基于RNN优化扩展卡尔曼滤波的锂电池SOC估算方法技术

本发明专利技术公开了一种基于RNN优化扩展卡尔曼滤波的锂电池SOC估算方法，来解决电池等效电路模型不精确以及SOC预测误差较大等问题。根据电池模型参数之间的关系，建立变阶RC等效电路模型；将AIC应用在RC等效电路模型中可以权衡模型的复杂度和拟合的精确度，利用循环神经网络强大的学习能力以及能够逼近任意非线性函数的特点对EKF算法进行优化，通过当前时刻及历史时刻的SOC'

【技术实现步骤摘要】
基于RNN优化扩展卡尔曼滤波的锂电池SOC估算方法


[0001]本专利技术涉及一种基于RNN优化扩展卡尔曼滤波的锂电池SOC估算方法，属于电气工程领域，是基于循环神经网络优化扩展卡尔曼滤波的锂电池SOC估算方法。

技术介绍

[0002]随着动力电池在电动汽车的长期循环使用，其性能将会逐步下降，当电池不能满足电动汽车的使用要求时，就需要从电动汽车退役下来。退役的电动汽车动力电池，仍然具有相当于初始容量80％的剩余可用容量，且拥有一定的使用寿命。目前，电动汽车退役动力电池回收价格低廉且其性能可满足储能电站的要求，在储能领域大力推行退役动力电池的梯次利用，有利于降低电力储能装备成本、优化储能配置，对于促进梯次储能电站的发展具有重要推动作用。
[0003]目前常用的锂电池SOC估计算法主要有直接测量法、数据驱动法和模型基础法。直接测量法主要包括开路电压法和安时积分法。开路电压法精确度不够，也不适合电池状态的实时估计，对SOC估算误差较大；安时积分法由于对初始精度要求较高，且造成的误差自身无法消除，积分误差会越来越大，使得SOC估算精度不断降低。采用扩展卡尔曼滤波方法来提高SOC的估计精度，但由于电池充放电过程是一个复杂的过程，其采用的电池等效模型为PNGV模型，不能很好的描述该过程；采用BP神经网络网络与扩展卡尔曼滤波相结合的估算方法，虽然提高了SOC预测精度，但其电池模型参数为固定的常数，不足以描述电池充放电过程中的复杂情况。虽然上述文献所提方法能够适用于SOC的估计，但是估计精度都不高，并且没有充分合理的利用数据。

