基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备技术

本发明专利技术提供了一种基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备。所述方法包括：步骤1至步骤6。本发明专利技术不需要在不同温度下建立等效电路模型和进行参数识别，仅需要利用ELM即可训练得到电池模型，所得的电池模型不仅精度更高，能够更精确地反应电池端电压，而且能够大大节省建模时间，将由ELM训练的电池模型与EKF结合进行SOC估算，基于ELM

【技术实现步骤摘要】
基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备


[0001]本专利技术实施例涉及电池管理
，尤其涉及一种基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备。

技术介绍

[0002]为解决能源消耗和空气污染等环境问题，电动汽车已成为新能源汽车的主要发展趋势。动力电池作为电动汽车的核心装置，为了更好地维护和使用它，电池管理系统不可或缺，其核心功能之一是估算电池的荷电状态(state of charge,SOC)。电池的SOC相当于燃油车的油表，反映当前状态下电池的剩余可用容量。准确的SOC估算不仅能够防止对电池系统的“滥用”，还能够延长电池使用寿命，提高电池系统的使用效率。目前相关方法存在需要建立准确的电池等效电路模型，以及受训练数据的质量影响较大等缺陷。因此，开发一种基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。

技术实现思路

[0003]针对现有技术存在的上述问题，本专利技术实施例提供了一种基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备。
...

【技术保护点】

【技术特征摘要】
1.一种基于极限学习和扩展卡尔曼滤波的荷电量估算方法，其特征在于，包括：步骤1：基于锂电池测试平台，在不同温度下对锂离子电池进行特性实验，包括：容量测试、HPPC测试、开路电压OCV测试以及动态工况测试FUDS，实验过程中采集实时的实验数据，包括环境温度、电池本体温度、电池端电压以及电流，其中容量测试的数据用来计算锂电池的真实SOC；HPPC测试和OCV测试数据用来建立与ELM对比的等效电路模型ECM；FUDS测试数据用来训练、验证和测试ELM电池模型，还用来测试SOC估算精度；步骤2：构建ELM神经网络，输入层包含三个神经元，分别为当前时刻t的电流值、SOC值，以及上一时刻t
‑
1的端电压值；输出层包含一个神经元，即SOC；隐藏层神经元的激活函数采用双曲正切函数，隐藏层神经元个数在下一步骤中采用试错法确定；步骤3：利用ELM训练电池模型，首先使用30℃下的FUDS测试数据构建训练数据集，训练数据集的输入包括当前时刻t的电流值I(t)、真实SOC值SOC(t)，以及上一时刻t
‑
1的端电压值V(t
‑
1)，输出为当前时刻t的端电压值V(t),其中真实SOC值根据安时积分法计算：其中SOC(t0)为实验开始前的SOC初值，SOC(t)为当前时刻的SOC值，C
m
是由容量测试校准的在该温度下的电池容量，其余输入与输出量为设备采集的实时数据，接着将训练集的数据进行归一化处理，提高训练速度和精度，利用构建的训练数据集训练ELM模型；步骤4：测试训练好的ELM电池模型，根据步骤2，将10℃和50℃下的FUDS测试数据构建成测试数据集，将测试数据集输入到已构建的ELM电池模型中，对比模型输出电压与实测的电池端电压，并使用均方根误差RMSE和平均绝对误差MAE来定量衡量ELM电池模型的精确度；步骤5：构建基于扩展卡尔曼滤波算法的SOC估算方法，首先定义x
k
＝[SOC
k
,V
k
‑1]为系统的状态变量，包括当前时刻的SOC和上一时刻的端电压，y
k
为系统输出，即当前时刻的端电压，则系统的状态空间方程为：x
k+1
＝f(x
k
,u
k
)+w
k
y
k
＝g(x
k
,u
k
)+v
k
其中w
k
和v
k
表示高斯噪声，u
k
为系统的输入，f(x
k
,u
k
)表示状态方程，g(x
k
,u
k
)为量测方程，即由ELM训练的电池模型，进行扩展卡尔曼滤波的循环；步骤6：基于10℃、30℃或50℃下的FUDS测试数据，利用已构建的ELM
‑
EKF方法对SOC进行估算，将预测SOC与真实SOC进行对比，计算MAE和RMSE，进行性能评估。2.根据权利要求1所述的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，其特征在于，所述利用构建的训练数据集训练ELM模型，包括：对隐藏层参数随机进行初始化，使用前向传播原理计算隐藏层的输出；为了得到连接隐藏层与输出层之间的权值β
i
，要保证ELM的训练误差最小，因此可以将Hβ与训练集中的输出之间的最小化平方差作为目标函数，能够使得目标函数最小的解即为最优解，目标函数如下：min||Hβ
‑
T||2,β∈R
L*m
其中T为训练集中的输出，L和M分别表示隐藏层和输出层中的神经元个数，通过线性和矩阵论推倒可得β的计算如下：
β＝(H
T
H)
‑1H
T
·
T隐藏层的参数和输出层的权值即可确定，即ELM训练完成，训练ELM不需要像训练BP或者RBF神经网络那样进行不断的迭代，ELM神经网络具有更快的训练速度和更好的收敛性能。3.根据权利要求2所述的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，其特征在于，所述进行扩展卡尔曼滤波的循环，包括：初始化状态变量：以及协方差矩阵：初始化噪声变量：w、v、Q和R，Q和R分别为高斯噪声w和v的协方差矩阵；状态预测：k时刻的状态变量预估值根据状态方程由k
‑
1时刻的状态值计算得到，同时计算协方差矩阵，即1时刻的状态值计算得到，同时计算协方差矩阵，即其中A
k
为系统矩阵；为系统矩阵；测量更新：计算卡尔曼增益K
k
根据实测的端电压与预测端电压之间的差值校正模型的状态变量，并且更新协方差矩阵：阵：其中z
k
为实测端电压，l为单位矩阵，为通过ELM电池模型计算的预测端电压，通过两者之差来更新状态变量和协方差矩阵，C
k

【专利技术属性】
技术研发人员：杜常清，任重，邵建波，颜伏伍，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：