基于分数阶神经网络和双容积卡尔曼的电池SOH在线估计方法技术

本发明专利技术公布了一种基于分数阶神经网络和双容积卡尔曼的电池SOH（健康状态）在线估计方法，属于电池健康管理领域。具体步骤为：（1）通过传感器采集电池的可见状态量；（2）离线训练分数阶神经网络模型；（3）将步骤（1）采集的实时数据加入初始训练数据集，使模型能够更加准确地描述电池特性；（4）建立一个离散状态空间模型来表征电池隐含状态和可见状态之间的映射函数；（5）利用双容积卡尔曼滤波（DCKF）算法对分数阶神经网络模型进行在线更新，同时对隐含状态进行在线估计。本发明专利技术能够在线更新蓄电池模型，使模型适应不断变化的动态环境，提高了电池健康管理的效率和准确度。

On line SOH estimation method based on fractional order neural network and dual volume Calman

The invention discloses a battery SOH (health state) online estimation method based on fractional order neural network and double volume Calman, which belongs to the field of battery health management. The specific steps are as follows: (1) the amount of visible sensor cells; (2) the off-line training of fractional order neural network model; (3) the step (1) real-time data acquisition into the initial training data set, the model can more accurately describe the characteristics of the battery; (4) establish a discrete mapping function the state space model to characterize the cells between the hidden state and visible state; (5) using double volume Calman filter (DCKF) algorithm for the online update of the fractional order neural network model, and the hidden state estimate. The invention can update the battery model on line, make the model adapt to the changing dynamic environment, and improve the efficiency and accuracy of the battery health management.

