交互式多模型切换和参数在线识别的遗传粒子滤波算法制造技术

本发明专利技术公开了一种交互式多模型切换和参数在线识别的遗传粒子滤波算法，包括以下步骤：步骤1：状态估计的方法为：采用粒子滤波算法进行状态估计，并将遗传算法的选择、交叉以及变异的方法代替传统粒子滤波的重采样；首先输入上一刻的状态估计结果集合，进行基于电池模型集合的输入交互运算；再输入电池端电压的测量值对状态估计的预测值更新，计算似然函数进行模型概率的更新计算；最后根据模型概率计算结果对状态估计进行输出交互运算，得到最终状态的估计结果；步骤2：利用步骤1中的状态估计方法分别对SOC和SOH值进行估计；步骤3：更新SOC和SOH值。本发明专利技术提出的算法可以在非线性环境下保持良好的估计精度，具有很好地鲁棒性。

Genetic Particle Filtering for Interactive Multi-Model Switching and Online Parameter Recognition

【技术实现步骤摘要】
交互式多模型切换和参数在线识别的遗传粒子滤波算法
本专利技术主要涉及电池状态估计算法
，具体涉及一种交互式多模型切换和参数在线识别的遗传粒子滤波算法。
技术介绍
目前针对电动汽车动力电池状态估计算法大多在对SOC估计时使用卡尔曼滤波法以及改进的卡尔曼滤波法或者标准粒子滤波算法，以及在估计SOH时忽视SOC与SOH之间的关系。其主要存在以下三个问题：一.在针对SOC估计时，卡尔曼滤波算法只适用于噪声为高斯密度分布线性系统的环境下，而电动汽车动力电池的工作环境大多为非线性环境；改进后的卡尔曼滤波算法主要是对其非线性部分进行线性化，难以满足现在行业对动力电池状态估计精度的要求。而标准粒子滤波算法具有粒子退化的风险，如果继续迭代下去，大量资源会消耗在处理微不足道的粒子上，会造成资源的浪费，同时影响估计结果；二.在估算电池状态时，如果仅仅使用单一电池模型进行估计，估算精度会逐渐变差；三.在动力电池工作时SOC与SOH之间相互影响，如果不抑制将进一步降低估计精度。
技术实现思路
本专利技术目的就是为了弥补已有技术的缺陷，提供一种交互式多模型切换和参数在线识别的遗传粒子滤波算法，既能够在非线性环境下保持良好的估算精度，同时也能抑制在动力电池工作过程中SOC和SOH之间的相互作用，提高动力电池状态估计精度。本专利技术是通过以下技术方案实现的：步骤1：状态估计的方法为：采用粒子滤波算法进行状态估计，并将遗传算法的选择、交叉以及变异的方法代替传统粒子滤波的重采样；步骤1.1：首先输入上一刻的状态估计结果集合，进行基于电池模型集合的输入交互运算；步骤1.2：再输入电池端电压的测量值对状态估计的预测值更新，计算似然函数进行模型概率的更新计算；步骤1.3：最后根据模型概率计算结果对状态估计进行输出交互运算，得到最终状态的估计结果；步骤2：利用步骤1中的状态估计方法分别对SOC和SOH值进行估计；步骤3：更新SOC和SOH值：将步骤2得到的SOH值用以更新SOC估计模型，再运用步骤1计算得到新的SOC值，将新的SOC值作为模型参数更新SOH估计模型，再通过粒子滤波得到SOH值的估计，以此来抑制SOC与SOH的相互影响，提高估计精度，实现SOC与SOH的联合估计。本专利技术利用遗传算法的思想代替了粒子滤波算法的重采样过程，很好地解决了粒子滤波过程中出现的粒子退化的问题，提高了估算精度与鲁棒性；利用该方法能解决单一电池模型估算时的估算精度变差的问题；同时建立对SOC与SOH同时估计的架构以达到抑制SOC与SOH相互影响的目的。粒子滤波算法具有不同概率分布的采样近似，克服了卡尔曼滤波算法的缺点，具有较好的鲁棒性，适用于非线性环境中。针对粒子滤波算法在运算时会出现粒子退化的风险，将遗传算法与粒子滤波算法结合起来，把遗传算法中的选择及交叉和变异的进化思想引入粒子滤波中，用以替代传统的重采样的方法，提高了粒子的多样性；建立交互式多模型切换机制，并利用遗传粒子滤波器对电池状态进行估计。在估计SOC与SOH值时将SOC和SOH顺次作为彼此估计模型的输入，以此来抑制SOC与SOH的相互影响，提高估计精度，实现SOC与SOH的联合估计。与原有技术相比，本专利技术的有益效果体现在：1.相对于卡尔曼滤波法与改进卡尔曼滤波法，本专利技术提出的算法可以在非线性环境下保持良好的估计精度，具有很好地鲁棒性。同时相比较于传统的粒子滤波算法，该算法有效地提高了粒子的多样性，避免了粒子退化的风险。2.相比较于传统的单模型估算方法，本专利技术提出的交互式多模型切换机制的估算精度有显著提升。3.在估计SOC以及SOH时可以很好地抑制两者之间的相互影响，很好地提高了电池状态的估计精度。附图说明图1为本专利技术提出的基于交互式多模型切换的状态估计原理图的示意图。图2为本专利技术提出的基于GPF的联合滤波器示意图。具体实施方式如图1、2所示，一种交互式多模型切换和参数在线识别的遗传粒子滤波算法，包括以下步骤：步骤1：状态估计的方法为：采用粒子滤波算法进行状态估计，并将遗传算法的选择、交叉以及变异的方法代替传统粒子滤波的重采样；步骤1.1：首先输入上一刻的状态估计结果集合，进行基于电池模型集合的输入交互运算；步骤1.2：再输入电池端电压的测量值对状态估计的预测值更新，计算似然函数进行模型概率的更新计算；步骤1.3：最后根据模型概率计算结果对状态估计进行输出交互运算，得到最终状态的估计结果；步骤2：利用步骤1中的状态估计方法分别对SOC和SOH值进行估计；步骤3：更新SOC和SOH值：将步骤2得到的SOH值用以更新SOC估计模型，再运用步骤1计算得到新的SOC值，将新的SOC值作为模型参数更新SOH估计模型，再通过粒子滤波得到SOH值的估计，以此来抑制SOC与SOH的相互影响，提高估计精度，实现SOC与SOH的联合估计。本文档来自技高网...

