CN114184962B - 一种多算法融合的锂离子电池soc和soh联合估算方法 - Google Patents

Abstract

本发明提供了一种多算法融合的锂离子电池荷电状态(SOC)和健康状态(SOH)联合估算方法，针对锂离子电池实际使用情况下，无法通过直接测量容量或内阻的方式得到电池SOH的问题，建立卷积神经网络(CNN)模型对其进行精确估计。并在此基础上，利用小波变换去噪预处理，随后建立了粒子群优化深度置信网络和自适应扩展卡尔曼/自适应H_∞滤波融合算法((PSO‑DBN)‑AEKF/AHIFF)与CNN配合来实现对SOC与SOH的联合估计。通过对估计结果的验证，显示该方法在高斯白噪声条件下误差以及在有色噪声条件下估计误差均能达到极低的水平，达到了现有技术所不具备的诸多有益效果。

Description

一种多算法融合的锂离子电池SOC和SOH联合估算方法

技术领域

本发明属于动力电池管理技术领域，具体涉及对锂离子电池的SOC和SOH实现联合估计的方法。

背景技术

动力电池健康状态(SOH)估计对电池的实用性和经济性具有非常重要的指导意义，但由于SOH是一个慢时变的量，从而增大了对其估计的难度。在忽略电池SOH减小的前提下讨论电池SOC估计会出现较大的误差，所以SOC与SOH联合估计具有很大的必要性。由于动力电池内部的状态变化较为复杂，且具有强烈的非线性特性，因此要找到一个适合的模型来完全描述电池内部特性是非常困难的，电池模型的计算复杂程度总是会限定在一个范围之内，这严重降低了估计的有效程度。由此可见，如何提供不过度依赖电池经验模型、且具有较强的通用性的电池估计方法，是本领域中亟待解决的技术问题。

发明内容

针对上述本领域中的技术问题，本发明提供了一种多算法融合的锂离子电池SOC和SOH联合估算方法，具体包括以下步骤：

步骤一、针对锂离子电池开展验证实验，在CC-CV(恒流-恒压)充电阶段提取电压、电流及温度数据；在工况循环放电阶段提取电压、电流及温度数据；同时，提取上位机中充电阶段的充电量，利用安时积分法计算得到的实际SOC值作为验证数据；

步骤二、以电压、电流及温度作为输入SOH作为输出，建立卷积神经网络CNN算法模型；利用CC-CV充电阶段所提取的电压、电流、温度数据，以及此阶段不同温度下充电容量与未老化容量比值，构建训练样本对所述CNN算法模型进行训练；基于训练好的CNN算法模型估计当前条件下的SOH；

步骤三、以电压、电流、温度以及SOH为输入SOC作为输出，一方面建立基于自适应扩展卡尔曼滤波算法的SOC估计模型，另一方面建立基于自适应H_∞滤波算法的SOC估计模型，以所述两个SOC估计模型的估计结果根据权值分配方法建立SOC融合估计器；

利用工况循环放电阶段提取的电压、电流、温度数据，以及由步骤二估计的SOH构建所述两个SOC估计模型的训练样本进行训练；其中，所述基于自适应扩展卡尔曼滤波算法的SOC估计模型利用深度置信网络进行训练，并且利用粒子群优化算法计算深度置信网络的BP层最优权值偏置；

步骤四、利用步骤二和步骤三得到的训练好的各估计模型，进行电池SOH和SOC的联合估计；

步骤五、利用步骤一中提取的实际SOC值对估计结果进行验证，实现对各估计模型的定期更新。

进一步地，经步骤一提取各数据后并用于对各估计模型训练之前，先采用小波变换算法对提取的数据x(t)进行预处理，得到剔除噪声后的数据x’(t)：

x′(t)＝P_Jx(t)

其中，P_jx(t)为x(t)在小波变换函数空间V_j上的投影，j为小波变换的级数，t为各数据的对应采集时间。

进一步地，步骤二中CNN算法模型具体基于一维深度卷积神经网络建立，过程包括：

首先进行网络层的设置，包括设置网络层数、卷积块形状大小、初始化权值和偏置等结构参数和初始参数；

然后将训练样本输入到输入层，建立反映输入和输出之间关系的函数F(X|θ)：

Y＝F(X|θ)＝f_l(…f₂(f₁(X|θ₁)|θ₂)…|θ_l)