技术实现思路

[0004]本专利技术的目的在于：提出一种基于RNN优化扩展卡尔曼滤波的锂电池SOC估算方法，解决电池等效电路模型不精确以及SOC预测误差较大等问题。本专利技术主要运用MATLAB/Simulink平台进行建模，针对传统基于EKF的SOC估计方法过度依赖于精确的电池模型,并且要求系统噪声必须服从高斯白噪声分布的问题,本文提出了将EKF算法的SOC与真实值的误差作为循环神经网络的输出，扩展卡尔曼滤波估算的SOC值及扩展卡尔曼滤波系数K作为循环神经网络的输入，然后使用训练过的RNN
‑
EKF算法对电池的SOC进行估算。
[0005]为了实现上述目的，本专利技术是采取以下技术方案实现的：
[0006]基于RNN优化扩展卡尔曼滤波的锂电池SOC估算方法，包括如下步骤：
[0007]步骤1、首先根据电池模型参数之间的函数关系，建立变阶RC等效电路模型；
[0008]步骤2、根据步骤1建立的变阶RC等效电路模型，将AIC(赤池信息量准则)应用在RC等效电路模型中，从而权衡模型的复杂度和拟合的精确度，得到脉冲放电工况下各阶数RC模型对应的AIC值，进而确定不同SOC状态下RC等效电路模型的阶数，最后对变阶RC等效电路模型进行参数辨识；
[0009]步骤3、在步骤2识别后的变阶RC等效电路模型的基础上，首先依据扩展卡尔曼滤
波算法的基本原理，对电池模型参数之间的函数关系和单节锂电池SOC的表达式进行离散化，得到系统的状态方程和观测方程；随后采用扩展卡尔曼滤波算法对SOC进行迭代计算；其次利用循环神经网络强大的学习能力以及能够逼近任意非线性函数的特点对EKF算法进行优化，通过当前时刻及历史时刻的SOC'
k
,K
1k
,K
2k
,K
3k
(SOC'
k
表示k时刻EKF的状态量；K
ik
(i＝1,2,3)表示通过EKF求解得到的卡尔曼增益)映射出EKF电池SOC估算的误差ΔSOC
k
,对EKF输出的SOC进行修正补偿，以实现对SOC的精准预测；最后通过仿真验证所提方法的有效性。
[0010]所述步骤1中的变阶RC等效电路模型为：
[0011][0012]式中，U
OCV
为电池的开路电压；I
w
为流经电池的电流；R0为电池的欧姆内阻；U0为欧姆内阻两端的电压；R
i
为极化电阻；U
i
分别为极化电阻R
i
两端的电压；C
i
为极化电容；其中i＝1,2,3；U
t
为电池的端电压；n为RC网络的阶数，其值为2或3。所述变阶RC等效电路模型根据锂电池SOC的变化，通过控制开关S1的导通截止来改变RC等效电路模型阶数。
[0013]所述步骤2的具体方法步骤如下：
[0014]S2
‑
1、将AIC应用在RC等效电路模型中可以权衡模型的复杂度和拟合的精确度，其表达式为：
[0015][0016]其中：
[0017][0018]式中：为残差平方的平均值；表示模型拟合的准确性，该值越小，模型的精度越高；L
D
为数据长度；为对模型过拟合的惩罚度，其值越小，表明模型结构越简单；y
k
为实验测得的端电压值；为模型的端电压估计值。在一定阶数范围内(n≤4)，模型阶数越高，其拟合精度越高，值越小，而值越大。最佳模型应当具有较高的精确度，同时要避免出现过拟合的情况，因此AIC值最小时对应的模型为最佳模型。
[0019]将仿真得到的端电压估计值即步骤1中的U
t
值代入式(2)和式(3)中进行计算，得到脉冲放电工况下各阶数RC等效电路模型对应的AIC值。
[0020]S2
‑
2、确定不同SOC状态下RC等效电路模型的阶数；在SOC处于[0.2,0.8]时使用二阶模型，处于其他范围时使用三阶模型；
[0021]S2
‑
3、对变阶RC等效电路模型进行参数辨识；
[0022]S2
‑3‑
1、欧姆内阻辨识；
[0023]S2
‑3‑
2、RC网络极化参数辨识。
[0024]所述步骤3具体方法步骤如下：
[0025]S3
‑
1、首先依据扩展卡尔曼滤波算法的基本原理，对电池模型参数之间的函数关系和单节锂电池SOC的表达式进行离散化，得到系统的状态方程和观测方程，随后采用扩展卡尔曼滤波算法对SOC进行迭代计算；
[0026]经典卡尔曼滤波算法只适用于线性系统，要求系统的状态方程以及观测方程都是线性的，而扩展卡尔曼滤波适应于非线性系统，其中心思想是利用泰勒公式在状态估计值处对非线性系统进行一阶泰勒展开，将系统线性化，然后运用卡尔曼滤波算法对系统状态进行估算。
[0027]对非线性系统进行扩展卡尔曼滤波算法时，其状态方程及观测方程如下：
[0028][0029]式中；x
k
指的是k刻的系统状态，u
k
是k刻对系统的控制量。A和B是系统参数。y
k
是k时刻的测量值，ω
k
表示过程噪声，v
k
表示测量噪声。ω
...

