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

本发明专利技术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，包括：获取训练集和测试集，获取预测模型以及相关向量集，获取测试集中的每个输入数据对应的目标荷电状态，获取第一目标预测模型以及第一目标相关向量集，获取最终目标预测模型，获取待估计的锂电池的荷电状态和置信度区间。本发明专利技术实现了对每个时刻的电池的荷电状态进行预测，提高了荷电状态的预测精度。预测精度。预测精度。

【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，故其在线估计性能较差，无法取得精确的预测结果。
[0005]因此，需要提供一种水下航行器仿生用锂电池SOC的混合在线估计方法以解决上述问题。

技术实现思路

[0006]本专利技术提供一种水下航行器仿生用锂电池SOC的混合在线估计方法，通过增量学习法和相关向量机预测模型，使得目标预测模型在线不断更新，进而利用更新后的目标预测模型实现荷电状态的预测，以解决现有的在线估计性能较差，无法取得良好的在线估计结果问题。
[0007]本专利技术的一种水下航行器仿生用锂电池SOC的混合在线估计方法采用如下技术方案：包括：
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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。
[0014]优选的，构建相关向量机预测模型，包括：
[0015]t＝φω+ε
[0016]式中，t表示训练集中的输出数据；
[0017]ω表示非线性基函数的权重向量；
[0018]ε表示训练样本的独立加性噪声向量；
[0019]ф表示设计矩阵。
[0020]优选的，获取非线性基函数的权重向量的步骤包括：
[0021]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：
[0022][0023]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；
[0024]α表示M个超参数组成的超参数向量；
[0025]exp表示以自然常数为底数的指数函数；
[0026]ω
i
表示非线性基函数的权重向量中的第i个权重值；
[0027]α
i
表示超参数向量中的第i个超参数；
[0028]N表示训练集中的输入集的总数量。
[0029]优选的，获取相关向量集的步骤包括：
[0030]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；
[0031]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。
[0032]优选的，根据最终目标预测模型的噪声标准差获取预测结果的置信度区间。
[0033]优选的，获取置信度区间的步骤包括：
[0034][L
b
,U
b
]＝[y*
‑
z
c
/2σ*,y*+z
c/2
σ*][0035]式中，L
b
表示预测模型的预测结果的下限；
[0036]U
b
表示预测模型的预测结果的上限；
[0037]z
c/2
表示预测模型的噪声方差所对应的正态分布的双边分位数；
[0038]y*表示最终目标预测模型的预测值的均值；
[0039]σ*表示最终目标预测模型的噪声标准差。
[0040]优选的，获取测试集中的每个输入数据对应的目标荷电状态的步骤包括：
[0041]根据所述测试集中数据的奇偶性，将测试集中数据分为两组数据；
[0042]根据其中一组数据中的每个所述数据的电流和电压，以及目标预测模型，获取其中一组数据中的每个数据对应的第一目标荷电状态；
[0043]根据库仑计数法和另一组数据中的每个所述数据的电流和电压，获取另一组数据中每个数据对应的第二目标荷电状态。
[0044]优选的，将测试集中数据分为两组数据的步骤包括：
[0045]将测试集中数据进行编号；
[0046]将所有编号为奇数的数据作为奇数组数据，将所有编号为偶数的数据作为偶数组数据，得到两组数据。
[0047]优选的，获取其中一组数据中的每个数据对应的第一目标荷电状态的步骤包括：
[0048]将奇数组数据的每个所述数据的电流和电压输入预测模型，得到初始目标荷电状态；
[0049]对每个所述初始目标荷电状态进行移动均值滤波去噪，得到第一目标荷电状态。
[0050]优选的，获取第二目标荷电状态的步骤包括：
[0051][0052]式中，SOC表示根据库仑计数法获取的第二目标荷电状态；
[0053]SOC0表示电池的初始荷电状态；本文档来自技高网...

【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：