其中，Y为网络的输出，X为网络的输入，f_l(·|θ_l)表示卷积神经网络各层关于网络参数的关系函数，θ_l表示第l层的网络参数；

最后设置相应的目标函数，通过误差反向传播算法对卷积核中的权值与偏置参数进行更新：

其中，G为目标函数，ω_l为每层卷积核的权值，b_l为每层卷积核的偏置，*为卷积操作；δ_l为卷积神经网络的误差项。

进一步地，步骤三中两个所述SOC估计模型以及融合估计器的建立具体包括以下步骤：

建立非线性的离散化系统方程：

x＝z，u＝I，y＝z_DBN，A_k＝1，

G＝1

其中，x为系统状态，z为电池的SOC，z_DBN为经过深度置信网络算法后的电池SOC，y为系统测量值，u为输入信息，f为系统状态方程，h为系统观测方程，

w为状态噪声，v为观测噪声，上标∧表示估计值，下标k为某特定时刻，I为单位矩阵，C_a为电池最大可用容量，η为充放电效率，Δt表示时间尺度上的单位时间间隔；

(1)执行初始化，设置状态观测器的初始值：x₀，P₀，Q₀，R₀，L_k，S_k，1/γ；

其中，x₀为初始状态的值，P₀为初始状态的误差协方差，Q₀和R₀为初始时刻的系统噪声协方差矩阵以及观测噪声协方差矩阵，L_k是设计者自定义的矩阵且L_k＝[0 1]，S_k是特定问题选择的对称正定阵，S_k的选择是与1/γ的比值成比例的，在这个过程中使S_k＝1，然后调节1/γ以满足滤波要求，γ为不确定约束上界。

(2)执行先验估计-预测(k-1)⁺→k^-，包括：

系统状态估计：

自适应扩展卡尔曼滤波算法的误差协方差矩阵预估：

自适应H_∞滤波算法的对称正定矩阵更新：

其中，上标+和-分别表示后验和先验；

(3)执行后验估计-修正k^-→k⁺，包括：

根据戴维宁电池模型的离散化可得方程：

其中，Δt为采样时间间隔，R₀和R_p为电阻值，I_k为k时刻的电流值，U_p，k为在k时刻电容两端的电压，U_oc，k为k时刻的开路电压，τ＝R_p，kC_p，k

通过k时刻的测量值对系统状态和误差协方差的预估值进行修正：

新息矩阵：

自适应扩展卡尔曼滤波器增益：

自适应H_∞滤波器增益：

自适应噪声协方差匹配：

系统状态修正：

自适应扩展卡尔曼滤波算法的误差协方差矩阵修正：

自适应H_∞滤波算法的误差协方差矩阵修正：

(4)执行时间尺度更新：k＝k+1，准备(k+1)时刻两SOC估计模型分别执行状态估计；

(5)定义指标J_k为：

同时为了减少噪声造成的影响，对过去一段时间的指标J_k取均值，得到：

其中，M为采样的窗口长度；

定义自适应扩展卡尔曼滤波算法的边界值为J₂，自适应H_∞滤波算法的边界值为J_∞，自适应扩展卡尔曼滤波算法的估计结果为x_AEKF，自适应H_∞滤波算法的估计结果为x_AHIFF，构建以下形式的融合估计器得到最终的SOC估计结果x_k：

x_k＝d_kx_AEKF+(1-d_k)x_AHIFF

其中，权值d_k为：

上式中的a和b根据经验确定。

上述本发明所提供的方法，针对锂离子电池实际使用情况下，无法通过直接测量容量或内阻的方式得到电池SOH的问题，建立卷积神经网络CNN模型对其进行精确估计。并在此基础上，利用小波变换去噪预处理，随后建立了粒子群优化深度置信网络和自适应扩展卡尔曼/自适应H_∞滤波融合算法((PSO-DBN)-AEKF/AHIFF)与CNN配合来实现对SOC与SOH的联合估计。通过对估计结果的验证，显示该方法在高斯白噪声条件下误差以及在有色噪声条件下误差均能达到极低的水平，达到了现有技术所不具备的诸多有益效果。

附图说明

图1为本发明的方法中所建立的两种SOC估计模型与融合估计器的流程图；

图2为本发明的方法总体流程示意图；

图3为基于本发明的试验平台电气连接图。

具体实施方式

下面将结合附图对本发明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做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。

