【技术实现步骤摘要】
基于LightGBM优化平方根中心差分卡尔曼滤波的锂电池荷电状态评估方法
[0001]本专利技术涉及锂电池荷电状态评估
,具体涉及一种基于LightGBM优化平方根中心差分卡尔曼滤波的锂电池荷电状态评估方法。
技术介绍
[0002]准确高效的监测动力电池的荷电状态(SOC)是确保动力电池安全、可靠、高效运行的基础,精确的SOC估计可以平衡单体电池间的差异、优化充放电策略、防止过热及过充和过放。目前电动汽车电池的放电深度通常会放到90%或80%,这意味着有10%或20%的电池容量未能进行有效使用,既造成了能源的大量浪费,又缩短了电池的续航能力,因此在现有动力电池平台上特别是在低SOC区实现精确的状态估计,充分挖掘可用容量,对于提高电动汽车的续航里程、缓解续航焦虑意义重大。
[0003]动力电池荷电状态的准确估计依赖于所采取的状态估计算法,目前广泛使用的有扩展卡尔曼滤波(EKF)和中心差分卡尔曼滤波(CDKF)。扩展卡尔曼滤波在线性化的过程中存在截断误差,通常做到一阶泰勒展开,导致精度不足;中心差分卡尔曼滤波通过采样点的均值和协方差,理论上可以达到二阶泰勒精度,但可能面对舍入误差导致计算发散。现有的方法EKF和CDKF虽然都可以进行SOC估计,但是在精度和稳定性上都有待进一步提高。
技术实现思路
[0004]本专利技术提供了一种基于LightGBM优化平方根中心差分卡尔曼滤波的锂电池荷电状态评估方法,旨在提高电池SOC精度的估计方法,特别是提供在低SOC区域的电池状态估计方法。
[0 ...
【技术保护点】
【技术特征摘要】
1.基于LightGBM优化平方根中心差分卡尔曼滤波的锂电池荷电状态评估方法,其特征在于,包括以下步骤:(A)建立锂电池二阶等效电路模型;(B)采用遗忘因子递推最小二乘法对锂电池二阶等效电路模型进行参数辨识;(C)采用平方根中心差分卡尔曼滤波进行SOC估计;(D)在低SOC区域将SRCDKF的历史新息作为LightGBM算法的训练数据,然后利用LightGBM算法预测新的新息,并将新的新息合并到SRCDKF中,从而提高SRCDKF的估算精度。2.根据权利要求1所述的基于LightGBM优化平方根中心差分卡尔曼滤波的锂电池荷电状态评估方法,其特征在于,步骤(A)中所述的锂电池二阶等效电路模型的参数包括欧姆内阻R0、极化电阻R1、极化电容C1和浓差极化电阻R2和浓差极化电容C2。3.根据权利要求2所述的基于LightGBM优化平方根中心差分卡尔曼滤波的锂电池荷电状态评估方法,其特征在于,锂电池的状态空间模型为:U(k)=U
ocv
(k)
‑
R0I(k)
‑
U1(k)
‑
U2(k)+v
k
其中Δt为采样时间间隔,k为采样时刻,I是工作电流,R0为电池欧姆内阻,R1、C1为极化电阻和极化电容,R2、C2为浓差极化电阻和浓差极化电容,U1、U2对应两个回路的电压,η为充放电效率,Q为电池容量,SOC(k)表示k时刻的电池SOC,w
k
=(w
1,k
,w
2,k
,w
3,k
)
T
为系统噪声,v
k
为观测噪声,U(k)为k时刻的端电压,U
ocv
(k)为k时刻的开路电压。4.根据权利要求1所述的基于LightGBM优化平方根中心差分卡尔曼滤波的锂电池荷电状态评估方法,其特征在于,步骤(B)中使用遗忘因子递推最小二乘法对锂电池二阶等效电路模型进行参数辨识,遗忘因子递推最小二乘法公式如下:式中为数据向量,观测值的预测结果;y(k)是实际观测值;K(k)为增益项;λ为遗忘因子,通常在0.95≤λ≤1范围内;I为相应维数的单位矩阵。5.根据权利要求1所述的基于LightGBM优化平方根中心差分卡尔曼滤波的锂电池荷电状态评估方法,其特征在于,步骤(C)中所述采用平方根中心差分卡尔曼滤波算法进行荷电状态估计,平方根中心差分卡尔曼滤波相较于中心差分卡尔曼滤波,采用协方差的平方根形式代替协方差形式进行更新,该平方根是由QR分解得到的。
6.根据权利要求1所述的基于LightGBM优化平方...
【专利技术属性】
技术研发人员:范兴明,贠祥,王超,张鑫,封浩,
申请(专利权)人:桂林电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。