一种基于ASTUKF-GRA-LSTM模型的新能源汽车锂电池健康状态评估方法技术

本发明专利技术涉及一种基于ASTUKF

【技术实现步骤摘要】
一种基于ASTUKF
‑
GRA
‑
LSTM模型的新能源汽车锂电池健康状态评估方法


[0001]本专利技术涉及一种锂电池健康状态评估方法，更进一步涉及基于数据驱动的锂电池健康状态评估方法，特别涉及一种基于ASTUKF
‑
GRA
‑
LSTM模型的新能源汽车锂电池健康状态评估方法。

技术介绍

[0002]锂电池作为能量储存和提供的一种重要的载体，具备储存方便、使用寿命长等特点，普遍用作新能源汽车的动力源，成为新能源汽车战略长远发展的关键，其健康状态(State Of Health，SOH)得到新能源汽车电池安全领域研究开发人员的高度重视。锂电池在使用过程中，使用寿命会随SOH降低衰减，当SOH降低到一定程度时，将无法支撑新能源汽车正常运行。近年来，随着直流充电桩的发展建设。准确估计锂电池SOH也成为充电设施安全管理的切实需要，若SOH预估不准确，将造成一定经济损失，甚至引发充电燃爆等一系列安全事故。因此，精确掌握当前电池的健康状态对于降低电池运行风险、保证直流充电桩安全工作具有重要作用。电池精确的健康状态评估结果不仅表明了锂电池的老化程度，也为充电设置有序充电控制提供了有价值参照，是新能源汽车安全管理的重要监测指标。
[0003]由于新能源汽车锂电池电化学机理复杂非线性，应用场景多样，通过普通的测量方法很难准确估计电池SOH。目当前已有的电池SOH评估方法，一般可分为基于经验或半经验模型、基于电化学/物理方法、基于数据驱动方法。
[0004]基于电化学/物理的方法也是非统计方法，它们通常利用数学和物理技术来简化电化学模型，以描述电池在整个电池寿命期间的健康水平。然而，电化学模型通常与偏微分方程耦合，导致偏微分方程计算所需的计算强度阻碍了其可行性。数据驱动方法由于其无模型特性而得到更多的关注。这些方法通过将外部特征映射到电池容量损失来构建电池退化。此外，一些方法关注全局退化的趋势和以前的能力作为输入组件，由此衍生出了支持向量机(Support Vector Machine，SVM)、贝叶斯网络、自回归模型和高斯过程回归(Gaussian Process Regression，GPR)等多种方法。虽然数据驱动方法具有良好的非线性特性和估计精度，但其依赖高质量的数据集以实现有效训练目的。
[0005]目前，一些研究和文献发现，电池的劣化与充电过程中的端电压密切相关。充电端子电压被认为是反映电池剩余容量的特征，深入分析，在充电过程中综合考虑容量和电压是反映电池退化的关键。为此在某些研究方法中，提出了增量容量(Incremental Capacity，IC)作为评价电池健康状况的特征，IC可以通过对充电/放电容量随电压变化的微分来计算。该IC曲线对充放电电压平台区具有较高的分辨率，并且可以从曲线的峰值幅值和位置提取出老化机理。此外，IC研究已经验证了在线SOH估计的不同角度，如区域、位置和梯度。基于IC曲线，使用高斯函数建立退化模型的可行性和准确性。通过分析容量退化模型，实现了电池SOH的估算。然而，该方法仅从峰值和位置获取健康特征(Health Features，HFs)。这些高频滤波器鲁棒性不强，易受噪声干扰。此外，所提出的方法不能适应可变的驾
驶周期，特别是在浅充/放电场景。综上所述，IC在实现SOH估计方面具有良好的性能。然而，在电能曲线中捕捉峰值存在一个困难的问题，即峰值被测量噪声淹没。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足之处，本专利技术提出一种基于ASTUKF
‑
GRA
‑
LSTM模型的新能源汽车锂电池健康状态SOH评估方法，通过自适应卡尔曼滤波，实现对锂电池充电历史数据进行增强，利用灰色关联分析法，实现了对健康性能指标的精确提取，并与LSTM神经网络相结合，基于综合能源服务平台获取新能源电动汽车历史数据实现了锂电池SOH的精确评估。
[0007]本专利技术解决其技术问题是采取以下技术方案实现的：
[0008]一种基于ASTUKF
‑
GRA
‑
LSTM模型的新能源汽车锂电池健康状态SOH评估方法，包括如下阶段：
[0009]1)自适应强跟踪无迹卡尔曼滤波算法，
[0010](1)第一步进行初始化，设定观测器初值即X0，P0，Q0，R0，其中X0为状态量矩阵，状态变量U1、U2分别为电池的SOC、RC网络两端电压，P0为评估协方差矩阵，Q0为模型误差矩阵，R0为测量协方差矩阵，并根据时间更新以及测量更新进行先验估计和后验估计，非线性系统的状态空间方程如式(1)所示，其中k表示离散时刻，{W
k
}、{V
k
}为零均值白噪声，且{W
k
}与{V
k
}中的任意元素两两不相关，{W
k
}与{V
k
}的方差分别为Q
k
、R
k
、Γ
k
为噪声驱动矩阵，
[0011][0012]非线性系统线性化后的状态空间方程可表示为：
[0013][0014]其中，系统的参数矩阵为U
k
为激励源即端电流数据；