【技术实现步骤摘要】
基于分数阶神经网络和双容积卡尔曼的电池SOH在线估计方法
本专利技术公布了一种基于分数阶神经网络和双容积卡尔曼的电池SOH(健康状态)在线估计方法，属于电池健康管理领域。
技术介绍
随着国家经济的不断发展，能源、电力、交通、通信、环保等领域的现代化要求在不断提高。作为后备能源的蓄电池系统正在被大量使用，对所有不允许断电的供电电源系统来说，蓄电池组都是一个不可缺少的后备电源系统，而且，蓄电池系统在各行各业中应用越来越广泛。蓄电池运行状态是否正常，直接影响着应用领域中各种设备的正常、可靠和安全运行。因此，准确地估计蓄电池健康状态，对于避免电池过负荷工作、保障设备安全可靠运行具有重要的意义。为了准确地估计蓄电池的健康状态，需要对电池进行建模来描述其特性。目前常用的电池模型有三类：电化学模型、等效电路模型和黑箱模型。电化学模型是基于电池内部的热力学和动力学原理来建立相关方程。该类方法的优点是可以详细地描述电池内部的电化学反应，但其模型复杂度高，计算量大。等效电路模型是借助传统的电阻、电容、恒压源等电路元件，组成电路网络来描述电池的特性。该类方法的优点是结构简单，参数少，精度较高。但是该模型的参数没有实际的物理意义，在电池状态评估时意义不明确。黑箱模型是根据输入输出关系建立起来的，反映了有关因素间的一种笼统的直接因果关系，它通过采用大量的测试数据作为训练集，来提高模型的预测精度和适应性。该类模型的优点是模型简单，能够精确反映电池的非线性关系，但其需要大量的测试数据，模型精度容易受训练数据和训练方法影响。电池模型的研究应该充分考虑蓄电池实际使用环境的特点，在实际应用中，往往只能采集电池端电压、充放电电流和温度等一些可测参量。电化学模型因为需要知道电池内部材料的参数，而其内部材料参数在实际应用中很难进行更新，所以实际应用中往往不采用电化学模型。等效电路模型参数的获取需要先对电池进行脉冲充放电实验，再对电池静置阶段的端电压变化曲线进行参数辨识，实际应用中蓄电池往往不能在实验条件下进行脉冲充放电实验，所以等效电路模型不符合实际应用情况。黑箱模型是通过大量的测试数据作为训练集来训练模型，因此，可以将实际应用中实时采集的端电压、充放电电流和温度等可测参量作为训练集来训练电池模型。神经网络模型是一种典型的黑箱模型，可以采用神经网络算法，通过实际应用中实时采集的数据来训练神经网络模型，再通过在线估计技术对电池的健康状态进行在线估计。但神经网络模型也存在一定的问题，其训练速度慢，还会出现无法收敛的情况，而采用分数阶改进的神经网络不仅可以提高其收敛速度，还能提高模型的预测精度。
技术实现思路
为了解决上述问题，本专利技术提出了一种基于分数阶神经网络和双容积卡尔曼的电池SOH在线估计方法，它将智能算法建模和在线滤波估计相结合，来进行电池的状态估计和健康管理。本专利技术为解决其技术问题采用如下技术方案：一种基于分数阶神经网络和双容积卡尔曼的电池SOH在线估计方法，包括如下基本步骤：步骤1，通过传感器测量电池动态系统的能见状态；步骤2，将同型号电池的历史数据作为初始训练数据集，使用分数阶理论改进的神经网络算法来训练模型，得到能够表征蓄电池非线性特性的等效模型；步骤3，将步骤1实时采集的数据加入初始训练数据集；步骤4，分析电池隐含状态和能见状态之间存在的映射关系，建立一个离散状态空间模型来表征其映射函数；步骤5，利用DCKF算法对分数阶神经网络模型进行在线更新，同时对隐含状态进行在线估计；步骤6，根据隐含状态所反映的电池健康状况，电池管理系统通过执行器对电池进行管理。所述步骤2的具体过程如下：步骤2.1，分数阶神经网络的拓扑结构为三层网络结构，包括1个输入层、1个隐含层和1个输出层，上一层每个节点通过唯一路径与下一层各个节点相连，输入层节点数为3，输出层节点数为1，隐含层节点数根据经验设置为10，所以其网络结构设置为3-10-1；步骤2.2，分数阶神经网络初始化：设置分数阶神经网络的初始权值、阈值和学习速率；步骤2.3，给定输入向量和目标向量：输入向量为输入层的三个节点，分别是电池SOC估计值、放电电流值和最大剩余容量估计值，目标向量为输出层的一个节点，是电池端电压值；步骤2.4，求隐含层、输出层各单元上的输出：根据输入变量、输入层和隐含层之间的连接权值以及隐含层阈值计算隐含层输出，再根据隐含层输出、隐含层和输出层之间的连接权值以及输出层阈值计算输出层输出值；步骤2.5，求目标值与实际输出值的偏差E：根据平方型误差公式计算目标值与实际输出值的偏差E；步骤2.6，判定目标值与实际输出值的偏差是否满足条件，如果所有目标值与实际输出值的偏差满足条件，则训练结束，如果不满足条件，则对分数阶神经网络的各个连接权和阈值作一次调整。所述步骤4中的离散状态空间模型为：状态方程：量测方程：Uk＝HNN(Xs,k,Ik,Xp,k)+vk(2)其中：Xs,k为神经元k处的电池SOC估计值；Xs,k-1为神经元k-1处的电池SOC估计值；Xp,k为分数阶神经网络神经元k的连接权值、阈值和电池容量值组成的n×1的矩阵；Xp,k-1为分数阶神经网络神经元k-1的连接权值、阈值和电池容量值组成的n×1的矩阵；Ik为为k时刻的电池放电电流值；Ik-1为k-1时刻的电池放电电流值；wk为过程噪声；rk为过程噪声；Uk为电池端电压；vk为测量噪声；HNN为分数阶神经网络模型的一个数学表达式。HNN的具体表达式为：其中：Xs为电池的SOC估计值，I为电池的放电电流值，Xp为分数阶神经网络各个连接权、阈值和电池容量值组成的n×1的矩阵；θt表示隐含层节点t的阈值；θk表示隐含层节点k的阈值；f(·)是隐含层节点函数；g(·)是输出层节点函数；Wrt是指输入层中的节点r与隐含层的节点t间的权值；Wtk是指隐含层节点t与输出层节点k间的权值。所述步骤5的具体过程如下：将采集到的电池能见状态加入训练数据集，通过两个容积卡尔曼滤波器分别对系统状态参数Xs和系统模型参数Xp进行估计，再将估计值发送给分数阶神经网络模型，分数阶神经网络模型输出电池端电压值并和真实端电压值作比较，最后将比较得到的反馈误差发送给两个容积卡尔曼滤波器，对估计值进行修正，并继续进行递推估计。所述用两个容积卡尔曼滤波器分别对系统状态参数Xs和系统模型参数Xp进行递推估计的具体过程为：步骤5.1，参数变量时间更新对分数阶神经网络的模型参数和电池容量进行状态估计，得到其预测值；步骤5.2，状态变量时间更新对电池SOC进行状态估计，得到其预测值；步骤5.3，参数变量量测更新将分数阶神经网络模型输出的电池端电压值和真实端电压值作比较，并将得到的误差对分数阶神经网络的模型参数和电池容量估计值进行修正；步骤5.4，状态变量量测更新将分数阶神经网络模型输出的电池端电压值和真实端电压值作比较，并将得到的误差对电池SOC估计值进行修正。本专利技术的有益效果如下：1)分数阶改进神经网络，使其具有更有效的函数逼近能力以及更快的收敛速度和更高的预测精度。2)采用同类型电池的历史数据作为训练集来离线训练神经网络模型，解决了大量历史数据的问题，并通过双容积卡尔曼滤波算法，不仅使神经网络模型参数进行在线更新，而且同时对电池的健康状态进行在线估计。3)系本文档来自技高网...

