基于冲击响应特性的电池SOH和SOC快速估计方法技术

本发明专利技术涉及一种基于冲击响应特性的电池SOH和SOC快速估计方法，包括以下步骤：步骤S1:采集由冲击电流造成的冲击响应电压曲线，并预处理；步骤S2:对预处理后的数据，进行特征提取；步骤S3:基于改进型模糊小脑神经网络，对所提取的特征进行训练，然后利用通过性能测试的改进型模糊小脑神经网络对没有训练过的特征进行估计，得到SOH和初始SOC；步骤S4:根据得到SOH和初始SOC，结合长短时记忆网络与自适应卡尔曼滤波算法，估计实时SOC。本发明专利技术实现了蓄电池在任意SOH状态和任意SOC状态下快速并且同时估计蓄电池的SOH和初始SOC。时估计蓄电池的SOH和初始SOC。时估计蓄电池的SOH和初始SOC。

【技术实现步骤摘要】
基于冲击响应特性的电池SOH和SOC快速估计方法


[0001]本专利技术涉及蓄电池健康状态监测领域，具体涉及一种基于冲击响 应特性的电池SOH和SOC快速估计方法。

技术介绍

[0002]随着时代的发展，环境问题越来越突出，世界各国对环境问题更 加重视，为了减少煤炭资源的使用，各国都积极探寻新能源发展的道 路，蓄电池作为新能源重要成员之一，具有举足轻重的地位。蓄电池 被广泛应用于应急电源系统、UPS、储能系统等场所，也是重要用电 设备的后备保障，尤其当电网发生重大事故时，可以作为应急电源使 用，保证重要用电设备的正常运转，避免进一步造成经济损失。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种基于冲击响应特性的电池 SOH和SOC快速估计方法，实现了蓄电池在任意SOH状态和任意SOC 状态下快速并且同时估计蓄电池的SOH和初始SOC。
[0004]为实现上述目的，本专利技术采用如下技术方案：
[0005]一种基于冲击响应特性的电池SOH和SOC快速估计方法，包括以 下步骤：
[0006]步骤S1:采集由冲击电流造成的冲击响应电压曲线，并预处理；
[0007]步骤S2:对预处理后的数据，进行特征提取；
[0008]步骤S3:基于改进型模糊小脑神经网络，对所提取的特征进行训练， 然后利用通过性能测试的改进型模糊小脑神经网络对没有训练过的 特征进行估计，得到SOH和初始SOC；
[0009]步骤S4:根据得到SOH和初始SOC，结合长短时记忆网络与自适 应卡尔曼滤波算法，估计实时SOC。
[0010]进一步的，所述预处理，具体为：进行小波滤波消除噪声。
[0011]进一步的，所述特征提取包括四个特征，具体为：
[0012]1)利用小波分析对整条曲线的突变信号进行能量特征提取，提 取与电池老化相关的重要突变信息，利用灰色关联分析方法或者斯皮 尔曼分析法对所提取的多维能量特征进行降维，选出一维与电池老化 相关性最高的特征作为第一个特征；
[0013]2)利用冲击前后时刻的电压差作为第二个特征；
[0014]ΔU＝U1‑
U2[0015]3)将电压差除以在冲击电流期间所放出的电量作为第三个输入 特征；
[0016][0017]其中ΔQ是冲击期间所放出的电量,ΔT是冲击时间；
[0018]4)将预设时间内采集n个的电压值取平均值作为第四个特征
[0019]。
[0020]进一步的，所述小波能量特征提取，具体如下：
[0021]对冲击响应电压信号进行J层小波分解，并获得第J层的低频系 数和第一至J层的高频系数
[0022]蓄电池冲击负载响应信号的能量用以下式子表示：
[0023][0024][0025][0026]以上式子中j为分解尺度，j＝1,2,3,
…
,k,
…
,J，式(1)表示提取 的总能量，式(2)表示第J层低频系数能量，式(3)表示第j层高频系数 能量，q
j
表示在尺度j时小波系数长度。a
Jj
是低频系数，d
ji
是高频系 数。
[0027]进一步的，所述引进改进型模糊小脑神经网络结构包括输入空间、 量化单元、关联单元、接受域单元、权重单元和输出单元；
[0028]所述量化单元，对输入的特征进行量化处理，相差小于预设值的 输入特征量化为相同的离散区域，相差大于预设值的输入特征离散为 相差较远的区域；
[0029]所述关联单元，引入高斯函数作为量化后的特征的块激活函数；
[0030]所述接受域单元，所激活的不同层对应的块进行累乘用于计算触 发强度；
[0031]所述权重单元，接收域层中的每个位置对应于权重层中的一个特 定的可调值；
[0032]所述输出单元，激活函数和损失函数分别采用Softmax函数和交 叉熵函数。
[0033]进一步的，所述量化处理，具体为：
[0034][0035]其中，N
i
表示量化系数，表述输入特征的最大值，表 示输入特征的最小是。