本发明所提供的一种多算法融合的锂离子电池SOC和SOH联合估算方法，如图2所示，具体包括以下步骤：

步骤一、针对锂离子电池开展验证实验，在CC-CV(恒流-恒压)充电阶段提取电压、电流及温度数据；在工况循环放电阶段提取电压、电流及温度数据；同时，提取上位机中充电阶段的充电量，利用安时积分法计算得到的实际SOC值作为验证数据；

步骤二、以电压、电流及温度作为输入SOH作为输出，建立卷积神经网络CNN算法模型；利用CC-CV充电阶段所提取的电压、电流、温度数据，以及此阶段不同温度下充电容量与未老化容量比值，构建训练样本对所述CNN算法模型进行训练；基于训练好的CNN算法模型估计当前条件下的SOH；

步骤三、以电压、电流、温度以及SOH为输入SOC作为输出，一方面建立基于自适应扩展卡尔曼滤波算法的SOC估计模型，另一方面建立基于自适应H∞滤波算法的SOC估计模型，以所述两个SOC估计模型的估计结果根据权值分配方法建立SOC融合估计器；

利用工况循环放电阶段提取的电压、电流、温度数据，以及由步骤二估计的SOH构建所述两个SOC估计模型的训练样本进行训练；其中，所述基于自适应扩展卡尔曼滤波算法的SOC估计模型利用深度置信网络进行训练，并且利用粒子群优化算法计算深度置信网络的BP层最优权值偏置；

步骤四、利用步骤二和步骤三得到的训练好的各估计模型，进行电池SOH和SOC的联合估计；

步骤五、利用步骤一中提取的实际SOC值对估计结果进行验证，实现对各估计模型的定期更新。

在本发明的一个优选实施方式中，经步骤一提取各数据后并用于对各估计模型训练之前，先采用小波变换算法对提取的数据x(t)进行预处理，得到剔除噪声后的数据x’(t)：

x′(t)＝P_Jx(t)

其中，P_jx(t)为x(t)在小波变换函数空间V_j上的投影，j为小波变换的级数，t为各数据的对应采集时间。

在本发明的一个优选实施方式中，步骤二中CNN算法模型具体基于一维深度卷积神经网络建立，过程包括：

首先进行网络层的设置，包括设置网络层数、卷积块形状大小、初始化权值和偏置等结构参数和初始参数；

然后将训练样本输入到输入层，建立反映输入和输出之间关系的函数F(X|θ)：

Y＝F(X|θ)＝f_l(…f₂(f₁(X|θ₁)|θ₂)…|θ_l)

其中，Y为网络的输出，X为网络的输入，f_l(·|θ_l)表示卷积神经网络各层关于网络参数的关系函数，θ_l表示第l层的网络参数；

最后设置相应的目标函数，通过误差反向传播算法对卷积核中的权值与偏置参数进行更新：

其中，G为目标函数，ω_l为每层卷积核的权值，b_l为每层卷积核的偏置，*为卷积操作；δ_l为卷积神经网络的误差项。

如图1所示，步骤三中两个所述SOC估计模型以及融合估计器的建立具体包括以下步骤：

建立非线性的离散化系统方程：

x＝z，u＝I，y＝z_DBN，A_k＝1

C_k＝1

其中，x为系统状态，z为电池的SOC，z_DBN为经过深度置信网络算法后的电池SOC，y为系统测量值，u为输入信息，f为系统状态方程，h为系统观测方程，

w为状态噪声，v为观测噪声，上标∧表示估计值，下标k为某特定时刻，I为单位矩阵，C_a为电池最大可用容量，η为充放电效率，Δt表示时间尺度上的单位时间间隔；

(1)执行初始化，设置状态观测器的初始值：x₀，P₀，Q₀，R₀，L_k，S_k，1/γ；

其中，x₀为初始状态的值，P₀为初始状态的误差协方差，Q₀和R₀为初始时刻的系统噪声协方差矩阵以及观测噪声协方差矩阵，L_k是设计者自定义的矩阵且L_k＝[0 1]，S_k是特定问题选择的对称正定阵，S_k的选择是与1/γ的比值成比例的，在这个过程中使S_k＝1，然后调节1/γ以满足滤波要求，γ为不确定约束上界。

(2)执行先验估计-预测(k-1)⁺→k^-，包括：

系统状态估计：

自适应扩展卡尔曼滤波算法的误差协方差矩阵预估：

自适应H_∞滤波算法的对称正定矩阵更新：

其中，上标+和-分别表示后验和先验；

(3)执行后验估计-修正k^-→k⁺，包括：

根据戴维宁电池模型的离散化可得方程：

其中，Δt为采样时间间隔，R₀和R_p为电阻值，I_k为k时刻的电流值，U_p，k为在k时刻电容两端的电压，U_oc，k为k时刻的开路电压，τ＝R_p，kC_p，k

