A method for estimating the state of charge of secondary batteries is presented. The dynamic characteristics of different types of secondary batteries are modeled by using the powerful learning ability of the non-linear exogenous autoregressive (NARX) neural network. Based on the model, the extended Kalman filter algorithm is used to estimate the state of charge (SOC) of the batteries online. The process of modeling battery dynamic characteristics based on NARX is offline, and SOC estimation is online and real-time. The training process of the model will not affect the real-time performance of SOC estimation. The method can accurately simulate the dynamic characteristics of batteries when the sample data of training set is small. Based on the equivalent model of batteries completed by training, it can accurately estimate the SOC of batteries. The characteristics of the method are that the calculation amount of online estimation is small, and it can be operated with cheap digital processors. It is suitable for the realization of batteries in the battery management system based on low-cost microcontroller. The prediction of charging state has the advantages of real-time, high efficiency and low cost.
【技术实现步骤摘要】
基于NARX模型的电池剩余容量在线估计方法
本专利技术涉及一种针对二次电池(包括锂离子电池、镍氢电池、铅酸电池等,以下简称电池)建立等效模型,并结合扩展卡尔曼滤波算法进行电池寿命预测的新方法。
技术介绍
近年来,以电动汽车,智能电网为代表的新能源技术发展迅速。在这些领域中,电池作为核心储能部件,其寿命和可靠性对整个系统的性能有着决定性的影响,对电池剩余容量(SOC,State-of-Charge)的在线估计是电池管理系统的核心功能之一。传统的剩余容量估计方法包括库伦计数法、开路电压法以及电阻抗法等。库伦计数法受到估初值和累计误差的影响较大,开路电压法不适合在线式的应用,电阻抗法引入了复杂的外围电路,带来了高昂的开销。基于各种等效模型的估计算法是现在的研究热点。电池的机理模型需要考虑电池内部的电化学机理,如催化剂有效面积减少,可用导电粒子浓度降低,电极钝化膜增长等机制,这类模型的复杂度过高,基于此进行容量预测难以实现。电池的等效电路模型将电池的电学特性抽象为一类等效电路,据此结合外部实时采集的电压电流数据推算出内部的剩余容量变化,但是单纯的等效电路模型并不能在电池的全SOC周期都保持良好的逼近特性。基于数据驱动的建模方法通过建立神经网络模型,对电池容量和电压,电流,温度等历史数据进行学习和训练来获得一个数学意义上的输入输出拟合模型,这种方式忽视了数据的物理意义和电池之间的关系,容易导致过拟合的现象。卡尔曼滤波是一种时域滤波技术,采用状态空间描述系统,它常用于根据观测信号来估计或预测无法直接测量的状态变量,针对线性高斯模型有着很好的跟踪效果。对于一般的非线性系 ...
【技术保护点】
1.一种实现电池荷电状态的估计方法,其特征在于该方法包括如下步骤:1)对电池进行脉冲放电测试,从获得的数据点中拟合开路电压OCV和SOC的对应关系得得到Voc(soc)函数曲线;2)对电池进行随机充放电实验,通过可编程电子负载装置采集该过程中电池的端电压Ut和端电流I;3)根据获得的实验数据电池端电压和电流数据,按下式提取出任意时刻k的极化电压Up:Up(k)=Ut‑Voc(soc(k))‑I·Ro其中,Ro是电池的欧姆内阻,Voc(soc(k))是k时刻电池SOC所对应的开路电压,soc(k)由实验环境下的高精度电子负载对电流随时间的积分得到。对提取出极化电压数据进行平滑滤波以去除曲线中的毛刺,将平滑滤波后的极化电压和电池端电流作为训练样本;4)对所述的原始训练集的样本数据进行归一化,将原始训练集分为训练集、验证集和测试集,且所占用的数据比例分别为70%,20%,10%,采用Levenberg‑Marquardt算法实现NARX模型的训练,经过学习和训练,训练集和验证集得出最优模型后,使用测试集进行模型性能评价,以防止模型的过拟合;5)基于离线训练得到的NARX神经网络Up(k)=F ...
【技术特征摘要】
1.一种实现电池荷电状态的估计方法,其特征在于该方法包括如下步骤:1)对电池进行脉冲放电测试,从获得的数据点中拟合开路电压OCV和SOC的对应关系得得到Voc(soc)函数曲线;2)对电池进行随机充放电实验,通过可编程电子负载装置采集该过程中电池的端电压Ut和端电流I;3)根据获得的实验数据电池端电压和电流数据,按下式提取出任意时刻k的极化电压Up:Up(k)=Ut-Voc(soc(k))-I·Ro其中,Ro是电池的欧姆内阻,Voc(soc(k))是k时刻电池SOC所对应的开路电压,soc(k)由实验环境下的高精度电子负载对电流随时间的积分得到。对提取出极化电压数据进行平滑滤波以去除曲线中的毛刺,将平滑滤波后的极化电压和电池端电流作为训练样本;4)对所述的原始训练集的样本数据进行归一化,将原始训练集分为训练集、验证集和测试集,且所占用的数据比例分别为70%,20%,10%,采用Levenberg-Marquardt算法实现NARX模型的训练,经过...
【专利技术属性】
技术研发人员:张宇翔,赵春宇,朱森林,
申请(专利权)人:上海交通大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。