一种多模型并用的电池SOC估算方法技术

本发明专利技术公开了一种多模型并用的电池SOC估算方法，包括以下步骤：1）获取电池状态参数；2）对电池状态参数分别进行归一化处理；3）将归一化处理后的电池状态参数分别代入遗传算法优化BP神经网络估计模型、自适应神经‑模糊推理系统模型和OS‑ELM神经网络模型，得到三种SOC估算结果；4）根据SOC‑OCV关系，得到步骤3）所得三种SOC估算结果所分别对应的初步估算电压值；5）分别计算初步估算电压值与电压之间的偏差值；将偏差值归一化得到初步估算电压值的加权系数；6）根据加权系数计算SOC的最终估算值。利用电池三个重要参数，使用三种模型并行，将非线性系统用多个线性系统估计结果来描述，再加权叠加估算电池SOC值，有效提高估算精度。

【技术实现步骤摘要】
一种多模型并用的电池SOC估算方法
本专利技术涉及SOC估算
，具体涉及一种多模型并用的电池SOC估算方法。
技术介绍
在节能和环保的大环境下，电动汽车将成为了汽车工业实现长远发展的首选产品。目前，电动汽车正在飞速的发展，但是发展受到了动力电池使用寿命的制约。作为电动汽车的动力来源，电池是制约电动汽车发展的瓶颈，而实现电池的SOC的准确估算是保证汽车可靠运行的前提。常见的SOC的估算方法主要有：安时积分法、开路电压法、内阻法、卡尔曼滤波法、神经网络法等。安时积分法是通过计算电流对时间的积分得到电池组在过去一段时间所消耗的电量，从而得到剩余电量，但由于电流检测存在偏差，将造成SOC计算误差，对电流的累计积分导致误差越来越大；开路电压法的理论依据是开路电压与SOC相对固定的函数关系，但应用的前提是要求电池静置时间较长，单独使用该方法仅适用于电动汽车驻车状态；内阻法是根据电池内阻和SOC之间的关系，通过测量内阻来确定SOC的，但是电池内阻包括欧姆内阻和极化内阻，车辆行驶过程中，电流变化较快，导致内阻计算非常复杂，而且放电初期内阻变化率小，该方法独立进行SOC估算困难；卡尔曼滤波法依赖于精确的电池状态描述模型和准确的测量值，这在实际应用中并不容易实现；神经网络具有自组织学习能力，只要有足够多的样本数据，即可以得到较理想的估算效果，缺点是训练数据和训练的方式方法在很大程度上都会影响SOC的估计精度。电动汽车电池SOC是一个非线性的、延时的、多变量耦合和复杂的实时系统,实时性要求非常高,常规的、单一的控制方法难以取得理想效果,根据传统电动汽车电池SOC估算方法的缺点，本专利技术专利设计一种多模型并用的电池SOC估算方法，同时考虑电池温度、自放电率和电池老化程度等因素的复杂影响，实现对电动汽车电池SOC值估计。
技术实现思路
本专利技术要解决的技术问题是提供一种多模型并用的电池SOC估算方法，可以解决现有电池SOC估算方法精度不高的问题。本专利技术通过以下技术方案实现：一种多模型并用的电池SOC估算方法，包括以下步骤：1)获取电池状态参数，包括电池的电压U、电流I和温度T；2)对电池状态参数分别进行归一化处理；3)将归一化处理后的电池状态参数分别代入遗传算法优化BP神经网络估计模型、自适应神经-模糊推理系统模型和OS-ELM神经网络模型，得到各模型对应的SOC估算结果；4)根据SOC-OCV关系，利用步骤3)所得三种SOC估算结果初步估算对应电压值Um，m＝1,2,3；5)分别计算初步估算电压值Um与电压U之间的偏差值em，m＝1,2,3；将偏差值em归一化得到初步估算电压值Um的加权系数；6)根据加权系数计算SOC的最终估算值。本专利技术的进一步方案是，步骤4)采用安时积分法和开路电压法结合得出SOC-OCV关系。本专利技术的再进一步方案是，考虑到放电倍率、温度、电池老化因素对安时积分法的影响，采用相应的补偿修正安时积分法。本专利技术的再进一步方案是，步骤4)对传统开路电压法进行滞回特性和任意停置时间两方面修正。本专利技术与现有技术相比的优点在于：本专利技术专利提出一种多模型并用的SOC估算方法，与常规的、单一的估算方法相比优势在于，该估算方法将一个复杂的非线性系统进行多个神经网络模型并行估算，得出对应的SOC，然后结合修正后的安时积分法和开路电压法求出对应的Um，计算初步估算电压值Um与电压U之间的偏差值em，m＝1,2,3；将偏差值em归一化得到初步估算电压值Um的加权系数，再将三种模型的估算结果加权叠加估算电池SOC值，有效提高估算精度。附图说明图1为本专利技术的SOC估算方法流程图。图2为遗传算法流程图。图3为BP神经网络结构图。图4为模糊规则示意图。图5为自适应神经-模糊推理系统模型结构图。图6为OS-ELM神经网络模型示意图。具体实施方式如图1所示的一种多模型并用的电池SOC估算方法，包括训练阶段和估算阶段，其中训练阶段包括以下步骤：1)由电池箱中的检测装置(LECU)进行电池状态参数检测，其中利用LTC6803芯片采集电池电压U，利用霍尔电流传感器检测电池电流I，利用NTC温感电阻进行温度T的检测；采集一时间段内n个时间节点的电池状态参数，第1时间节点电池状态记为：[U1，I1，T1，t1],第2时间节点电池状态记为：[U2，I2，T2，t2]...第n时间节点电池状态记为：[Un，In，Tn，tn]。2)利用归一化方程：将第i个时间节点的电池状态[Ui，Ii，Ti，ti]，i＝1,2,……，n，归一化为：[U'i，I'i，Ti'，ti]，i＝1,2,……，n；以电压Ui的归一化为例，其归一化方程是：其中Umax、Umin分别表示n个时间节点电压参数中的最大值和最小值。3)将归一化处理后的电池状态参数[U'i，I'i，Ti'，ti]分别代入遗传算法优化BP神经网络估计模型、自适应神经-模糊推理系统模型和OS-ELM神经网络模型，得到三种SOC估算结果：其中，电池状态参数[U'i，I'i，Ti']代入遗传算法优化BP神经网络估计模型的过程如下：首先对电池状态参数[U'i，I'i，Ti']进行如图2所示的遗传算法优化处理，包括：a.种群初始化：个体编码方法为实数编码，每一个个体均为一个实数串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值及输出层阈值组成，个体包含了神经网络全部权值和阈值。b.适应度计算：根据个体得到BP神经网络的初始权值和阈值，用训练BP神经网络后预测系统输出，把预测输出和期望输出之间的误差绝对值和作为个体适应度值F。其中k为系数，n为网络输出节点，yi为第i个时间节点的期望输出SOC值，oi为第i个时间节点的预测输出SOC值；c.选择操作：选择轮盘赌法预测电池的SOC值，每个个体i的选择概率pi，其中Fi为个体i的适应度值，N为种群个体数目；d.交叉操作：采用实数交叉法，第k个染色体ak和第l个染色体al在j位交叉操作，akj＝akj(1-b)+aljbalj＝alj(1-b)+akjb式中b是[0,1]随机数；d.变异操作：选取第i个个体的第j个基因aij进行变异，变异操作如下：amax和amin是aij的上下界，其中r2为一个随机数，g为当前的迭代数；Gmax是最大进化次数，r为[0,1]的随机数。将得到的最佳权值和阈值送入到如图3所示的BP神经网络估计模型中进行估算，得到第一种SOC计算结果SOC1。电池状态参数[U'i，I'i，Ti']代入自适应神经-模糊推理系统模型的过程如下：模糊推理的思想是输入和输出之间的静态非线性映射；如图4所示，假设系统的输入为ui∈Ui(i＝1,2,...),输出为yi∈Yi(i＝1,2,...)，输入和输出是“精确的”，而不是模糊集合。模糊化是把精确输入转换成模糊集合，在规则库中推理利用模糊规则产生模糊结论，解模糊模块结论转化成精确的输出。自适应神经-模糊推理系统模型分为五层，如图5所示：第一层：将U'i，I'i，Ti'根据额定电压值、额定电流值和额定温度值，划分为大于额定值、等于额定值、小于额定值的三个模糊集，相对应生成高、中、低的隶属度函数值：O1,j＝μAi(x)(i＝1,2,3)O1,j＝μB(i-3)(y)(i＝4,5,6)O1,j＝μC(i-6本文档来自技高网...