通过k时刻的测量值对系统状态和误差协方差的预估值进行修正：

新息矩阵：

自适应扩展卡尔曼滤波器增益：

自适应H_∞滤波器增益：

自适应噪声协方差匹配：

其中，e_i为i时刻残差期望的估计值，H_k为残差协方差的实际值

系统状态修正：

自适应扩展卡尔曼滤波算法的误差协方差矩阵修正：

自适应H_∞滤波算法的误差协方差矩阵修正：

(4)执行时间尺度更新：k＝k+1，准备(k+1)时刻两SOC估计模型分别执行状态估计；

(5)定义指标J_k为：

同时为了减少噪声造成的影响，对过去一段时间的指标J_k取均值，得到：

其中，M为采样的窗口长度，一般取区间[10,100]内；

定义自适应扩展卡尔曼滤波算法AEKF的边界值为J₂，自适应H_∞滤波算法AHIFF的边界值为J_∞，当AEKF精度较好时，

当AEKF精度较差时，

而介于两者之间的情况，

对于一般情况，J₂∈[1，2]，，J_∞∈[30，70]。

定义自适应扩展卡尔曼滤波算法的估计结果为x_AEKF，自适应H_∞滤波算法的估计结果为x_AHIFF，构建以下形式的融合估计器得到最终的SOC估计结果x_k：

x_k＝d_kx_AEKF+(1-d_k)x_AHIFF

其中，权值d_k为：

上式中的a和b根据经验确定。

在基于本发明的一个具体实例中，搭建了如图3所示的台架试验平台，针对3块电池同步进行电池实验，选取2号锂离子电池、3号锂离子电池在四个温度点下的所有容量点的验证实验数据及1号锂离子电池在0℃、10℃、40℃下的所有容量点的验证实验数据作为训练样本，对CNN算法模型进行训练；为了增加测试样本数，选取1号锂离子电池在25℃下的各容量点的验证实验数据作为测试样本，将测试数据按每10％SOC进行切割，共计5×10＝50个样本数，用来验证CNN算法的有效性，并对电压、电流引入高斯白噪声及有色噪声。

通过对估计结果与实际测量结果的比较，可已发现其在高斯白噪声条件下误差基本在2.1％以内，在有色噪声条件下误差基本在3％以内，验证了其在噪声条件下的有效性，具有很好的估计精度和鲁棒性。同样证明了多算法融合的SOC与SOH联合估计算法对复杂噪声的抑制效果，具有较好的估计精度。

应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (3)

1.一种多算法融合的锂离子电池SOC和SOH联合估算方法，其特征在于：具体包括以下步骤：

步骤一、针对锂离子电池开展验证实验，在CC-CV充电阶段提取电压、电流及温度数据；在工况循环放电阶段提取电压、电流及温度数据；同时，提取测试上位机中充电阶段的充电量，利用安时积分法计算得到的实际SOC值作为验证数据；

步骤二、以电压、电流及温度作为输入SOH作为输出，建立卷积神经网络CNN算法模型；利用CC-CV充电阶段所提取的电压、电流、温度数据，以及此阶段不同温度下充电容量与未老化容量比值，构建训练样本对所述CNN算法模型进行训练；基于训练好的CNN算法模型估计当前条件下的SOH；

步骤三、以电压、电流、温度以及SOH为输入SOC作为输出，一方面建立基于自适应扩展卡尔曼滤波算法的SOC估计模型，另一方面建立基于自适应H_∞滤波算法的SOC估计模型，以两个SOC估计模型的估计结果根据权值分配方法建立SOC融合估计器，具体包括以下步骤：

建立非线性的离散化系统方程：

x＝z，u＝I，y＝z_DBN，A_k＝1，

C_k＝1

其中，x为系统状态，z为电池的SOC，z_DBN为经过深度置信网络算法后的电池SOC，y为系统测量值，u为输入信息，f为系统状态方程，h为系统观测方程，

w为状态噪声，v为观测噪声，上标∧表示估计值，下标k为某特定时刻，I为单位矩阵，C_a为电池最大可用容量，η为充放电效率，Δt表示时间尺度上的单位时间间隔；

(1)执行初始化，设置状态观测器的初始值：x₀，P₀，Q₀，R₀，L_k，S_k，1/γ；

其中，x₀为初始状态的值，P₀为初始状态的误差协方差，Q₀和R₀为初始时刻的系统噪声协方差矩阵以及观测噪声协方差矩阵，L_k是根据需要自定义的矩阵且I_k＝[0 1]，S_k是对特定问题选择的对称正定阵，S_k的选择是与1/γ的比值成比例的，在这个过程中使S_k＝1，然后调节1/γ以满足滤波要求，γ为不确定约束上界；

