基于多算法融合的锂离子电池SOC估算方法与系统技术方案

本发明专利技术提供了基于多算法融合的锂离子电池SOC估算方法与系统，克服了现有基于模型的SOC估计方法的实施过程中，难以构建出能够完全描述电池外部特性的理想模型的困难，针对传统BP层网络容易陷入局部最优，且复杂的迭代计算过程会明显降低网络收敛速度的缺陷，提出了基于粒子群算法的优化算法来进行改进。为了尽量消除噪声影响，分别引入自适应扩展卡尔曼滤波与自适应H

【技术实现步骤摘要】
基于多算法融合的锂离子电池SOC估算方法与系统


[0001]本专利技术属于动力电池管理
，具体涉及对锂离子电池的SOC实现联合估计的方法与系统。

技术介绍

[0002]现有技术中，对于锂离子电池SOC的估计采用基于模型的方法是目前较为优选的解决方案，然而由于电池内部的状态变化较为复杂，且具有强烈的非线性特性，因此要找到一个理想模型来完全描述电池外部特性是非常困难的，电池模型的实用性与精度受计算成本等实际因素制约，因此普遍存在无法真实有效地反映电池内部特性的缺点。随着人工智能与大数据技术的不断发展，基于数据驱动的研究方法可以不依赖于建立准确的数学模型，而是通过直接与采集到的基础数据进行联系，以获得被测对象当前时刻的内部特性。深度学习方法可以将具有简单处理能力的多个神经元组织起来，使复杂的非线性的网络有很强的泛化能力。因此，如果能利用上述方法对锂离子电池的非线性特性实现精确模拟，则有希望显著提高SOC实时估计的精确性及效率。