【技术保护点】
一种基于分数阶神经网络和双容积卡尔曼的电池SOH在线估计方法，其特征在于包括如下基本步骤：步骤1，通过传感器测量电池动态系统的能见状态；步骤2，将同型号电池的历史数据作为初始训练数据集，使用分数阶理论改进的神经网络算法来训练模型，得到能够表征蓄电池非线性特性的等效模型；步骤3，将步骤1实时采集的数据加入初始训练数据集；步骤4，分析电池隐含状态和能见状态之间存在的映射关系，建立一个离散状态空间模型来表征其映射函数；步骤5，利用DCKF算法对分数阶神经网络模型进行在线更新，同时对隐含状态进行在线估计；步骤6，根据隐含状态所反映的电池健康状况，电池管理系统通过执行器对电池进行管理。

【技术特征摘要】
1.一种基于分数阶神经网络和双容积卡尔曼的电池SOH在线估计方法，其特征在于包括如下基本步骤：步骤1，通过传感器测量电池动态系统的能见状态；步骤2，将同型号电池的历史数据作为初始训练数据集，使用分数阶理论改进的神经网络算法来训练模型，得到能够表征蓄电池非线性特性的等效模型；步骤3，将步骤1实时采集的数据加入初始训练数据集；步骤4，分析电池隐含状态和能见状态之间存在的映射关系，建立一个离散状态空间模型来表征其映射函数；步骤5，利用DCKF算法对分数阶神经网络模型进行在线更新，同时对隐含状态进行在线估计；步骤6，根据隐含状态所反映的电池健康状况，电池管理系统通过执行器对电池进行管理。2.根据权利要求1所述的基于分数阶神经网络和双容积卡尔曼的电池SOH在线估计方法，其特征在于：所述步骤2的具体过程如下：步骤2.1，分数阶神经网络的拓扑结构为三层网络结构，包括1个输入层、1个隐含层和1个输出层，上一层每个节点通过唯一路径与下一层各个节点相连，输入层节点数为3，输出层节点数为1，隐含层节点数根据经验设置为10，所以其网络结构设置为3-10-1；步骤2.2，分数阶神经网络初始化：设置分数阶神经网络的初始权值、阈值和学习速率；步骤2.3，给定输入向量和目标向量：输入向量为输入层的三个节点，分别是电池SOC估计值、放电电流值和最大剩余容量估计值，目标向量为输出层的一个节点，是电池端电压值；步骤2.4，求隐含层、输出层各单元上的输出：根据输入变量、输入层和隐含层之间的连接权值以及隐含层阈值计算隐含层输出，再根据隐含层输出、隐含层和输出层之间的连接权值以及输出层阈值计算输出层输出值；步骤2.5，求目标值与实际输出值的偏差E：根据平方型误差公式计算目标值与实际输出值的偏差E；步骤2.6，判定目标值与实际输出值的偏差是否满足条件，如果所有目标值与实际输出值的偏差满足条件，则训练结束，如果不满足条件，则对分数阶神经网络的各个连接权和阈值作一次调整。3.根据权利要求1所述的基于分数阶神经网络和双容积卡尔曼的电池SOH在线估计方法，其特征在于：所述步骤4中的离散状态空间模型为：状态方程：量测方程：Uk＝HNN(Xs,k,Ik,Xp,k)+vk(2)其中：Xs,k为神经元k处的电池SOC估计值；Xs,k-1为神经元k-1处的电池SOC估计值；Xp...

【专利技术属性】
技术研发人员：陈则王，林娅，朱晓栋，崔江，王友仁，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32