基于RNN神经网络与多参数约束的锂电池SOP在线估算方法技术

本发明专利技术公开了一种基于RNN神经网络与多参数约束的锂离子电池SOP在线实时估算方法，基于UDDS工况对电路模型中各参数进行在线辨识，采用扩展卡尔曼滤波法，完成循环工况下SOC的在线预估。并基于锂电池SOC与电路模型的持续峰值电流的约束，使用RNN神经网络完成锂电池SOP的多参数约束实时估算。本发明专利技术通过RNN神经网络模型估算，加入多参数约束，使锂电池SOP偏差更小，同时考虑了多种约束条件对电池SOP进行估算，提高了SOP的估算精度。提高了SOP的估算精度。提高了SOP的估算精度。

【技术实现步骤摘要】
基于RNN神经网络与多参数约束的锂电池SOP在线估算方法


[0001]本专利技术属于电动汽车电池管理领域，特别涉及了一种锂电池SOP在线估算方法。

技术介绍

[0002]随着汽车行业的不断发展，传统燃油汽车所带来的能源消耗、环境污染等矛盾渐渐凸现，成了社会进步中必须考虑的因素。所以加大电动汽车的发展力度，降低电动汽车的使用成本，实施低碳可持续发展的策略，能够缓解当下人们对于能源与环境问题的担忧。
[0003]锂电池的功率状态(SOP)一般指的是持续峰值功率状态，它表示的是以保证电池正常工作为前提条件，在接下来一段时间内不同荷电状态下的持续峰值放电或充电功率。准确估计SOP对于保证在电动汽车制动时能够最大地回收制动能量、在加速或起步时提供尽量多的功率、在电池快充模式下尽可能缩短充满电所需要的时间都具有重要的意义。
[0004]对于SOP的估计方法主要有插值法、模型法和数据驱动法。基于HPPC测试的插值法往往需要通过大量的实验来测试电池电压达到限定电压后的充放电功率值。虽然原理简单，但是该方法忽略了电池的极化现象，动态特性较差。模型法又分为基于电池模型的方法和基于SOC的方法。基于电池模型的方法可以很好地表现锂电池SOP非线性的特征，但不同的模型会影响SOP的估计精度。而单独使用基于SOC的方法会造成估计峰值电流过大，存在安全隐患问题，而基于RNN神经网络数据驱动的方法，输入输出较为准确，具有很高的参考价值。