[0015](2)第二步进行无迹变换，在估计点的附近根据规则选取采样点，也即Sigma点，并且必须保证这些采样点的均值和协方差与原状态相同，并通过非线性变换，得到非线性函数点集，求得变换后的均值和协方差；
[0016](3)第三步在Sigma点卡尔曼滤波算法的基础上增加了渐消因子，用以实时调整误差协方差，以削弱电池等效电路模型失调对测量曲线的影响，以及增强对状态突变的跟踪的能力，自适应强跟踪无迹卡尔曼滤波算法在协方差矩阵中引入了渐消因子：
[0017][0018]其中γ
k+1
，为渐消因子，
[0019](4)其中，残差的协方差表示为：
[0020][0021]其中，ρ为遗忘因子，取值范围为0<ρ≤1，β为弱化因子。
[0022](5)第四步构建自适应因子，采用Sage
‑
Husa所提出的后验次优无偏估计器来更新噪声的均值和协方差，计算公式如所式(11)所示第一步，其中d
k
＝(1
‑
b)/(1
‑
b
k+1
)，b为遗忘因子，取值范围为0.9～1，G＝(Γ
T
Γ)
‑
I
Γ
T
,，
[0023][0024][0025][0026][0027]2)利用灰色关联分析法获取健康性能指标HPI
[0028](1)灰色关联分析可以定量分析给定系统中参考因素与其他因素之间的不确定关系，考虑容量序列为参考序列X0＝{x0(k)}，HPI序列作为比较序列，记为X
i
＝{x
i
(k)}，则本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ASTUKF
‑
GRA
‑
LSTM模型的新能源汽车锂电池健康状态SOH评估方法，其特征在于：包括如下阶段：1)自适应强跟踪无迹卡尔曼滤波算法，(1)第一步进行初始化，设定观测器初值即X0，P0，Q0，R0，其中X0为状态量矩阵，状态变量U1、U2分别为电池的SOC、RC网络两端电压，P0为评估协方差矩阵，Q0为模型误差矩阵，R0为测量协方差矩阵，并根据时间更新以及测量更新进行先验估计和后验估计，非线性系统的状态空间方程如式(1)所示，其中k表示离散时刻，{W
k
}、{V
k
}为零均值白噪声，且{W
k
}与{V
k
}中的任意元素两两不相关，{W
k
}与{V
k
}的方差分别为Q
k
、R
k
、Γ
k
为噪声驱动矩阵，非线性系统线性化后的状态空间方程可表示为：其中，系统的参数矩阵为U
k
为激励源即端电流数据；(2)第二步进行无迹变换，在估计点的附近根据规则选取采样点，也即Sigma点，并且必须保证这些采样点的均值和协方差与原状态相同，并通过非线性变换，得到非线性函数点集，求得变换后的均值和协方差；(3)第三步在Sigma点卡尔曼滤波算法的基础上增加了渐消因子，用以实时调整误差协方差，以削弱电池等效电路模型失调对测量曲线的影响，以及增强对状态突变的跟踪的能力，自适应强跟踪无迹卡尔曼滤波算法在协方差矩阵中引入了渐消因子：其中γ
k+1
，为渐消因子，(4)其中，残差的协方差表示为：其中，ρ为遗忘因子，取值范围为0<ρ≤1，β为弱化因子。(5)第四步构建自适应因子，采用Sage
‑
Husa所提出的后验次优无偏估计器来更新噪声的均值和协方差，计算公式如所式(11)所示第一步，其中d
k
＝(1
‑
b)/(1
‑
b
k+1
)，b为遗忘因
子，取值范围为0.9～1，G＝(Γ
T
Γ)
‑
I
Γ
T
,，,，,，,，2)利用灰色关联分析法获取健康性能指标HPI(1)灰色关联分析可以定量分析给定系统中参考因素与其他因素之间的不确定关系，考虑容量序列为参考序列X0＝{x0(k)}，HPI序列作为比较序列，记为X
i
＝{x
i
(k)}，则第i个因子的灰色关联系数可表示为:其中，ρ为识别系数，ρ∈[0,1]，ρ在这里取0.5，灰色关联等级通常通过平均灰色关联系数的值来表示，ξ
i
(k)为:(2)选择恒流充电阶段电流A1、全时段充电总电流A、恒流充电阶段时间L1、恒压充电阶段时间L2、总充电阶段温度曲线T、恒流充电阶段温度峰值T1、恒压充电阶段温度峰值T2、充电电流曲线的最大斜率K28个HPI来估算容量，并将其用作下一神经网络学习环节的输入量，3)基于LSTM建立长短期记忆神经网络学习。2.根据权利要求1所述的一种基于ASTUKF
‑
GRA
‑
LSTM模型的新能源汽车锂电池健康状态SOH评估方法，其特征在于：第二步进行无迹变换，具体方法包括：首先，选择2n+1个采样点，也即Sigma点，其中n为状态的维数。然后，计算2n+1个采样点所对应的权值。最后，根据式(3)和式(4)描述的无迹变换获得2n+1个采样点(Sigma点)及其相对应的
权值。3.根据权利要求1所述的一种基于ASTUKF
‑
GRA
‑
LSTM模型的新能源汽车锂电池健康状态SOH评估方法，其特征在于：确定渐消因子过程如下：残差序列的协方差可以表示为：其中定义则渐消因子可以表示为：4.根据权利要求1所述的一种基于ASTUKF
‑
G...

【专利技术属性】
技术研发人员：杨景禄，张剑，王强，郭智利，孟凡杰，匙航，席燕军，王洋，白银明，
申请(专利权)人：国家电网有限公司国网天津市电力公司城南供电分公司，
类型：发明
国别省市：