【技术实现步骤摘要】
(一)本专利技术涉及了一种融合遗传bp神经网络模型的自适应扩展卡尔曼滤波算法(gabp-aekf)的锂离子电池soc预测方法，属于锂离子电池状态估计。
技术介绍
0、(二)
技术介绍
1、目前在进行锂电池soc估计时，安时积分法精度低；开路电压法无法在线估测soc；数据驱动算法时间成本高，参数优化困难；基于卡尔曼滤波的系列方法系统模型过程噪声和测量噪声匹配不准确会极大地影响soc估计的收敛和精度；此外，电池soc估计算法难以兼顾估计精度和计算复杂度。因此，需要进一步探索计算成本小、数值稳定性好的估计方法。
2、本专利技术提供了一种融合遗传bp神经网络模型的自适应扩展卡尔曼滤波算法(gabp-aekf)的锂离子电池soc预测方法，该方法能实现锂离子电池荷电状态的在线估测，能准确监视电池的使用状态，有效延长电池使用寿命。
技术实现思路
0、(三)
技术实现思路
1、本专利技术针对上述
技术介绍
中指出的问题，为了精确稳定地估计锂离子电池的soc，本专利技术提供了一种融合遗传bp神经网络模型的自适应扩展卡尔曼滤波算法(gabp-aekf)的锂离子电池soc预测方法，该方法能实现锂离子电池荷电状态的在线估测，能准确监视电池的使用状态，有效延长电池使用寿命。本专利技术的技术方案包含以下步骤：
2、步骤(1)：结合目前新能源汽车常用储能电池的发展现状及储能电池的优缺点，进行锂电池的选型，选取ncr18650b型锂电池作为实验对象；对ncr18650b型锂
3、步骤(2)：结合二阶rc等效电路模型、基尔霍夫电压和电流定律，得到二阶rc模型的状态方程；结合电池hppc测试得到的电池电压、电流数据以及二阶rc模型的状态方程，对模型的欧姆内阻、极化内阻和极化电容进行参数辨识。
4、步骤(3)：选定常用的三层bp神经网络模型框架；结合电池hppc测试得到的电池电压和电流数据，选定电池电压、电流为bp神经网络模型的输入，锂电池soc为其输出；确定bp神经网络的层数；完成bp神经网络模型搭建。
5、步骤(4)：为优化bp神经网络模型收敛速度慢的特点，将遗传算法(ga)引入所建立的bp神经网络模型；依据遗传算法参数的合理范围及实验验证确定遗传算法参数；完成ga-bp神经网络模型搭建。
6、步骤(5)：对ncr18650b型锂电池在25℃恒温条件、hppc测试工况下进行充放电；记录实验过程中电池电压和电流数据；将hppc测试实验的电池数据，引入bp及ga-bp模型，完成bp及ga-bp模型的数据训练，保留模型。
7、步骤(6)：为优化传统的扩展卡尔曼滤波算法噪声方差无法自适应修正的问题，引入新息矩阵；完成aekf算法的构建。
8、步骤(7)：采集ncr18650b型锂电池的初始电压和电流数据，将初始数据引入训练完成的ga-bp神经网络模型；记录ga-bp模型输出的soc初值，将soc初值引入aekf算法；完成gabp-aekf算法的构建。
9、步骤(8)：实时采集ncr18650b型锂电池的电压和电流数据；将电压和电流数据实时引入gabp-aekf算法；完成锂电池荷电状态的实时预测。
10、本专利技术基于gabp-aekf算法的锂离子电池soc预测方法，实际工况下其最大估计误差不超过0.8％，平均误差为0.41％；相较于安时积分法和扩展卡尔曼滤波算法，估计精度显著提升。
本文档来自技高网...【技术保护点】
1.一种基于GABP-AEKF算法的锂离子电池SOC预测方法，其特征在于，所述基于GABP-AEKF算法的锂离子电池SOC预测方法的具体实施步骤为：
2.根据权利要求1所述的基于GABP-AEKF算法的锂离子电池SOC预测方法，其特征在于，所述步骤(1)的操作流程为：结合目前新能源汽车常用储能电池的发展现状及储能电池的优缺点，进行锂电池的选型，选取NCR18650B型锂电池作为实验对象；对NCR18650B型锂电池进行电池的混合动力脉冲能力特性测试，记录电池电压和电流数据，建立二阶RC等效电路模型来NCR18650B型锂电池。
