[发明专利]一种新能源汽车动力电池SOH在线估算的方法

说明书

技术领域

本发明涉及一种新能源汽车动力电池SOH(电池循环寿命)在线估算的方法。

背景技术

动力电池是新能源汽车的核心，是新能源汽车技术和成本上的最大瓶颈，也是新能源汽车产业链中最核心的一环。随着全球石油资源等能源的大量消耗，大气污染、气候和环境恶化进一步加剧，在能源对外依存度超过50％和发展低碳经济的大背景下，发展新能源汽车已是大势所趋。

与传统汽车相比，电动汽车具有无可比拟的优势，但是目前仍然面临着许多技术和成本方面的问题，主要在于电动汽车的一次充电行驶里程、电池寿命、充电设备(公共设施)等。而动力电池系统寿命预测问题是当前电池系统最为关键的问题之一，影响电池寿命的因素很多，电池寿命受其充放电工作模式、电流大小、运行环境的温度、压力、电池制作工艺、本身的结构及化学特性等众多因素的影响。所以，简单而又快速地预测出电池的寿命显得十分重要。

现在对于电池寿命的预测综合考虑主要有基于电池机理、电池特征和数据驱动。在实际应用中，应该尽量利用电池机理模型，但其缺点是电池机理模型需要精细的参数，复杂程度较高，建立完善的老化机理模型很困难；基于特征预测的关键是找到随电池老化表现出的敏感特征参数、特征在线测试方法及特征和电池健康状态之间的关系描述；基于数据驱动的原则应是在机理模型描述不能实现的情况下再辅助数据驱动的思想，从数据中挖掘规律，纯粹基于数据驱动得到的拟合公式或神经网络模型在实际应用中有一定的局限性，应当是在机理或特征模型的基础上再结合使用数据驱动的思想。

发明内容

本发明所要解决的技术问题，就是提供一种预测模型较为简单、无需精细参数、且既能降低对训练样本个数的需求，又能提高预测精度的电动汽车动力电池SOH在线估算的方法。

解决上述技术问题，本发明采用的技术方案是：

一种电动汽车动力电池SOH在线估算的方法，其特征是：包括以下步骤：

S1电池SOH预测模型的建立及优化

采用具有输出-输入反馈机制的改进Elman网络算法：OIF Elman网络：

同一般神经网络一样，OIF Elman分为3层：输入层、隐层和输出层，其中输入层神经元数学模型为

x_u(k)＝u(k-1)  (1)；

x_u(k)表示k时刻输入层节点状态，u(k)表示k时刻系统输入量；

隐层神经元的数学模型为：

x(k)＝f(W¹¹x_c(k)+W¹²x_u(k)+W¹⁴y_c(k))  (2)

x_c(k)＝αx_c(k-1)+x(k-1)  (3)

y_c(k)＝γy_c(k-1)+y(k-1)  (4)；

其中，x(k)表示k时刻隐层节点的状态；x_c(k)表示k时刻联系单元1节点的状态；y_c(k)表示k时刻联系单元2节点的状态；W¹¹表示隐含节点与联系单元的连接权矩阵；W¹²表示隐层节点与输入节点之间的连接权矩阵；W¹⁴表示隐层节点与联系单元2之间的连接权矩阵；

输出层神经元的数学模型为：

y(k)＝W¹³x(k)  (5)；

其中，y(k)表示k时刻输出层节点的状态；W¹³表示隐层节点与输出节点之间的连接权矩阵；

所述的OIF Elman网络的隐层节点的输入为：输入层节点状态、联系单元1状态、联系单元2状态，设第k步系统的实际输出为y_d(k)，定义误差函数为: