(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201810994346.6
(22)申请日 2018.08.29
(71)申请人 河海大学常州校区
地址 213022 江苏省常州市晋陵北路200号
(72)发明人 宋佳佳 张金波 张腾龙 李晓艳
张博
(74)专利代理机构 南京纵横知识产权代理有限
公司 32224
代理人 董建林
(51)Int.Cl.
G01R 31/36(2006.01)
(54)发明名称
(57)摘要
本发明提出了一种基于神经网络优化EKF的
锂离子动力电池SOC估计方法，一方面，针对锂离
子电池非线性电压特性，建立戴维宁等效电路模
型，在不同SOC点和充放电方向的实验基础上确
和观测方程，设计了扩展卡尔曼滤波估算SOC算
法的计算流程；另一方面，基于BP神经网络建立
了误差预测模型，并藉此在滤波过程中对测量噪
声协方差实时修正，从而克服了由于较大模型误
差和将系统噪声假设为高斯白噪声而引入的状
态估计误差。本发明通过基于各种建模误差补偿
EKF的SOC估计结果对比，证明了BP神经网络结合
EKF算法的优越性，最大估计误差在0.25％以内，
具有较高的工程应用价值。权利要求书2页 说明书10页 附图5页CN 109061506 A 2018.12.21
C N 109061506
A
1.基于神经网络优化EKF的锂离子动力电池SOC估计方法，其特征在于，包括以下步骤：
S1.建立锂离子电池的戴维宁等效电路模型，在所述模型中，R1是欧姆内阻，R2是极化内阻，C是极化电容，R2和C构成阻容回路，用来模拟电池在极化产生和消除过程中的动态过程；
S2.根据电池的端电压脉冲波形确定戴维宁模型参数，所述模型参数包括R1、R2、C、τ、U0、t1，其中，R1、R2和C通过实验测量得到，τ＝R2C，U0和t1为待定系数，根据实验所测数据采用非线性最小二乘曲线拟合能够求出所述待定系数；
S3、建立所述戴维宁等效电路模型的状态方程(1)和观测方程(2)，
U t＝F(S t)-R1I t-U c,t+v t (2)
其中，[S t,U c,t]T为电池的状态量，U c,t为极化电容两端的电压，Q0为电池容量，η为充放电效率，I t为控制变量，U t为观测量，[w1,t，w2,t]T为系统噪声，v t为观测噪声；
S4、扩展卡尔曼滤波器初始化和时间更新：状态估计更新、误差协方差更新；在滤波过程中基于建立的观测方程预测电池的剩余电量SOC；
S5、建立BP神经网络，用LM算法训练BP神经网络，选择电池端电压、充放电电流和环境温度作为BP神经网络的输入，输出为电池的剩余电量SOC；
S6、基于BP神经网络优化扩展卡尔曼滤波的估算结果，即将BP神经网络的权值、阈值作为扩展卡尔曼滤波器的状态，网络输出作为观测，把对象模型问题转化为状态参数的估计问题；
S7、将基于BP神经网络优化扩展卡尔曼滤波的估算结果与步骤4得到的结果进行对比，验证基于BP神经网络优化扩展卡尔滤波算法的有效性。
2.根据权利要求1所述的基于神经网络优化EKF的锂离子动力电池SOC估计方法，其特征在于，S2进一步包括：
通过所述戴维宁等效电路模型，得到以下数学关系：
E t＝R1I t+U c,t+U t (3)
其中，E t为电路开路电压，且E t与SOC的函数关系为E t＝F[s(t)]，s(t)为t时刻电池的SOC；所述电路开路电压是由放电停止后的某时刻电压根据实验所测数据采用最小二乘法曲线拟合求出。
3.根据权利要求2所述的基于神经网络优化EKF的锂离子动力电池SOC估计方法，其特征在于，
根据安时积分法得到：
选择[S t,U c,t]T为电池的状态量，U c,t为极化电容两端的电压，则电池的状态空间方程为：
4.根据权利要求1所述的基于神经网络优化EKF的锂离子动力电池SOC估计方法，其特征在于，S4进一步包括：
扩展卡尔曼滤波是通过系统状态空间模型，利用泰勒公式，对非线性系统进行线性化处理，然后再利用标准卡尔曼滤波算法的循环迭代过程对状态变量做算法最优估计。
5.根据权利要求1所述的基于神经网络优化EKF的锂离子动力电池SOC估计方法，其特征在于，S5进一步包括：
所述BP神经网络的网络层数为3，由输入层、隐含层和输出层组成。
6.根据权利要求1所述的基于神经网络优化EKF的锂离子动力电池SOC估计方法，其特征在于，S6进一步包括：
建立误差预测模型，进行SOC估计的误差预测，误差预测模型的数学表达式为，
e(k)＝y(k)-y n(k) (6)
其中，y(k)表示理想输出，y n(k)表示BP神经网络的输出层神经元的输出。
基于神经网络优化EKF的锂离子动力电池SOC估计方法
技术领域
[0001]本发明涉及电池检测技术领域，具体涉及基于神经网络优化EKF的锂离子动力电池SOC估计方法。
背景技术
[0002]电动汽车由于其零排放、零污染、能源利用率高等优点，在新能源汽车中发展潜力巨大，电池管理系统是电动汽车的重要组成部分，而动力电池荷电状态(state of charge，SOC)估计又是电池管理系统的关健技术之一。SOC估计涉及到动力电池充放电控制和电动汽车的优化管理，直接影响动力电池的使用寿命和动力系统的性能，如果不能准确地估算电池的SOC，就会出现电池过充或过放，造成电池内部损坏，因而SOC的准确估算对于电动汽车的正常及健康运行具有重要意义。
