一种新能源汽车动力电池SOH在线估算的方法技术

一种电动汽车动力电池SOH在线估算的方法：S1.电池SOH预测模型的建立及优化，采用具有输出-输入反馈机制的改进Elman网络算法：OIF Elman网络；S2.电池SOH模型输入参数的选择：电池内阻、电流和温度作为模型的输入参数；S3.在Matlab7.1环境下运行；S4.验证。本发明专利技术在样本点较少时，无论在训练速度上，还是在预测精度上，OIF Elman网络明显优于Elman网络。OIF Elman网络提高了网络的泛化能力，既降低了对训练样本个数的需求，又能提高预测精度，在动力电池剩余寿命(SOH)预测中可以成功应用。

【技术实现步骤摘要】
一种新能源汽车动力电池SOH在线估算的方法
本专利技术涉及一种新能源汽车动力电池S0H(电池循环寿命)在线估算的方法。
技术介绍
动力电池是新能源汽车的核心，是新能源汽车技术和成本上的最大瓶颈，也是新能源汽车产业链中最核心的一环。随着全球石油资源等能源的大量消耗，大气污染、气候和环境恶化进一步加剧，在能源对外依存度超过50%和发展低碳经济的大背景下，发展新能源汽车已是大势所趋。与传统汽车相比，电动汽车具有无可比拟的优势，但是目前仍然面临着许多技术和成本方面的问题，主要在于电动汽车的一次充电行驶里程、电池寿命、充电设备(公共设施)等。而动力电池系统寿命预测问题是当前电池系统最为关键的问题之一，影响电池寿命的因素很多，电池寿命受其充放电工作模式、电流大小、运行环境的温度、压力、电池制作工艺、本身的结构及化学特性等众多因素的影响。所以，简单而又快速地预测出电池的寿命显得十分重要。现在对于电池寿命的预测综合考虑主要有基于电池机理、电池特征和数据驱动。在实际应用中，应该尽量利用电池机理模型，但其缺点是电池机理模型需要精细的参数，复杂程度较高，建立完善的老化机理模型很困难；基于特征预测的关键是找到随电池老化表现出的敏感特征参数、特征在线测试方法及特征和电池健康状态之间的关系描述；基于数据驱动的原则应是在机理模型描述不能实现的情况下再辅助数据驱动的思想，从数据中挖掘规律，纯粹基于数据驱动得到的拟合公式或神经网络模型在实际应用中有一定的局限性，应当是在机理或特征模型的基础上再结合使用数据驱动的思想。
技术实现思路
本专利技术所要解决的技术问题，就是提供一种预测模型较为简单、无需精细参数、且既能降低对训练样本个数的需求，又能提高预测精度的电动汽车动力电池SOH在线估算的方法。解决上述技术问题，本专利技术采用的技术方案是:—种电动汽车动力电池SOH在线估算的方法，其特征是:包括以下步骤:SI电池SOH预测模型的建立及优化采用具有输出-输入反馈机制的改进Elman网络算法:0IF Elman网络:同一般神经网络一样，OIF Elman分为3层:输入层、隐层和输出层,其中输入层神经元数学模型为xu(k) = u (k-1) (I)；xu(k)表示k时刻输入层节点状态，u (k)表示k时刻系统输入量；隐层神经元的数学模型为:X (k) = f (W11Xc (k) +W12Xu (k) +ff14yc (k)) (2)xc (k) = a xc (k_l)+X (k_l) (3)yc (k) = y yc (k-l)+y (k~l) (4)；其中，x(k)表示k时刻隐层节点的状态；Xc;(k)表示k时刻联系单元I节点的状态；7。00表示k时刻联系单元2节点的状态;Wn表示隐含节点与联系单元的连接权矩阵；W12表示隐层节点与输入节点之间的连接权矩阵；w14表示隐层节点与联系单元2之间的连接权矩阵；输出层神经元的数学模型为:y (k) = W13X (k) (5)；其中，y(k)表示k时刻输出层节点的状态；W13表示隐层节点与输出节点之间的连接权矩阵；所述的OIF Elman网络的隐层节点的输入为:输入层节点状态、联系单元I状态、联系单元2状态，设第k步系统的实际输出为yd(k)，定义误差函数为:本文档来自技高网...