【技术保护点】

【技术特征摘要】
1.一种基于RNN优化扩展卡尔曼滤波的锂电池SOC估算方法，其特征在于，包括如下步骤：步骤1、根据电池模型参数之间的关系，建立变阶RC等效电路模型；步骤2、根据步骤1中建立的变阶RC等效电路模型，将AIC应用在RC等效电路模型中，从而权衡模型的复杂度和拟合的精确度，得到脉冲放电工况下各阶数RC模型对应的AIC值，进而确定不同SOC状态下RC等效电路模型的阶数，最后对变阶RC等效电路模型进行参数辨识；步骤3、在步骤2识别后的变阶RC等效电路模型的基础上，首先依据扩展卡尔曼滤波算法的基本原理，对电池模型参数之间的函数关系和单节锂电池SOC的表达式进行离散化，得到系统的状态方程和观测方程；随后采用扩展卡尔曼滤波算法对SOC进行迭代计算；其次利用循环神经网络强大的学习能力以及能够逼近任意非线性函数的特点对EKF算法进行优化，通过当前时刻及历史时刻的SOC'
k
,K
1k
,K
2k
,K
3k
映射出EKF电池SOC估算的误差ΔSOC
k
,对EKF输出的SOC进行修正补偿，以实现对SOC的精准预测；最后通过仿真验证所提方法的有效性；SOC'
k
表示k时刻EKF的状态量；K
ik
(i＝1,2,3)表示通过EKF求解得到的卡尔曼增益。2.根据权利要求1所述的基于RNN优化扩展卡尔曼滤波的锂电池SOC估算方法，其特征在于，所述步骤1中的变阶RC等效电路模型为：式中，U
OCV
为电池的开路电压；I
w
为流经电池的电流；R0为电池的欧姆内阻；U0为欧姆内阻两端的电压；R
i
为极化电阻；U
i
分别为极化电阻R
i
两端的电压；C
i
为极化电容；其中i＝1,2,3；U
t
为电池的端电压；n为RC网络的阶数，其值为2或3；所述变阶RC等效电路模型根据锂电池SOC的变化，通过控制开关S1的导通截止来改变RC等效电路模型阶数。3.根据权利要求2所述的基于RNN优化扩展卡尔曼滤波的锂电池SOC估算方法，其特征在于，所述步骤2的具体方法步骤如下：S2
‑
1、将AIC应用在RC等效电路模型中可以权衡模型的复杂度和拟合的精确度，其表达式为：其中：式中：为残差平方的平均值；表示模型拟合的准确性，该值越小，模型的精度越高；L
D
为数据长度；为对模型过拟合的惩罚度，其值越小，表明模型结构越简
单；y
k
为实验测得的端电压值；为模型的端电压估计值；将仿真得到的端电压估计值即步骤1中的U
t
值代入式(2)和式(3)中进行计算，得到脉冲放电工况下各阶数RC等效电路模型对应的AIC值；S2
‑
2、确定不同SOC状态下RC等效电路模型的阶数；在SOC处于[0.2,0.8]时使用二阶模型，处于其他范围时使用三阶模型；S2
‑
3、对变阶RC等效电路模型进行参数辨识，包括，S2
‑3‑
1、欧姆内阻辨识；S2
‑3‑
2、RC网络极化参数辨识。4.根据权利要求3所述的基于RNN优化扩展卡尔曼滤波的锂电池SOC估算方法，其特征在于，当RC网络的阶数n≤4时，模型阶数越高，其拟合精度越高，值越小，而值越大；最佳模型应当具有较高的精确度，同时要避免出现过拟合的情况，因此AIC值最小时对应的模型为最佳模型。5.根据权利要求3或4所述的基于RNN优化扩展卡尔曼滤波的锂电池SOC估算方法，其特征在于，所述步骤3具体方法步骤如下：S3
‑
1、首先依据扩展卡尔曼滤波算法的基本原理，对电池模型参数之间的函数关系和单节锂电池SOC的表达式进行离散化，得到系统的状态方程和观测方程，随后采用扩展卡尔曼滤波算法对SOC进行迭代计算；对非线性系统进行扩展卡尔曼滤波算法时，其状态方程及观测方程如下：式中；x
k
指的是k刻的系统状态，u
k
是k刻对系统的控制量。A和B是系统参数；y
k
是k时刻的测量值，ω
k
表示过程噪声，v
k
表示测量噪声；ω
k
和v
k
被假设成高斯白噪声，其均值为0，协方差为Q，R；上述观测方程为非线性观测方程；将上述观测方程(4)进行一阶泰勒级数展开，并忽略高阶无穷小项可得：令：通过一阶泰勒级数展开的结果，进一步将非线性观测方程转化为线性观测方程，则有：
根据上述理论，对单节电池的变阶RC等效电路模型进行扩展卡尔曼滤波算法推导的方法步骤如下：S3
‑1‑
1、对步骤1中的变阶RC等效电路模型即...

【专利技术属性】
技术研发人员：乐瑶，肖凌，陶冶，刘录清，朱锐芝，梅建春，陈维舟，孙文健，周豪奇，
申请(专利权)人：江苏科能电力工程咨询有限公司，
类型：发明
国别省市：