉传感器的力学信息检测系统 |
| 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 |
| CN113495214B (zh) * | 2021-05-25 | 2023-07-07 | 四川轻化工大学 | 一种基于温度变化模型的超级电容荷电状态估计方法 |
| CN113805061B (zh) * | 2021-08-28 | 2023-09-01 | 西北工业大学 | 一种锂亚硫酰氯体系锂原电池的soc预测方法 |
| CN113991719B (zh) * | 2021-12-03 | 2023-11-24 | 华北电力大学 | 一种电动船舶参与的海岛群用能优化调度方法及系统 |
| CN118011247B (zh) * | 2024-04-10 | 2024-08-02 | 太湖能谷(杭州)科技有限公司 | 铅碳电池荷电状态的估算方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107390127A (zh) * | 2017-07-11 | 2017-11-24 | 欣旺达电动汽车电池有限公司 | 一种soc估算方法 |
| CN108537337A (zh) * | 2018-04-04 | 2018-09-14 | 中航锂电技术研究院有限公司 | 基于优化深度信念网络的锂离子电池soc预测方法 |
| CN108896924A (zh) * | 2018-07-09 | 2018-11-27 | 哈尔滨工业大学 | 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法 |
| CN109061506A (zh) * | 2018-08-29 | 2018-12-21 | 河海大学常州校区 | 基于神经网络优化ekf的锂离子动力电池soc估计方法 |
| CN110068774A (zh) * | 2019-05-06 | 2019-07-30 | 清华四川能源互联网研究院 | 锂电池健康状态的估计方法、装置及存储介质 |
| CN110596593A (zh) * | 2019-08-26 | 2019-12-20 | 浙江大学 | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101547006B1 (ko) * | 2012-10-26 | 2015-08-24 | 주식회사 엘지화학 | 배터리 잔존 용량 추정 장치 및 방법 |
-
2020
- 2020-04-28 CN CN202010347178.9A patent/CN111624495B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107390127A (zh) * | 2017-07-11 | 2017-11-24 | 欣旺达电动汽车电池有限公司 | 一种soc估算方法 |
| CN108537337A (zh) * | 2018-04-04 | 2018-09-14 | 中航锂电技术研究院有限公司 | 基于优化深度信念网络的锂离子电池soc预测方法 |
| CN108896924A (zh) * | 2018-07-09 | 2018-11-27 | 哈尔滨工业大学 | 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法 |
| CN109061506A (zh) * | 2018-08-29 | 2018-12-21 | 河海大学常州校区 | 基于神经网络优化ekf的锂离子动力电池soc估计方法 |
| CN110068774A (zh) * | 2019-05-06 | 2019-07-30 | 清华四川能源互联网研究院 | 锂电池健康状态的估计方法、装置及存储介质 |
| CN110596593A (zh) * | 2019-08-26 | 2019-12-20 | 浙江大学 | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111624495A (zh) | 2020-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111624495B (zh) | 基于深度置信网络优化ekf的锂电池soc区间估计方法和系统 | |
| CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
| WO2021185308A1 (zh) | 一种电动汽车动力电池组健康状态在线确定方法和系统 | |
| CN106918789B (zh) | 一种soc-soh联合在线实时估计和在线修正方法 | |
| CN110888058B (zh) | 一种基于动力电池soc和soh联合估计的算法 | |
| CN112069739B (zh) | 电池分数阶模型参数辨识方法 | |
| CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
| CN110596593A (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
| CN108872873A (zh) | 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 | |
| CN107367699A (zh) | 一种基于分数阶模型的锂电池soc估算新方法 | |
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
| CN114035072A (zh) | 一种基于云边协同的电池组多状态联合估计方法 | |
| CN109828215A (zh) | 一种提升电池单体soc估算精度的方法和系统 | |
| CN112816879A (zh) | 一种用于变工况车用动力电池SoE在线估计方法 | |
| CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
| CN112858920B (zh) | 一种基于自适应无迹卡尔曼滤波的全钒液流电池融合模型的soc估算方法 | |
| CN113608126B (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
| Ren et al. | Novel strategy based on improved Kalman filter algorithm for state of health evaluation of hybrid electric vehicles Li-ion batteries during short-and longer term operating conditions | |
| CN113391216A (zh) | 基于响应曲面设计的铅酸电池可用容量估算方法和装置 | |
| CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
| CN116224073A (zh) | 电池soc估计方法、装置、设备、电池模组及存储介质 | |
| CN115754741A (zh) | 储能系统的soc估算方法及装置、设备及存储介质 | |
| CN116754959A (zh) | 一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法 | |
| Liu et al. | Health estimation of lithium-ion batteries with voltage reconstruction and fusion model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |