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

本发明专利技术公开了一种基于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，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(SRCDKF)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。与现有技术相比，本发明专利技术将LightGBM算法引入到SRCDKF中进一步提高了预测精度，得到一个在低SOC区域依然具有良好的收敛性的荷电状态评估方法。评估方法。评估方法。

【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。
[0005]为了实现以上技术目的，本专利技术采用如下技术方案：
[0006]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，包括以下步骤：
[0007](A)建立锂电池二阶等效电路模型；
[0008](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；
[0009](C)采用平方根中心差分卡尔曼滤波进行SOC估计；
[0010](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。
[0011]进一步地，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。
[0012]进一步地，所述的锂电池的状态空间模型为：
[0013][0014]U(k)＝U
ocv
(k)
‑
R0I(k)
‑
U1(k)
‑
U2(k)+v
k
[0015]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。
[0016]进一步地，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：
[0017][0018]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。
[0019]进一步地，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。
[0020]进一步地，步骤(D)中所述低SOC区域为SOC小于20％的区域。
[0021]进一步地，在SOC<20％时，将平方根中心差分卡尔曼滤波的历史新息作为LightGBM算法的训练数据，然后利用LightGBM算法预测新的新息，并代替SRCDKF中的新息进行荷电状态估计，包括以下步骤：
[0022]步骤1.1、将历史新息进行归一化，划分为训练数据和测试数据；
[0023]归一化公式采用min
‑
max标准化，公式如下：
[0024][0025]其中e是新息，y是归一化后的新息，其中e
max
为样本最大值，e
min
为样本最小值；
[0026]步骤1.2、基于LightGBM算法，对新息数据进行模型训练，确定模型参数；
[0027]步骤1.3、输入LightGBM模型参数、历史新息，进行下一时刻新息的预测；
[0028]步骤1.4、将预测的新息代替原有新息进行滤波计算，进而完成SOC估计。
[0029]进一步地，基于LightGBM算法，对新息数据进行模型训练，确定模型参数，包括以下步骤：
[0030]步骤1.2.1、设置模型梯度初始的梯度值为g
i
，初始值为零或随机值；
[0031][0032]其中，λ为学习率，y
i
为归一化后的数组，f(x)为弱分类器；
[0033]步骤1.2.2、建立决策树，知道叶子数目限制或所有叶子不能再分割；
[0034]步骤1.2.3、计算直方图，从直方图中获得分裂收益，选取最佳分裂特征G，分类阈值I；
[0035][0036][0037]其中，W
j
代表最佳分裂点，P
j
最佳分裂点的阈值，l
ij
代表第i棵树在j点分裂的损失值，C
ij
代表第i棵树在j点特征比重；
[0038]步骤1.2.4、建立根节点，根据最佳分裂特征分裂阈值，将样本切分；
[0039]s＝argmax(W
j
) 1≤i≤m
[0040]Node＝(s,W
s
,P
s
)
[0041]其中，s为将第i棵树在s点分割后形成的新的决策树，W
s
为决策树在s点的分裂特征，P
s
为决策树在s点的分裂阈值，Node为s决策树的根节点；
[0042]步骤1.2.5、更新决策树的梯度g
i
；
[0043]步骤1.2.6、重复步骤1.2.2～1.2.5，直到所有的决策树都建成。
[0044]与现有技术相比，本专利技术具有以下优势：
[0045]1.与EKF相比，本专利技术的平方根中心差分卡尔曼滤波算法不需要计算雅可比矩阵，具有更高的精度和稳定性。
[0046]2.与CD本文档来自技高网...

【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：