一种锂离子电池荷电状态动态评估与长效预测融合方法技术

本发明专利技术公开一种锂离子电池荷电状态动态评估与长效预测融合方法，首先利用扩展卡尔曼滤波法对锂离子电池的电池荷电状态进行评估，得到锂离子电池荷电状态SOCKEF；然后利用回声状态神经网络对锂离子电池的电池荷电状态进行预测，得到锂离子电池荷电状态SOCESN；最后对锂离子电池荷电状态SOCKEF和锂离子电池荷电状态SOCESN进行加权融合，得到最终锂离子电池的电池荷电状态SOC。本发明专利技术提高了现有电池SOC检测方法的适应性和评估精度，克服单一方法进行SOC动态评估的局限性，针对性的选取基于模型和数据驱动的融合方法，兼顾SOC检测评估动态实时性和长期长效预测的需求。

【技术实现步骤摘要】
一种锂离子电池荷电状态动态评估与长效预测融合方法
本专利技术涉及电池荷电状态评估
，具体涉及一种锂离子电池荷电状态动态评估与长效预测融合方法。
技术介绍
动力电池是新能源汽车的关键部件，其健康状况和管理水平关系到整车的使用效率和安全运行。电池荷电状态(SOC)的检测与估计是电池热管理、均衡管理和安全可靠性管理的基础。精确的SOC估计可以平衡单体电池间的差异、优化充放电策略、防止过热及过充和过放。电池状态估计可以使电池得到充分合理的利用，延长电池使用寿命，为整车的能量管理提供数据依据，因此电池状态估计对于电池管理乃至整车能量管理都有着重要的意义。深入研究动力电池SOC估计方法和实现技术对电动汽车产业发展和社会进步产生重要影响。锂离子电池是典型的动态、时变、非线性的电化学系统，在线运行时其内部参数难以直接测量，目前针对锂电池的状态识别和状态估计仍存在巨大挑战，同时针对SOC预测的高级方法多数仍处于理论和方法层面，方法体系研究尚不成熟。目前出现的方法的SOC估计方法虽然各具特点，但总体来讲受到估计算法初始值的选择、随着电池工况和使用时间的变化估计模型参数不变引起的误差等，造成现有算法的检测精度和适应性降低等问题，因此探寻一种较为精确的SOC评估方法和实现手段是实现锂离子电池智能安全应用的前提条件。
技术实现思路
本专利技术针对现有电池SOC估计方法依靠模型参数固定，不能随着电池实际工况再现调整，而使得电池荷电状态的检测精度和适应性降低的问题，提供一种锂离子电池荷电状态动态评估与长效预测融合方法。为解决上述问题，本专利技术是通过以下技术方案实现的：一种锂离子电池荷电状态动态评估与长效预测融合方法，具体包括步骤如下：步骤1、利用扩展卡尔曼滤波法对锂离子电池的电池荷电状态进行评估，得到锂离子电池荷电状态SOCKEF；步骤2、利用回声状态神经网络对锂离子电池的电池荷电状态进行预测，得到锂离子电池荷电状态SOCESN；步骤3、对步骤1所得到的锂离子电池荷电状态SOCKEF和步骤2所得到的锂离子电池荷电状态SOCESN进行加权融合，得到最终锂离子电池的电池荷电状态SOC，其中SOC＝SOCKEF×w+SOCESN×(1-w)其中，w为权重，且0≤w≤1。上述步骤2的具体过程如下：步骤2.1、建立回声状态网络模型，并确定回声状态网络的输入和输出节点；步骤2.2、采集M组电池电压、电流和温度数据，并对SOC-OCV曲线离散化得到对应M组电池荷电状态数据，将m组电流、电压、电温度和对应的荷电状态均分为K份数据集，每个数据集中含有M/K组数据，其中M和K均为设定值；步骤2.3、将K份数据集分为K种训练集和测试集，并采用交叉验证法确定回声状态网络的最优参数，即储备池规模N、谱半径SR、输入缩放IS和输入位移IF；同时采用试验法确定稀疏度SD；由此获得参数确定的回声状态网络；步骤2.4、对步骤2.3所得到的回声状态网络进行初始化，随机设定回声状态网络的输入权值矩阵和储备池内部权值矩阵，并保持不变；步骤2.5、从K份数据集中选出训练集和测试集，并采用带遗忘因子的递归最小二乘法对回声状态网络进行网络学习，实时更新输出权值矩阵；步骤2.6、判断网络学习是否达到终止条件，如果没达到，返回步骤2.5，继续加载训练集和测试集进行学习，直到满足条件终止，并获得训练好的回声状态网络；步骤2.7、将实际采集得到的电池电压、电流和温度输入到步骤2.6所得到的回声状态网络中进行预测，输出锂离子电池荷电状态SOCESN。步骤2.4中，输入权值矩阵和储备池内部权值矩阵中的元素取值在[-1,1]之间随机产生。步骤2.6中，网络学习的终止条件是达到设定误差Error或步数。上述步骤1的具体过程如下：步骤1.1、建立简化的GNL等效电路模型；步骤1.2、采用带遗忘因子递推最小二乘法对步骤1.1所建立的简化的GNL等效电路模型参数进行在线辨识，将实际采集得到的电池电流作为输入量，以电池端电压与开路电压差值作为观测量，启动在线辨识算法，确定简化的GNL等效电路模型中各等效元件的数值即参数值；步骤1.3、针对步骤1.2所得到简化的GNL等效电路模型参数值，更新扩展卡尔曼滤波算法状态空间方程式中对应参数值，再将电池电流和温度作为输入量，以电池端电压作为观测量，启动扩展卡尔曼滤波算法，实现电池荷电状态预测，得到锂离子电池荷电状态SOCKEF。与现有技术相比，本专利技术具有如下特点：1.提高现有电池SOC检测方法的适应性和评估精度，克服单一方法进行SOC动态评估的局限性，针对性的选取基于模型和数据驱动的融合方法，兼顾SOC检测评估动态实时性和长期长效预测的需求。2.建立能够较好地描述电池的储能能力和电池电化学、浓差极化效应的等效电路模型，针对电路模型参数开展在线动态参数辨识，以电路模型为基础开展基于扩展卡尔曼类算法的锂离子电池复杂动态非线性系统状态评估，建立电力模型参数与目标检测量SOC的精确关系，实现SOC在线动态检测与评估。3.基于ESN神经网络预测算法建立锂离子电池SOC评估预测的长期长效算法，锂离子电池端电压、充放电电流、温度、充放电倍率、充放电次数和电池的工作状态作为ESN神经网络的输入变量，以SOC作为神经网络的预测输出。以锂离子电池出厂充放电曲线为最初样本训练网络，以在线采集状态数据进一步优化网络，最终实现基于数据的ESN神经网络预测SOC智能算法。4.采用检测结果加权融合机制，兼顾SOC实时在线动态评估与长期长效状态预测的有机结合。即实现基于电路模型的卡尔曼滤波算法与基于数据的神经网络预测算法的融合方法。锂离子电池工作初期基于模型的SOC评估结果占最终结果的比重较大，也就是权值取较大值；随着使用进程的推移，ESN算法逐渐优化完善，此时可以调整权值比重使ESN神经网络作为评估结果的主要依据。5.基于融合方法实现锂离子电池SOC动态评估与长效预测的有机结合，发挥各自方法的优势，增加方法的适应性、最终提高评估预测精度，为实际应用的锂离子电池荷电状态评估与预测提供检测理论支持，提高评估的准确性和检修建议的可靠性。附图说明图1为锂离子电池荷电状态动态评估与长效预测融合方法的流程图。图2为GNL等效电路模型。图3为简化的GNL等效电路模型。图4为回声状态网络模型。图5为回声状态网络预测流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本专利技术进一步详细说明。参见图1，一种锂离子电池荷电状态动态评估与长效预测融合方法，需要经历以下过程：(1)实时采集锂离子电池端电压、充放电电流、温度和充放电次数等电池的工作状态数据，作为SOC评估与预测算法的输入。(2)根据锂离子电池的充放电曲线，拟合锂电池开路电压与SOC的关系，以此作为开路电压法检测SOC的依据，工作时根据采集到的开路电压值查表得到对应的SOC值，本专利技术中不以此SOC作为评估的最终结果，而是以此值作为安时积分法的初始值，从而提高安时积分法的计算精度。(3)基于锂离子电池的工作过程特征建立锂离子电池的等效电路模型，能够准确反映电池的状态变化。采用带遗忘因子的最小二乘法对电路模型参数进行在线辨识，以辨识结果动态调整电路模型参数。(4)以锂离子电池GNL等效电路模型和动态参数辨识本文档来自技高网...

