【技术实现步骤摘要】
本专利技术涉及的是一种锂电池制造领域的技术，具体是一种基于嵌入神经网络的锂电池状态估计方法。
技术介绍
1、现有锂电池状态估计技术包括物理机理模型和数据驱动模型，前者在应对极端低温、频繁启停等复杂极端工况时鲁棒性不足，且随着模型准确度的提升，不可避免地增大了模型的复杂度，而后者过度依赖于数据的质量，因此其稳定性较差，同时对锂电池内部机理的解释性较差。
技术实现思路
1、本专利技术针对现有基于数据驱动的黑箱模型的估计技术过度依赖于数据的质量，当数据样本较少时会导致模型失效的缺陷，以及现有通过前馈神经网络模型建立指标特征和电池实际容量之间的映射关系的估计技术则不能有效表征锂电池的内部物理机理，且评估效果高度依赖于数据质量的不足，提出一种基于嵌入神经网络的锂电池状态估计方法，通过拟合等效电路模型中参数估计值与电池参数真实值之间的残差，通过前馈神经网络(fnn)的迭代训练，使得经fnn修正后的等效电路模型获得更为准确的电池参数。在获得足够精确电池参数的基础上，采用扩展卡尔曼滤波算法(ekf)实现对...
【技术保护点】
1.一种基于嵌入神经网络的锂电池状态估计方法，其特征在于，在离线阶段通过遗忘因子最小二乘法迭代获得电池初始参数的在线辨识结果后，构造锂电池等效电路模型并在其支路和干路中增加FNN作为嵌入神经网络的融合模型，通过非线性拟合在线辨识结果与电池真实参数的残差，以修正锂电池等效电路模型的参数，再对嵌入神经网络的融合模型进行训练；在线阶段采用训练后的嵌入神经网络的融合模型实时进行荷电状态的最优估计。
2.根据权利权利要求1所述的基于嵌入神经网络的锂电池状态估计方法，其特征是，所述的通过遗忘因子最小二乘法迭代获得电池初始参数的在线辨识结果，具体包括：
3....
【技术特征摘要】
1.一种基于嵌入神经网络的锂电池状态估计方法，其特征在于，在离线阶段通过遗忘因子最小二乘法迭代获得电池初始参数的在线辨识结果后，构造锂电池等效电路模型并在其支路和干路中增加fnn作为嵌入神经网络的融合模型，通过非线性拟合在线辨识结果与电池真实参数的残差，以修正锂电池等效电路模型的参数，再对嵌入神经网络的融合模型进行训练；在线阶段采用训练后的嵌入神经网络的融合模型实时进行荷电状态的最优估计。
2.根据权利权利要求1所述的基于嵌入神经网络的锂电池状态估计方法，其特征是，所述的通过遗忘因子最小二乘法迭代获得电池初始参数的在线辨识结果，具体包括：
3.根据权利权利要求1所述的基于嵌入神经网络的锂电池状态估计方法，其特征是，所述的修正，即向锂电池等效电路模型的支路和干路中增加前馈神经网络(fnn)作为嵌入神经网络的融合模型，通过非线性拟合在线辨识结果与电池真实参数的残差，以修正一阶ecm电池方程的参数，具体包括：
4.根据权利权利要求1所述的基于嵌入神经网络的锂电池状态...
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。