[发明专利]一种基于状态转移优化RBF神经网络的锂电池SOC估算方法

说明书

一种基于状态转移优化RBF神经网络的锂电池SOC估算方法。本发明公开了一种基于状态转移优化RBF神经网络的锂电池SOC估算方法，它涉及到电动汽车技术领域。其中，该方法包括：(1)采集离线训练样本数据，对所有训练样本进行归一化处理；(2)建立基于RBF神经网络的锂电池SOC估算模型；(3)采用STA优化算法对所建立的RBF神经网络模型进行优化；(4)保存训练好的RBF网络结构以及各参数值，将训练好的RBF网络用于磷酸铁锂电池SOC的估算；本发明可以准确的估算锂电池SOC，具有估算精度高、可靠性强、估算模型简单等特点，可广泛应用于电动汽车动力电池技术领域。

所属技术领域

本发明涉及电动汽车动力电池技术领域，具体地，涉及一种基于状态转移优化RBF神经网络的锂电池SOC估算方法。

背景技术

随着全球环境的恶化以及资源短缺问题的严重，特别是近几年国内PM2.5污染的加剧，国内外传统汽车行业发生了巨大的变化，新能源汽车的发展成为大家日益关注的焦点；在汽车的众多替代能源中，电能以其安全、高效、清洁的特点，让以动力电池为主动力源或者辅助动力源的新能源汽车成为大家研究的主要对象；电池管理系统(BMS)是基于优化管理和保护动力电池的控制系统，同时也是评估电动汽车车载电池的工作状态、性能的管理系统，保障车辆安全行驶、维持电池高效利用及稳定性；电池管理系统的核心部分是电池SOC(State Of Charge，即电池荷电状态)的准确估算；而电池作为复杂的非线性系统，很难找到电池SOC与电压、电流、温度、内阻等参数的数学关系；根据电池的SOC同电池的电流、电压、温度、老化程度等参数呈现非线性的特点，如何利用电池可测参数数据来实现当前电池剩余电量准确估算一直以来是蓄电池管理系统的核心问题和急需解决的技术难题，也是一项重要而富有挑战的任务。

目前常用的SOC估算方法有：开路电压法、阻抗分析法、安时计量法、神经网络法和卡尔曼滤波法等；开路电压法显著的缺点是测量时需要电池长时间静置，通常需要几个到十几个小时，该方法只适用于电动汽车驻车状态测试SOC；阻抗分析法是通过研究电池电阻与SOC的关系来估算电池SOC；但采用该电池阻抗对SOC进行估算难度还很大，且估算的精度也不能得到保证；安时计量法是实际使用较多的SOC估算方法，安时计量法在应用中会出现一些问题；电流测量中的误差，会导致SOC产生计算误差，误差不断积累，越来越大，误差在高温和电流波动的情况下会更大；采用卡尔曼滤波法(KF,Kalman Filter)对电池进行SOC估算时，电池被当作一个动力系统研究，SOC被当成系统的一个内部状态；卡尔曼滤波算法用于SOC估算主要存在以下两个问题：一是对电池模型依赖性较强，要获得准确的SOC，需要建立较为准确的电池模型，而电池模型的准确程度和复杂度是成正比的；二是卡尔曼算法包含大量矩阵运算，计算量较大。

发明内容

本发明的目的是提供一种基于状态转移优化RBF神经网络的锂电池SOC估算方法；本发明解决其具体技术问题所采取的技术方案是：

一种基于状态转移优化RBF神经网络的锂电池SOC估算方法，其步骤如下：

(A)获取离线训练样本数据，样本数据包括充放电倍率间隔为0.2C，温度间隔为5摄氏度下锂电池的单体端电压、充放电电流、极耳温度和循环寿命参数以及对应的SOC数据，将单体端电压、充放电电流、极耳温度和循环寿命参数作为网络的输入层矢量，SOC作为网络的输出层矢量；根据下式，对所有训练样本进行归一化处理：

其中，R为实际样本的真实值，R*为归一化处理后的数据，R_max为对应类型数据样本的最大值，R_min为对应类型数据样本的最小值。

(B)建立基于RBF神经网络的锂电池SOC估算模型：

首先，选择高斯函数为RBF神经网络隐含层节点的基函数，其表示如下：