【技术保护点】
1.一种锂离子电池荷电状态动态评估与长效预测融合方法，其特征是，具体包括步骤如下：步骤1、利用扩展卡尔曼滤波法对锂离子电池的电池荷电状态进行评估，得到锂离子电池荷电状态SOCKEF；步骤2、利用回声状态神经网络对锂离子电池的电池荷电状态进行预测，得到锂离子电池荷电状态SOCESN；步骤3、对步骤1所得到的锂离子电池荷电状态SOCKEF和步骤2所得到的锂离子电池荷电状态SOCESN进行加权融合，得到最终锂离子电池的电池荷电状态SOC，其中SOC＝SOCKEF×w+SOCESN×(1‑w)其中，w为权重，且0≤w≤1。

【技术特征摘要】
1.一种锂离子电池荷电状态动态评估与长效预测融合方法，其特征是，具体包括步骤如下：步骤1、利用扩展卡尔曼滤波法对锂离子电池的电池荷电状态进行评估，得到锂离子电池荷电状态SOCKEF；步骤2、利用回声状态神经网络对锂离子电池的电池荷电状态进行预测，得到锂离子电池荷电状态SOCESN；步骤3、对步骤1所得到的锂离子电池荷电状态SOCKEF和步骤2所得到的锂离子电池荷电状态SOCESN进行加权融合，得到最终锂离子电池的电池荷电状态SOC，其中SOC＝SOCKEF×w+SOCESN×(1-w)其中，w为权重，且0≤w≤1。2.根据权利要求1所述的一种锂离子电池荷电状态动态评估与长效预测融合方法，其特征是，步骤2的具体过程如下：步骤2.1、建立回声状态网络模型，并确定回声状态网络的输入和输出节点；步骤2.2、采集M组电池电压、电流和温度数据，并对SOC-OCV曲线离散化得到对应M组电池荷电状态数据，将m组电流、电压、电温度和对应的荷电状态均分为K份数据集，每个数据集中含有M/K组数据，其中M和K均为设定值；步骤2.3、将K份数据集分为K种训练集和测试集，并采用交叉验证法确定回声状态网络的最优参数，即储备池规模N、谱半径SR、输入缩放IS和输入位移IF；同时采用试验法确定稀疏度SD；由此获得参数确定的回声状态网络；步骤2.4、对步骤2.3所得到的回声状态网络进行初始化，随机设定回声状态网络的输入权值矩阵和储备池内部权值矩阵，并保持不变；步骤2.5、从K份数据集中选出训练集和测试集，并采用带遗忘因...

【专利技术属性】
技术研发人员：张鑫，范兴明，蔡茂，王超，高琳琳，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西,45