(2)执行先验估计-预测(k-1)⁺→k^-，包括：

系统状态估计：

自适应扩展卡尔曼滤波算法的误差协方差矩阵预估：

自适应H_∞滤波算法的对称正定矩阵更新：

其中，上标+和-分别表示后验和先验，Q_k为k时刻系统噪声协方差矩阵；

(3)执行后验估计-修正k^-→k⁺，包括：

根据戴维宁电池模型的离散化可得方程：

其中，Δt为采样时间间隔，R₀和R_p分别为欧姆电阻和极化电阻，I_k为k时刻的电流值，U_p，k为在k时刻电容C_p两端的电压，U_oc，k为k时刻的开路电压，τ＝R_p，kC_p，k

通过k时刻的测量值对系统状态和误差协方差的预估值进行修正：

新息矩阵：

自适应扩展卡尔曼滤波器增益：

自适应H_∞滤波器增益：

自适应噪声协方差匹配：

系统状态修正：

自适应扩展卡尔曼滤波算法的误差协方差矩阵修正：

自适应H_∞滤波算法的误差协方差矩阵修正：

其中，P_k为k时刻系统误差协方差，R_k为k时刻系统观测噪声协方差矩阵；

(4)执行时间尺度更新：k＝k+1，准备(k+1)时刻两SOC估计模型分别执行状态估计；

(5)定义指标J_k为：

同时为了减少噪声造成的影响，对过去一段时间的指标J_k取均值，得到：

其中，M为采样的窗口长度；

定义自适应扩展卡尔曼滤波算法的边界值为J₂，自适应H_∞滤波算法的边界值为J_∞，自适应扩展卡尔曼滤波算法的估计结果为x_AEKF，自适应H_∞滤波算法的估计结果为x_AHIFF，构建以下形式的融合估计器得到最终的SOC估计结果x_k：

x_k＝d_kx_AEKF+(1-d_k)x_AHIFF

其中，权值d_k为：

上式中的a和b根据经验确定；

利用工况循环放电阶段提取的电压、电流、温度数据，以及由步骤二估计的SOH构建所述两个SOC估计模型的训练样本进行训练；其中，所述基于自适应扩展卡尔曼滤波算法的SOC估计模型利用深度置信网络进行训练，并且利用粒子群优化算法计算深度置信网络的BP层最优权值偏置；

步骤四、利用步骤二和步骤三得到的训练好的各估计模型，进行电池SOH和SOC的联合估计；

步骤五、利用步骤一中提取的实际SOC值对估计结果进行验证，实现对各估计模型的定期更新。

2.如权利要求1所述的方法，其特征在于：经步骤一提取各数据后并用于对各估计模型训练之前，先采用小波变换算法对提取的数据x(t)进行预处理，得到剔除噪声后的数据x’(t)：

x′(t)＝P_Jx(t)

其中，P_jx(t)为x(t)在小波变换函数空间V_j上的投影，j为小波变换的级数，t为各数据的对应采集时间。

3.如权利要求1所述的方法，其特征在于：步骤二中CNN算法模型具体基于一维深度卷积神经网络建立，过程包括：

首先进行网络层的设置，包括设置网络层数、卷积块形状大小、初始化权值和偏置结构参数和初始参数；

然后将训练样本输入到输入层，建立反映输入和输出之间关系的函数F(X|θ)：

Y＝F(X|θ)＝f_l(…f₂(f₁(X|θ₁)|θ₂)…|θ_l)

其中，Y为网络的输出，X为网络的输入，f_l(·|θ_l)表示卷积神经网络各层关于网络参数的关系函数，θ_l表示第l层的网络参数；

最后设置相应的目标函数，通过误差反向传播算法对卷积核中的权值与偏置参数进行更新：

其中，ω_l为每层卷积核的权值，b_l为每层卷积核的偏置，G为目标函数，*为卷积操作；δ_l为卷积神经网络的误差项。

Images