【技术实现步骤摘要】
本专利技术属于电池，涉及一种模型与数据融合驱动的增强型车载电池荷电状态估计方法。
技术介绍
1、锂离子电池以其高功率密度、高能量密度、低自放电率、无记忆效应以及使用寿命长等优异特性而被广泛应用于电气化交通领域。截至目前，中国新能源汽车数量已达到1821万辆，且主要采用锂离子电池作为车载能量源，故而准确鲁棒的车载锂离子电池荷电状态估计对实现车辆可靠且高效的运行至关重要。
2、锂离子电池的荷电状态是以标称容量的百分比表示，无法通过直接测量的方式获得，只能以非侵入方式进行估计。现有的锂离子电池荷电状态估计方法可分为四类：直接计算法、基于模型方法、基于数据驱动方法和模型-数据融合方法。常用的两种直接计算法为查表法和库仑计数法，直接计算法易于实现，但由于相关参数的测量具有不确定性和开环特性，其保真度有限。基于模型的方法一般是结合电化学/等效电路模型和滤波算法来实现。电化学模型采用偏微分方程从微观角度捕捉电池内部的老化过程，采用这种方法的优势在于能够建立精确的电化学模型，但此方法涉及大量的非线性偏微分方程求解，模型复杂且计算量大；等效电路模型采用电阻器和电容器等电子元件来模拟电池的外部电气特性，采用这种方法的优势在于计算成本低，但由于缺乏充分的物理化学老化机制，其估计精度受到限制，而且其建模存在不确定性，估计误差较大。基于数据驱动的方法不依赖于电池的内部特征，主要依靠电池的充放电数据，故而此方法的有效性很大程度上取决于电池数据集的数量和质量。模型-数据融合方法综合了基于模型方法和基于数据驱动方法的优点，具有更好的保真度和泛化能力
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种模型与数据融合驱动的增强型车载电池荷电状态估计方法。该方法由基于模型且参数实时更新的荷电状态soc估计器和基于机器学习算法的soc映射网络并联构成，能够根据车辆运行工况自动匹配最佳soc估计方法。首先进行车辆运行工况自适应识别，若车辆处于随机动态工况，则选择基于物理模型且参数实时更新的soc估计器，通过强化学习算法优化估计器的初始谐调参数，实现车载电池参数及soc的联合估计；若车辆处于连续恒流工况，则选择基于机器学习算法的映射网络实现车载电池soc的准确估计。
2、为达到上述目的，本专利技术提供如下技术方案：
3、模型与数据融合驱动的增强型车载电池荷电状态估计方法，该方法包括以下步骤：
4、s1：选择锂离子电池等效电路模型，结合在线参数辨识、安时积分和自适应滤波算法搭建基于模型且参数实时更新的电池荷电状态soc估计方案，并通过强化学习优化模型初始谐调参数；
5、s2：选择合适的机器学习算法，搭建数据驱动的电池soc估计方案；
6、s3：设计车辆运行工况自适应识别方法，准确识别车辆当前运行工况；
7、s4：根据获取的车辆运行工况，选择相应的电池soc估计方法：若为随机动态工况，则采用基于模型且参数实时更新的电池soc估计方案；若为连续恒流工况，则采用基于机器学习算法的电池soc估计方案。
8、进一步的，所述s1中，根据锂离子电池的正极材料确定合适的等效电路模型：对于磷酸铁锂lifepo4电池，选择带一阶滞回的一阶rc等效电路模型；对于三元锂ncm或nca电池，选择一阶rc等效电路模型，在线参数辨识算法为递归最小二乘算法rls，自适应滤波算法为自适应扩展卡尔曼滤波算法aekf。
9、进一步的，所述s1中，选用深度q网络强化学习优化算法解决初始参数与车辆随机运行工况不匹配以及锂离子电池soc初值不确定的问题。
10、进一步的，所述s2中，机器学习算法为基于门控循环单元gru的映射网络。
11、进一步的，所述s3中，车辆运行工况自适应识别通过最优滑动窗口内的电流统计指标平均值mean和总体标准差σ两者协同评估实现。
12、进一步的，所述最优滑动窗口通过在一定区间选择多个数值，评估各选择下电池soc的估计精度确定；
13、若滑动窗口内的电流统计σ小于其设定阈值，且mean大于其设定阈值，则判定车辆运行工况为恒流工况；
14、若滑动窗口内的电流统计σ大于其设定阈值，且mean大于其设置阈值，则判定车辆运行工况为动态工况。
15、本专利技术的有益效果在于：
16、(1)充分利用各算法的优势，采用两种并行的车载电池soc估计方案，依据车辆运行工况的变化跳转至相应的车载电池soc估计方法，具有更强的适应性，能够提高车载电池soc估计的准确性、鲁棒性以及泛化能力；
17、(2)所提出的深度q网络强化学习优化算法能够通过优化模型的初始谐调参数以实现车辆在随机动态运行工况下车载电池soc的准确估计，具有较高的稳定性与收敛性。
18、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
本文档来自技高网...【技术保护点】
1.模型与数据融合驱动的增强型车载电池荷电状态估计方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的模型与数据融合驱动的增强型车载电池荷电状态估计方法，其特征在于：所述S1中，根据锂离子电池的正极材料确定合适的等效电路模型：对于磷酸铁锂LiFePO4电池，选择带一阶滞回的一阶RC等效电路模型；对于三元锂NCM或NCA电池，选择一阶RC等效电路模型，在线参数辨识算法为递归最小二乘算法RLS，自适应滤波算法为自适应扩展卡尔曼滤波算法AEKF。
3.根据权利要求1所述的模型与数据融合驱动的增强型车载电池荷电状态估计方法，其特征在于：所述S1中，选用深度Q网络强化学习优化算法解决初始参数与车辆随机运行工况不匹配以及锂离子电池SOC初值不确定的问题。
4.根据权利要求1所述的模型与数据融合驱动的增强型车载电池荷电状态估计方法，其特征在于：所述S2中，机器学习算法为基于门控循环单元GRU的映射网络。
5.根据权利要求1所述的模型与数据融合驱动的增强型车载电池荷电状态估计方法，其特征在于：所述S3中，车辆运行工况自适应识别通过最优滑
6.根据权利要求5所述的模型与数据融合驱动的增强型车载电池荷电状态估计方法，其特征在于：所述最优滑动窗口通过在一定区间选择多个数值，评估各选择下电池SOC的估计精度确定；
...【技术特征摘要】
1.模型与数据融合驱动的增强型车载电池荷电状态估计方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的模型与数据融合驱动的增强型车载电池荷电状态估计方法，其特征在于：所述s1中，根据锂离子电池的正极材料确定合适的等效电路模型：对于磷酸铁锂lifepo4电池，选择带一阶滞回的一阶rc等效电路模型；对于三元锂ncm或nca电池，选择一阶rc等效电路模型，在线参数辨识算法为递归最小二乘算法rls，自适应滤波算法为自适应扩展卡尔曼滤波算法aekf。
3.根据权利要求1所述的模型与数据融合驱动的增强型车载电池荷电状态估计方法，其特征在于：所述s1中，选用深度q网络强化学习优化算法解决初始参数...
【专利技术属性】
技术研发人员：胡晓松，张棒棒，刘文学，李佳承，张凯，李劲文，
申请(专利权)人：重庆大学，
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。