【技术保护点】
1.一种交互式多模型切换和参数在线识别的遗传粒子滤波算法，其特征在于包括以下步骤：步骤1：状态估计的方法为：采用粒子滤波算法进行状态估计，并将遗传算法的选择、交叉以及变异的方法代替传统粒子滤波的重采样；步骤1.1：首先输入上一刻的状态估计结果集合，进行基于电池模型集合的输入交互运算；步骤1.2：再输入电池端电压的测量值对状态估计的预测值更新，计算似然函数进行模型概率的更新计算；步骤1.3：最后根据模型概率计算结果对状态估计进行输出交互运算，得到最终状态的估计结果；步骤2：利用步骤1中的状态估计方法分别对SOC和SOH值进行估计；步骤3：更新SOC和SOH值：将步骤2得到的SOH值用以更新SOC估计模型，再运用步骤1计算得到新的SOC值，将新的SOC值作为模型参数更新SOH估计模型，再通过遗传粒子滤波得到SOH值的估计，实现SOC与SOH的联合估计。

【技术特征摘要】
1.一种交互式多模型切换和参数在线识别的遗传粒子滤波算法，其特征在于包括以下步骤：步骤1：状态估计的方法为：采用粒子滤波算法进行状态估计，并将遗传算法的选择、交叉以及变异的方法代替传统粒子滤波的重采样；步骤1.1：首先输入上一刻的状态估计结果集合，进行基于电池模型集合的输入交互运算；步骤1.2：再输入电池端电压的测量值对状态估计的预测值更新，计算似然函数进行模型概率的更新计算...

【专利技术属性】
技术研发人员：刘兴涛，郑超逸，郑昕昕，曾国建，刘新天，何耀，
申请(专利权)人：合肥工业大学智能制造技术研究院，
类型：发明
国别省市：安徽,34