【技术实现步骤摘要】
一种水下航行器仿生用锂电池SOC的混合在线估计方法
[0001]本专利技术涉及电池
,具体涉及一种水下航行器仿生用锂电池SOC的混合在线估计方法。
技术介绍
[0002]在电动力水下航行器是国家为实现“海洋强国战略”而一直重点发展的方向,是维护国家海洋安全的强力支撑,在我国深远海战略发展中扮演着重要角色。锂电池不仅具有较高的能量密度、较长使用寿命、低自放电率、轻重量、高低温适应性强等优点,而且拥有低噪声性能,能够很好的躲避敌方探测设备。因此,针对电动力推进的水下航行器的动力锂电池的研究很有意义。
[0003]锂电池对于高温、高压等外部环境较敏感,如果使用不当,会对其造成一些不可修复的损坏,导致电池在使用过程中性能下降甚至会发生危险。电池管理系统(Battery Management System,BMS)通过监测电池电压、电流、温度等参数,实时估算电池的容量(State of Charge,SOC),进而制定均衡充放电策略,防止电池过充电和过放电,并对系统进行故障排除,以确保电池的健康并延长其使用寿命。SOC作为电池的内部状态参数,无法通过传感器直接获取,只能通过一些算法估算出其电流、电压、温度等特征参数,故,如何估算出电池的荷电状态参数是值得研究的。
[0004]然而,运行电池的容量难以测量,现有运行电池的容量估计方法要么过于依赖已建立的电池物理模型,尤其是卡尔曼滤波和粒子滤波算法,其需要通过大量的训练数据来实现预测模型的构建,且构建后的模型不再更新,即预测的也是很久之前的值,故其在线估计性能 ...
【技术保护点】
【技术特征摘要】
1.一种水下航行器仿生用锂电池SOC的混合在线估计方法,其特征在于,包括:步骤1、获取数据集,并将数据集分为训练集和测试集;其中,所述数据集包括:在不同温度下和不同初始荷电状态下,锂电池充放电过程中每个时刻的电流、电压和荷电状态;步骤2、构建相关向量机预测模型,对所述相关向量机预测模型的超参数进行优化得到目标模型;将所述训练集中每个时刻的所述电流和电压作为输入集,以及每个时刻对应的所述荷电状态作为输出集,对目标模型的训练得到目标预测模型以及相关向量集;步骤3、将测试集中的输入数据分为两组数据,其中一组数据输入目标预测模型、另一组输入库仑计数法,得到测试集中的每个输入数据对应的目标荷电状态;步骤4、根据相关向量集对应的荷电状态、电流和电压,测试集中第一个数据对应的目标荷电状态、电流和电压,获取第一目标训练集;根据所述第一目标训练集对目标预测模型进行训练,得到第一目标预测模型以及第一目标相关向量集;步骤5、重复步骤3到步骤4,获取测试集中的第二个数据对应的第二目标预测模型,以及第二目标相关向量集,直至,获取测试集中的最后一个数据对应的最终目标预测模型;步骤6、将待估计的锂电池的电流和电压输入最终目标预测模型,得到待估计的锂电池的荷电状态和置信度区间。2.根据权利要求1所述的一种水下航行器仿生用锂电池SOC的混合在线估计方法,其特征在于,构建相关向量机预测模型,包括:t=φω+ε式中,t表示训练集中的输出数据;ω表示非线性基函数的权重向量;ε表示训练样本的独立加性噪声向量;ф表示设计矩阵。3.根据权利要求2所述的一种水下航行器仿生用锂电池SOC的混合在线估计方法,其特征在于,获取非线性基函数的权重向量的步骤包括:基于贝叶斯理论,定义一个在非线性基函数的权重向量ω上权重均值为零的高斯先验分布函数:式中,p(ω|α)表示在非线性基函数的权重向量ω上权重均值为零时的高斯先验值;α表示M个超参数组成的超参数向量;exp表示以自然常数为底数的指数函数;ω
i
表示非线性基函数的权重向量中的第i个权重值;α
i
表示超参数向量中的第i个超参数;N表示训练集中的输入集的总数量。4.根据权利要求1所述的一种水下航行器仿生用锂电池SOC的混合在线估计方法,其特征在于,获取相关向量集的步骤包括:根据贝叶斯理论,获取非线性基函数的权重向量的后验权重均值;将后验权重均值等于零时的对应的向量作为相关向量,并得到相关向量集。
【专利技术属性】
技术研发人员:卢丞一,黄桥高,罗斯伦,潘光,曹勇,曹永辉,李炬晨,
申请(专利权)人:西北工业大学宁波研究院,
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。