技术实现思路

[0003]针对上述本领域中所存在的技术问题，本专利技术提供了一种基于多算法融合的锂离子电池SOC估算方法，具体包括以下步骤：
[0004]步骤一、针对锂离子电池开展验证实验，以工况循环放电阶段的电压、电流、温度数据作为训练输入集，根据CC
‑
CV(恒流
‑
恒压)充电阶段的充电容量，基于安时积分法计算工况循环放电阶段各时刻的SOC，作为训练输出集；
[0005]步骤二、建立由输入层、RBM层、BP层、输出层构成的深度置信网络，以所述训练输入集与训练输出集对深度置信网络进行训练；其中，针对所述RBM层采用受限玻尔兹曼机训练过程；
[0006]步骤三、基于所述BP层网络结构中神经元的个数确定粒子长度，利用粒子群优化算法计算深度置信网络的BP层最优权值偏置；
[0007]步骤四、以电压、电流及温度作为输入、SOC作为输出，一方面建立基于自适应扩展卡尔曼滤波(AEKF)算法的SOC估计模型，另一方面建立基于自适应H
∞
滤波(AHIFF)算法的SOC估计模型，以所述两个SOC估计模型的估计结果根据权值分配方法建立SOC融合估计器；利用所述深度置信网络对两个SOC估计模型的初始值分别进行更新；
[0008]步骤五、利用所述SOC融合估计器对锂离子电池SOC进行估计；将估计结果与实际SOC值对比，对各估计模型的定期更新。
[0009]进一步地，步骤一中所述的工况循环放电阶段的电压、电流、温度数据根据动态应力测试(DST)工况或美国城市道路循环(UDDS)工况来获取。
[0010]进一步地，所述步骤二具体包括以下过程：
[0011]确定深度置信网络中输入层、RBM层、BP层以及输出层的各层网络结构与神经元个
数；确定激活函数、评价函数，并且对于每一个RBM结构都以均方根误差作为目标函数，采用随机梯度下降法进行优化计算；
[0012]所述受限玻尔兹曼机训练过程具体包括：
[0013]首先设定RBM层的权值矩阵W、隐藏层偏置向量b和可见层偏置向量c：
[0014][0015]其中，m和n分别为可见层和隐含层的神经元序号；
[0016]依次执行以下步骤：
[0017]1)将输入数据x赋值给可见层单元，对于每一个隐含层神经元计算其条件概率值P：
[0018][0019]式中，h为隐含层神经元；v为可见层神经元；j＝1,2，
…
，n；为Sigmoid函数，e为指数常数；
[0020]2)利用一次Gibbs抽样重构隐含层神经元对应的值，产生一个[0,1]上的随机数r
j
，则：
[0021][0022]3)用隐含层神经元来重构可见层神经元，对于每一个可见层神经元v
i
(i＝1,2，
…
，m)计算其条件概率值：
[0023][0024]式中，上标*表示重构更新；
[0025]4)再利用一次Gibbs抽样重构可见层神经元对应的值，产生一个[0,1]上的随机数s
i
，则：
[0026][0027]5)再用可见层神经元来重构隐含层神经元，对对于每一个隐含层神经元计算其条件概率值P：
[0028][0029]6)根据预先确定的学习速率λ与迭代次数，对RBM层的权值矩阵W、隐藏层偏置向量b和可见层偏置向量c进行更新：
[0030]W
*
＝W+λ[P(h＝1|v)v
T
‑
P(h
*
＝1|v
*
)v
*T
][0031]b
*
＝b+λ(v
‑
v
*
)
[0032]c
*
＝c+λ[P(h＝1|v)
‑
P(h*＝1|v*)]。
[0033]进一步地，所述步骤三具体包括以下过程：
[0034]首先，确定BP层的权值矩阵W可见层偏置向量c：
[0035][0036]其中，m和n分别为可见层和隐含层的神经元序号；
[0037]依次执行以下步骤：
[0038]1)计算各隐含层神经元的值：
[0039]h
(l)
＝c+W
(l)
v
[0040]式中，h为隐含层神经元；v为可见层神经元；l为神经网络的层数索引；
[0041]2)利用Sigmoid函数，得到标准化隐含值σ(h)
(l)
，并计算输出层的输出值Y：
[0042]Y
(l)
＝σ(h)
(l)
＝σ(c+W
(l)
v)；
[0043]3)基于均方根误差构造代价函数，作为用于评价输出层输出值的判断准则：
[0044][0045]其中，E为训练过程中的均方根误差，N为样本的个数，X
i
分别表示输出层的输出值及理想输出值；
[0046]4)根据确定好的粒子长度、粒子规模以及进化次数，结合预先确定的学习速率λ与迭代次数，对BP层的权值矩阵W和可见层偏置向量c进行更新：
[0047][0048][0049]更新过程包括：
[0050]定义D维的搜索空间中，n个粒子共同组成了一个种群X＝(X1,X2,
…
,X
n
)，其中第i(i＝1,2，
…
，m)个粒子在D维搜索空间中的位置为X
i
＝[x
i1
,x
i2
,
…
,x
iD
]T
，x
id
表示第d(d＝1,2，
…
，D)维坐标；第i个粒子的速度为V
i
＝[V
i1
,V
i2
,
…
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多算法融合的锂离子电池SOC估算方法，其特征在于：具体包括以下步骤：步骤一、针对锂离子电池开展验证实验，以工况循环放电阶段的电压、电流、温度数据作为训练输入集，根据恒流
‑
恒压充电阶段的充电容量，基于安时积分法计算工况循环放电阶段各时刻的SOC，作为训练输出集；步骤二、建立由输入层、RBM层、BP层、输出层构成的深度置信网络，以所述训练输入集与训练输出集对深度置信网络进行训练；其中，针对所述RBM层采用受限玻尔兹曼机训练过程；步骤三、基于所述BP层网络结构中神经元的个数确定粒子长度，利用粒子群优化算法计算深度置信网络的BP层最优权值偏置；步骤四、以电压、电流及温度作为输入、SOC作为输出，一方面建立基于自适应扩展卡尔曼滤波算法的SOC估计模型，另一方面建立基于自适应H
∞
滤波算法的SOC估计模型，以所述两个SOC估计模型的估计结果根据权值分配方法建立SOC融合估计器；利用所述深度置信网络对两个SOC估计模型的初始值分别进行更新；步骤五、利用所述SOC融合估计器对锂离子电池SOC进行估计；将估计结果与实际SOC值对比，对各估计模型的定期更新。2.如权利要求1所述的方法，其特征在于：步骤一中所述的工况循环放电阶段的电压、电流、温度数据根据动态应力测试DST工况或美国城市道路循环UDDS工况来获取。3.如权利要求1所述的方法，其特征在于：所述步骤二具体包括以下过程：确定深度置信网络中输入层、RBM层、BP层以及输出层的各层网络结构与神经元个数；确定激活函数、评价函数，并且对于每一个RBM结构都以均方根误差作为目标函数，采用随机梯度下降法进行优化计算；所述受限玻尔兹曼机训练过程具体包括：首先设定RBM层的权值矩阵W、隐藏层偏置向量b和可见层偏置向量c：其中，m和n分别为可见层和隐含层的神经元序号；依次执行以下步骤：1)将输入数据x赋值给可见层单元，对于每一个隐含层神经元计算其条件概率值P：式中，h为隐含层神经元；v为可见层神经元；j＝1,2，
…
，n；为Sigmoid函数，e为指数常数；2)利用一次Gibbs抽样重构隐含层神经元对应的值，产生一个[0,1]上的随机数r
j
，则：
3)用隐含层神经元来重构可见层神经元，对于每一个可见层神经元v
i
(i＝1,2，
…
，m)计算其条件概率值：式中，上标*表示重构更新；4)再利用一次Gibbs抽样重构可见层神经元对应的值，产生一个[0,1]上的随机数s
i
，则：5)再用可见层神经元来重构隐含层神经元，对对于每一个隐含层神经元计算其条件概率值P：6)根据预先确定的学习速率λ与迭代次数，对RBM层的权值矩阵W、隐藏层偏置向量b和可见层偏置向量c进行更新：W
*
＝W+λ[P(h＝1|v)v
T
‑
P(h
*
＝1|v
*
)v
*T
]b
*
＝b+λ(v
‑
v
...

【专利技术属性】
技术研发人员：王志福，闫愿，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：