[0003]现有技术中，基于电池端电压的开路电压法和基于电流积分的安时法是比较常用的估算方法。开路电压法简单易行，磷酸铁锂电池在充电初期和末期SOC估计效果好，但是需要电池长时间静置，不能满足在线检测的要求；安时法是一种开环预测，短时间内能够准确估算SOC，但是初始SOC无法获得，且累计误差越来越大。实际工程应用中，安时法常与其他方法组合使用，如安时一开路电压法、安时一内阻法、安时一Peukert方程法。Tsikalakis A G等人在《IEEE Transactions on Energy Conversion，2008，23(1)：241-248(电气和电子工程师协会能源转换议题，2008年)》发表了题为“Centralized control f or optimizing microgrids operation”的文章，针对纯电动汽车的工作特点，提出了安时法与开路电压法结合的方法，但是磷酸铁锂平坦的OCV-SOC曲线对安时法的修正意义不大。Vaideh V等人在《Computers and Electrical Engineering,2001,27(2)：217 228(计算机与电子工程，2001年)》上发表了题为“Neural network aided Kalman filtering for multitarget tracking applications”的文章，通过实验数据
得到了开路电压、自恢复效应、充放电效率等影响因素对SOC的修正系数K，建立了SOC与各修正系数呈线性关系的数学模型；其在使用安时法时，提出了折算库仑效率的概念，将不同电流的库仑效率统一到C/3电流的库仑效率上。
[0004]目前新兴的SOC估算方法有阻抗估算方法、神经网络估算方法与Kalman滤波估算方法等。电池内阻有交流阻抗和直流阻抗之分，与SOC有着密切的关系。现有技术中，可以通过对电池施加交流信号获得不同SOC下锂电池电池的阻抗谱，利用阻抗谱获得的参数估算SOC。阻抗谱方法可以比较准确地描述电池特性，估算SOC的精度比较高，但是在电动汽车的实际运行中测试阻抗谱有难度，而且阻抗谱测试易受温度影响。
[0005]神经网络具有非线性的基本特性，对于外部激励能够给出相应的输出，能够较好地模拟电池的非线性动态特征，例如，有人提出的神经网络改进算法的Levenberg-Marqardt(LM)算法，建立了基于镍氢电池的神经网络模型。但神经网络在处理非线性对象时，收敛速度慢，易陷入局部极值，需调节参数多。Kalman滤波算法在电池SOC的估算中应用较为广泛，其核心思想是对动态系统的状态做出最小方差意义上的最优估计。例如，可以将
电池模型误差建立成SOC和电流的分段线性函数，并根据计算的模型误差对EKF的测量噪声进行修正，在一定程度上提高了SOC的估计精度，但是建立的测量噪声修正模型是定性的，需根据经验获得，不具普适性。
[0006]为此，本发明提出了一种基于BP神经网络优化EKF的估计方法。选用结构简单并能很好的反应出电池动态特性的戴维宁模型并通过电池停止放电后的某时刻的电压结合公式拟合出开路电压，解决了传统方法需闲置一段时间的问题。针对传统基于扩展卡尔曼滤波的SOC估算方法过于依赖精确的电池模型，并且要求系统噪声必须服从高斯白噪声分布的问题，基于BP神经网络建立误差预测模型，并在滤波过程中对测量噪声协方差实时修正，以实现误差较小时对状态轨迹进行测量更新，而当误差较大时，只进行过程更新，从而消除了由于较大模型误差导致的SOC估算误差。
发明内容
[0007]为克服上述现有技术的不足，本发明提供一种基于神经网络优化EKF的锂离子动力电池SOC估计方法。该方法能有效消除由于模型误差和测量噪声统计特性不确定而引入的SOC估计误差，误差在0.25％以内，适用于电动汽车的各种复杂工况，应用价值较高。[0008]本发明是通过以下技术方案予以实现的：
[0009]基于神经网络优化EKF的锂离子动力电池SOC估计方法，包括以下步骤：
[0010]S1.建立锂离子电池的戴维宁等效电路模型，在所述模型中，R1是欧姆内阻，R2是极化内阻，C是极化电容，R2和C构成阻容回路，用来模拟电池在极化产生和消除过程中的动态过程；
[0011]S2.根据电池的端电压脉冲波形确定戴维宁模型参数，所述模型参数包括R1、R2、C、τ、U0、t1，其中，R1、R2和C通过实验测量得到，τ＝R2C，U0和t1为待定系数，根据实验所测数据采用非线性最小二乘曲线拟合能够求出所述待定系数；
[0012]S3、建立所述戴维宁等效电路模型的状态方程(1)和观测方程(2)，
[0013]
[0014]U t＝F(S t)-R1I t-U c,t+v t (2)
[0015]其中，[S t,U c,t]T为电池的状态量，U c,t为极化电容两端的电压，Q0为电池容量，η为充放电效率，I t为控制变量，U t为观测量，[w1,t，w2,t]T为系统噪声，v t为观测噪声；
[0016]S4、扩展卡尔曼滤波器初始化和时间更新：状态估计更新、误差协方差更新；在滤波过程中基于建立的观测方程预测电池的剩余电量SOC；
[0017]S5、建立BP神经网络，用LM算法训练BP神经网络，选择电池端电压、充放电电流和环境温度作为BP神经网络的输入，输出为电池的剩余电量SOC；
[0018]S6、基于BP神经网络优化扩展卡尔曼滤波的估算结果，即将BP神经网络的权值、阈值作为扩展卡尔曼滤波器的状态，网络输出作为观测，把对象模型问题转化为状态参数的估计问题；
[0019]S7、将基于BP神经网络优化扩展卡尔曼滤波的估算结果与步骤4得到的结果进行
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议