技术实现思路

[0005]为了解决上述
技术介绍
提到的技术问题，本专利技术提出了一种基于RNN神经网络与多参数约束的锂电池SOP在线估算方法。
[0006]为了实现上述技术目的，本专利技术的技术方案为：
[0007]一种基于RNN神经网络与多参数约束的锂电池SOP在线估算方法，包括以下步骤：
[0008](1)建立锂电池等效电路模型和动态系统方程，进行锂电池OCV测试，记录锂电池在UDDS工况下数据，通过扩展卡尔曼滤波算法对锂电池各参数进行在线辨识；所述参数包括内阻R0、极化电阻和极化电容；
[0009](2)根据锂电池等效电路模型建立EKF离散非线性系统方程，通过扩展卡尔曼滤波建立锂电池的状态方程和观测方程，完成循环工况下SOC的在线预估；
[0010](3)估算持续峰值电流和持续峰值功率；
[0011](4)以电池工况下的端电压，电流和SOC为输入量，峰值功率SOP为输出量，导入RNN神经网络模型，建立RNN神经网络，完成对锂电池峰值功率的估算。
[0012]进一步地，在步骤(1)中，所述锂电池等效电路模型为二阶RC电路模型，所述二阶RC电路模型包括电化学极化内阻R1、电化学极化电容C1、浓差极化电阻R2和浓差极化电容C2；
[0013]所述动态系统方程如下：
[0014]U0＝U
oc
(t)
‑
R0·
I(t)
‑
U1(t)
‑
U2(t)
[0015]其中，U0表示电池工作状态下的端电压，U
oc
(t)是开路电压表达式，R0是欧姆内阻表达式，I表示放电电流大小，U1和U2分别表示为两组RC环路端电压，t为时间。
[0016]进一步地，在步骤(1)中，采用18650锂离子电池常温下做OCV测试，将测试数据拟合得到开路电压与SOC对应关系曲线。
[0017]进一步地，步骤(1)的具体过程如下：
[0018](11)在常温环境温度下完成锂电池的UDDS工况测试，并记录电压、电流和SOC真值；
[0019](12)存放中间过程估值；
[0020](13)初始化参数并把参数的估计值转换为R0,R1,R2,C1,C2；更新下一时刻值；
[0021](14)计算卡尔曼滤波增益矩阵，采集下一时刻的电压、电流数据；
[0022](15)重复(12)至(14)，对锂电池模型参数在线辨识。
[0023]进一步地，步骤(2)的具体过程如下：
[0024](21)建立EKF离散非线性系统方程：
[0025]χ
k+1
＝f(x
k
,u
k
)+w
k
[0026]y
k
＝g(x
k
,u
k
)+v
k
[0027]其中，χ
k+1
为输入，y
k
为输出，w
k
和v
k
是系统的噪声，且服从正态分布，与f(x
k
,u
k
)，g(x
k
,u
k
)相互独立，f(x
k
,u
k
)和g(x
k
,u
k
)为非线性函数；
[0028](22)通过扩展卡尔曼滤波算法建立锂电池的状态方程与观测方程：
[0029][0030]U
k
＝U
oc
(s
k
)
‑
i
k
R0‑
U
1,k
‑
U
2,k
[0031]其中，τ
d
和τ
e
为两个不同的时间常数，U
oc
为开路电压，s
k
为k时刻的SOC估计值，i
k
为k时刻的电流，T为采样时间，C
N
为电池的额定容量，η
t
为充放电效率，U
k
为k时刻的端电压总估计值，U
1,k
为k时刻R1上的端电压估计值，U
2,k
为k时刻R2上的端电压估计值；
[0032](23)根据采集锂电池充放电过程中的端电压与电流数据，对离散化后的状态方程和观测方程进行EKF递推计算，完成循环工况下SOC的在线预估。
[0033]进一步地，步骤(3)的具体过程如下：
[0034](31)基于电池SOC，估算峰值电流：
[0035]假设电池在Δt单位时间内以电流i
k
进行放电，则t+Δt时刻电池SOC如下式：
[0036][0037]在电池工作时，在任一时刻电池SOC值满足一下约束：SOC
min
<SOC(t)<SOC
max
，则由上式可推导出SOC约束下最大充放电电流为：
[0038][0039]式中，η
i
为电池库伦效率，Q
v
为电池实际容量，SOC(t)为t时刻SOC值，SOC
min
、SOC
max
分别为SOC最小、最大值，η
chg
和η
dis
为电池充、放电效率，为基于电池SOC的最小充电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RNN神经网络与多参数约束的锂电池SOP在线估算方法，其特征在于，包括以下步骤：(1)建立锂电池等效电路模型和动态系统方程，进行锂电池OCV测试，记录锂电池在UDDS工况下数据，通过扩展卡尔曼滤波算法对锂电池各参数进行在线辨识；所述参数包括内阻R0、极化电阻和极化电容；(2)根据锂电池等效电路模型建立EKF离散非线性系统方程，通过扩展卡尔曼滤波建立锂电池的状态方程和观测方程，完成循环工况下SOC的在线预估；(3)估算持续峰值电流和持续峰值功率；(4)以电池工况下的端电压，电流和SOC为输入量，峰值功率SOP为输出量，导入RNN神经网络模型，建立RNN神经网络，完成对锂电池峰值功率的估算。2.根据权利要求1所述基于RNN神经网络与多参数约束的锂电池SOP在线估算方法，其特征在于，在步骤(1)中，所述锂电池等效电路模型为二阶RC电路模型，所述二阶RC电路模型包括电化学极化内阻R1、电化学极化电容C1、浓差极化电阻R2和浓差极化电容C2；所述动态系统方程如下：U0＝U
oc
(t)
‑
R0·
I(t)
‑
U1(t)
‑
U2(t)其中，U0表示电池工作状态下的端电压，U
oc
(t)是开路电压表达式，R0是欧姆内阻表达式，I表示放电电流大小，U1和U2分别表示为两组RC环路端电压，t为时间。3.根据权利要求2所述基于RNN神经网络与多参数约束的锂电池SOP在线估算方法，其特征在于，在步骤(1)中，采用18650锂离子电池常温下做OCV测试，将测试数据拟合得到开路电压与SOC对应关系曲线。4.根据权利要求2所述基于RNN神经网络与多参数约束的锂电池SOP在线估算方法，其特征在于，步骤(1)的具体过程如下：(11)在常温环境温度下完成锂电池的UDDS工况测试，并记录电压、电流和SOC真值；(12)存放中间过程估值；(13)初始化参数并把参数的估计值转换为R0,R1,R2,C1,C2；更新下一时刻值；(14)计算卡尔曼滤波增益矩阵，采集下一时刻的电压、电流数据；(15)重复(12)至(14)，对锂电池模型参数在线辨识。5.根据权利要求4所述基于RNN神经网络与多参数约束的锂电池SOP在线估算方法，其特征在于，步骤(2)的具体过程如下：(21)建立EKF离散非线性系统方程：χ
k+1
＝f(x
k
,u
k
)+w
k
y
k
＝g(x
k
,u
k
)+v
k
其中，χ
k+1
为输入，y
k
为输出，w
k
和v
k
是系统的噪声，且服从正态分布，与f(x
k
,u
k
)，g(x
k
,u
k
)相互独立，f(x
k
,u
k
)和g(x
k
,u
k
)为非线性函数；(22)通过扩展卡尔曼滤波算法建立锂电池的状态方程与观测方程：
U
k
＝U
oc
(s
k
)
‑
i
k
R0‑

【专利技术属性】
技术研发人员：江兵，陈晨，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：