[0036]进一步的，所述高斯函数，具体为：
[0037][0038]其中，m
ijk
和v
ijk
分别为第i个输入对应的第j层k块的高斯函数 的均值和方差。
[0039]进一步的，所述输出单元激活函数和损失函数分别采用Softmax 函数和交叉熵函数，具体如下：
[0040][0041][0042][0043]采样梯度下降Back
‑
propagation算法对SOH/SOC估计进行参 数m
ijk
、v
ijk
和w
ijk
更新。
[0044]本专利技术与现有技术相比具有以下有益效果：
[0045]1、本专利技术实现蓄电池在任意SOH状态和任意SOC状态下快速 并且同时估计蓄电池的SOH和初始SOC，特征提取时间短；
[0046]2、本专利技术为安时积分法提供初始SOC和SOH，然后利用安时 积分法与自适应卡尔曼滤波算法或者自适应粒子滤波算法实时估计 SOC。
附图说明
[0047]图1是本专利技术一实施例中电压响应曲线图；
[0048]图2是本专利技术一实施例中量化后的状态会激活不同的层和块；
[0049]图3是本专利技术方法流程示意图；
[0050]图4是本专利技术一实施例中控制流程图；图5是本专利技术一实施例中估计实时SOC示意图。
具体实施方式
[0051]下面结合附图及实施例对本专利技术做进一步说明。
[0052]请参照图3，本专利技术提供一种基于冲击响应特性的电池SOH和 SOC快速估计方法，包括以下步骤：
[0053]步骤S1:采集在短时间由冲击电流造成的冲击响应电压曲线，并 对其进行小波滤波消除噪声；
[0054]优选的，在本实施例中，采样频率是100HZ,采样时间长度为13 秒，冲击时间和采样时间可以根据需求更改。
[0055]步骤S2:对预处理后的数据，进行特征提取；
[0056]优选的，通过以下四个方法对冲击响应曲线进行特征提取：
[0057]1)利用小波分析对整条曲线的突变信号进行能量特征提取，提 取与电池老化相关的重要突变信息，由于提取的能量特征丰富且多维， 需要利用灰色关联分析方法或者斯皮尔曼分析法对所提取的多维能 量特征进行降维，选出一维与电池老化相关性最高的特征作为第一个 特征(F1)。其小波能量特征提取步骤如下：
[0058]对冲击响应电压信号进行J层小波分解，并获得第J层的低频系 数和第一至J层的高频系数。
[0059]蓄电池冲击负载响应信号的能量可以用以下式子表示：
[0060][0061][0062][0063]以上式子中j为分解尺度，j＝1,2,3,
…
,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于冲击响应特性的电池SOH和SOC快速估计方法，其特征在于，包括以下步骤：步骤S1:采集由冲击电流造成的冲击响应电压曲线，并预处理；步骤S2:对预处理后的数据，进行特征提取；步骤S3:基于改进型模糊小脑神经网络，对所提取的特征进行训练，然后利用通过性能测试的改进型模糊小脑神经网络对没有训练过的特征进行估计，得到SOH和初始SOC；步骤S4:根据得到SOH和初始SOC，结合长短时记忆网络与自适应卡尔曼滤波算法，估计实时SOC。2.根据权利要求1所述的基于冲击响应特性的电池SOH和SOC快速估计方法，其特征在于，所述预处理，具体为：进行小波滤波消除噪声。3.根据权利要求1所述的基于冲击响应特性的电池SOH和SOC快速估计方法，其特征在于，所述特征提取包括四个特征，具体为：1)利用小波分析对整条曲线的突变信号进行能量特征提取，提取与电池老化相关的重要突变信息，利用灰色关联分析方法或者斯皮尔曼分析法对所提取的多维能量特征进行降维，选出一维与电池老化相关性最高的特征作为第一个特征；2)利用冲击前后时刻的电压差作为第二个特征；ΔU＝U1‑
U23)将电压差除以在冲击电流期间所放出的电量作为第三个输入特征；其中ΔQ是冲击期间所放出的电量,ΔT是冲击时间；4)将预设时间内采集n个的电压值取平均值作为第四个特征。4.根据权利要求3所述的基于冲击响应特性的电池SOH和SOC快速估计方法，其特征在于，所述小波能量特征提取，具体如下：对冲击响应电压信号进行J层小波分解，并获得第J层的低频系数和第一至J层的高频系数蓄电池冲击负载响应信号的能量用以下式子表示：蓄电池冲击负载响应信号的能量用以下式子表示：蓄电池冲击负载响应信号的能量用以下式子表示：以上式子中j为分解尺度，j＝1,2,3,
…
,k,
…
,J，式(1)表示提取的总能量，式(2)表示第J层低频系数能量，式(3)表示第j层高频系数能量，q
j
表示在尺度j时小...

【专利技术属性】
技术研发人员：林琼斌，李华森，王武，蔡逢煌，
申请(专利权)人：福州大学，
类型：发明
国别省市：