【技术保护点】
1.一种多模型并用的电池SOC估算方法，其特征在于包括以下步骤：1)获取电池状态参数，包括电池的电压U、电流I和温度T；2)对电池状态参数分别进行归一化处理；3)将归一化处理后的电池状态参数分别代入遗传算法优化BP神经网络估计模型、自适应神经‑模糊推理系统模型和OS‑ELM神经网络模型，得到三种SOC估算结果；4)根据SOC‑OCV关系，利用步骤3)得到的三种SOC估算结果初步估算电压值Um，m＝1,2,3；5)分别计算初步估算电压值Um与电压U之间的偏差值em，m＝1,2,3；将偏差值em归一化得到初步估算电压值Um的加权系数；6)根据加权系数计算SOC的最终估算值。

【技术特征摘要】
1.一种多模型并用的电池SOC估算方法，其特征在于包括以下步骤：1)获取电池状态参数，包括电池的电压U、电流I和温度T；2)对电池状态参数分别进行归一化处理；3)将归一化处理后的电池状态参数分别代入遗传算法优化BP神经网络估计模型、自适应神经-模糊推理系统模型和OS-ELM神经网络模型，得到三种SOC估算结果；4)根据SOC-OCV关系，利用步骤3)得到的三种SOC估算结果初步估算电压值Um，m＝1,2,3；5)分别计算初步估算电压值Um与电压U之间的偏差值em，m＝1,2,...

【专利技术属性】
技术研发人员：王业琴，陈基础，杨艳，陈语嫣，郭畅，夏奥运，桑英军，武莎莎，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：江苏,32