3.根据权利要求2所述的基于GABP-AEKF算法的锂离子电池SOC预测方法，其特征在于，所述步骤(2)的操作流程为：结合二阶RC等效电路模型、基尔霍夫电压和电流定律，得到二阶RC模型的状态方程；结合电池的混合动力脉冲能力特性测试得到的电池电压、电流数据以及二阶RC模型的状态方程，对二阶RC等效电路模型的欧姆内阻、极化内阻和极化电容进行参数辨识。
4.根据权利要求3所述的基于GABP-AEKF算法的锂离子电池SOC预测方
5.根据权利要求4所述的基于GABP-AEKF算法的锂离子电池SOC预测方法，其特征在于，所述步骤(4)的操作流程为：为优化BP神经网络模型收敛速度慢的特点，将遗传算法GA引入所建立的BP神经网络模型；依据遗传算法参数的合理范围及实验验证确定遗传算法参数；完成GA-BP神经网络模型搭建。
6.根据权利要求5所述的基于GABP-AEKF算法的锂离子电池SOC预测方法，其特征在于，所述步骤(5)的操作流程为：对NCR18650B型锂电池在25℃恒温条件、电池的混合动力脉冲能力特性测试工况下进行充放电；记录实验过程中电池电压和电流数据；将电池的混合动力脉冲能力特性测试实验的电池数据，引入BP及GA-BP模型，完成BP及GA-BP模型的数据训练，保留模型。
7.根据权利要求6所述的基于GABP-AEKF算法的锂离子电池SOC预测方法，其特征在于，所述步骤(6)的操作流程为：为优化传统的扩展卡尔曼滤波算法噪声方差无法自适应修正的问题，引入新息矩阵；完成AEKF算法的构建。
8.根据权利要求7所述的基于GABP-AEKF算法的锂离子电池SOC预测方法，其特征在于，所述步骤(7)的操作流程为：采集NCR18650B型锂电池的初始电压和电流数据，将初始数据引入训练完成的GA-BP神经网络模型；记录GA-BP模型输出的SOC初值，将SOC初值引入AEKF算法；
9.根据权利要求8所述的基于GABP-AEKF算法的锂离子电池SOC预测方法，其特征在于，所述步骤(8)的操作流程为：实时采集NCR18650B型锂电池的电压和电流数据；将电压和电流数据实时引入GABP-AEKF算法；完成锂电池荷电状态的实时预测。
...【技术特征摘要】
1.一种基于gabp-aekf算法的锂离子电池soc预测方法，其特征在于，所述基于gabp-aekf算法的锂离子电池soc预测方法的具体实施步骤为：
2.根据权利要求1所述的基于gabp-aekf算法的锂离子电池soc预测方法，其特征在于，所述步骤(1)的操作流程为：结合目前新能源汽车常用储能电池的发展现状及储能电池的优缺点，进行锂电池的选型，选取ncr18650b型锂电池作为实验对象；对ncr18650b型锂电池进行电池的混合动力脉冲能力特性测试，记录电池电压和电流数据，建立二阶rc等效电路模型来ncr18650b型锂电池。
3.根据权利要求2所述的基于gabp-aekf算法的锂离子电池soc预测方法，其特征在于，所述步骤(2)的操作流程为：结合二阶rc等效电路模型、基尔霍夫电压和电流定律，得到二阶rc模型的状态方程；结合电池的混合动力脉冲能力特性测试得到的电池电压、电流数据以及二阶rc模型的状态方程，对二阶rc等效电路模型的欧姆内阻、极化内阻和极化电容进行参数辨识。
4.根据权利要求3所述的基于gabp-aekf算法的锂离子电池soc预测方法，其特征在于，所述步骤(3)的操作流程为：选定常用的三层bp神经网络模型框架；结合电池的混合动力脉冲能力特性测试得到的电池电压和电流数据，选定电池电压和电流为bp神经网络模型的输入，锂电池soc为其输出；确定bp神经网络的层数；完成bp神经网络模型搭建。
5.根据权利要求4所述的基于gabp-aekf算法的锂离子电池soc预测方法，其特征在于，所述步骤...
【专利技术属性】
技术研发人员：孟凡刚，
申请(专利权)人：哈尔滨泛连电气科技有限公司，
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。