【技术保护点】
一种电动汽车动力电池SOH在线估算的方法，其特征是：包括以下步骤：S1电池SOH预测模型的建立及优化采用具有输出‑输入反馈机制的改进Elman网络算法：OIF Elman网络，OIF Elman分为3层：输入层、隐层和输出层，其中输入层神经元数学模型为xu(k)＝u(k‑1) (1)；xu(k)表示k时刻输入层节点状态，u(k)表示k时刻系统输入量；隐层神经元的数学模型为：x(k)＝f(W11xc(k)+W12xu(k)+W14yc(k)) (2)xc(k)＝αxc(k‑1)+x(k‑1) (3)yc(k)＝γyc(k‑1)+y(k‑1) (4)；其中，x(k)表示k时刻隐层节点的状态；xc(k)表示k时刻联系单元1节点的状态；yc(k)表示k时刻联系单元2节点的状态；W11表示隐含节点与联系单元的连接权矩阵；W12表示隐层节点与输入节点之间的连接权矩阵；W14表示隐层节点与联系单元2之间的连接权矩阵；输出层神经元的数学模型为：y(k)＝W13x(k) (5)；其中，y(k)表示k时刻输出层节点的状态；W13表示隐层节点与输出节点之间的连接权矩阵；所述的OIF Elman网络的隐层节点的输入为：输入层节点状态、联系单元1状态、联系单元2状态，设第k步系统的实际输出为yd(k)，定义误差函数为:E(k)=12(yd(k)-y(k))T(yd(k)-y(k))---(6);]]>将E对连接权W11、W12、W13、W14分别求偏导，由梯度下降法可得OIF Elman网络的学习算法：ΔWij13＝η3δi0xj(k) i＝1,2,…,m；j＝1,2,…,n (7)ΔWjq12＝η2δjhuq(k‑1) j＝1,2,…,n；q＝1,2,…,r (8)ΔWjl11=ηlΣi=1m(δi0Wij13)∂xi(k)∂Wjl11j=1,2,...,n;l=1,2,...,n---(9)]]>ΔWjs14=η4Σi=1m(δi0Wij13)∂xi(k)∂Wjs14j=1,2,...,n;s=1,2,...,m---(10)]]>∂xi(k)∂Wjs14=fj′(·)ys(k-1)+γ∂xi(k-1)∂Wjs14j=1,2,...,n;s=1,2,...,m---(11)]]>其中，η1，η2，η3，η4分别为W11、W12、W13、W14的学习步长，0≤γ＜1为联系单元2的自连接反馈增益因子，δi0和δjh为误差信号；δi0＝(ydi(k)‑yi(k)) (12)δjh=Σi=1m(δi0Wij13)fj′(·)---(13)]]>∂xi(k)∂Wj111=fj′(·)xl(k-1)+α∂xi(k-1)∂Wjl11---(14);]]>所述的OIF Elman网络学习算法采用梯度下降法，即自适应学习速率动量梯度下降反向传播算法，它既能提高网络的训练速率，又能有效抑制网络陷入局部极小点，学习的目的是用网络的实际输出值与输出样本值的差值来修改权值和阀值，使网络输出层的误差平方和最小；S2电池SOH模型输入参数的选择选择电池内阻、电流和温度作为模型的输入参数；确定隐层神经元的个数n2和输入层神经元个数n1：隐层神经元的个数n2和输入层神经元个数n1之间有以下近似关系：n2＝2n1+1 (14)由样本数据可知，网络输入层有3个神经元，输出层有1个神经元，故分别将中间层神经元的数目设置为7；S3在Matlab7.1环境下运行对网络输入层和输出层的各单元值进行标准化处理，并使他们处于[0,1]或[‑1,1]中，采用的输入参数的标准化方法为：x^=x-xminxmax-xmin---(15)]]>式中，xmax为该组变量的最大值，xmin为该组变量的最小值；S4验证电池SOH预测模型的仿真分析选用6组相同型号的电池，采用相同充电制度充满电，在不同电流、不同温度的条件下，对3组电池进行放电试验，获得实测数据100组，选择其中80组数据对该模型进行训练，网络训练过程在Matlab7.1环境下运行，仿真中用改进Elman和Elman两种神经网络建模进行预测，分别得到预测结果，对比分析两者与实测SOH的误差。...

【技术特征摘要】
1.一种电动汽车动力电池SOH在线估算的方法，其特征是:包括以下步骤: SI电池SOH预测模型的建立及优化 采用具有输出-输入反馈机制的改进Elman网络算法:0IF Elman网络，OIF Elman分为3层:输入层、隐层和输出层,其中输入层神经兀数学模型为xu(k) = u(k-l) (I)； xu(k)表示k时刻输入层节点状态，u (k)表示k时刻系统输入量； 隐层神经元的数学模型为: x(k) =f (W11Xc (k) +W12Xu (k) +W1Vc (k)) (2)xc (k) = a xc(k_l)+x(k_l) (3)yc (k) = y yc (k-l)+y (k-1) (4)； 其中，x(k)表示k时刻隐层节点的状态；Xc;(k)表示k时刻联系单元I节点的状态；yc(k)表示k时刻联系单元2节点的状态;Wn表示隐含节点与联系单元的连接权矩阵；W12表示隐层节点与输入节...

【专利技术属性】
技术研发人员：罗敏，孙卫明，肖勇，赵伟，黄默涵，孟金岭，
申请(专利权)人：广东电网公司电力科学研究院，
类型：发明
国别省市：广东;44