[发明专利]一种基于深度强化学习的卡尔曼滤波锂离子电池SOC估计方法

权利要求书

1.一种基于深度强化学习卡尔曼滤波锂离子电池SOC的估计方法，包括以下步骤：

步骤1、通过分析锂离子电池二阶RC等效电路模型，以及采用安时积分法，建立锂电池的状态空间模型，对电池模型进行参数辨识，利用传统的卡尔曼滤波算法构建锂离子电池的离散系统数学模型。

步骤2、根据上述步骤1的数学模型，结合人工智能思想，进一步设计一种深度强化学习卡尔曼滤波锂离子电池SOC估计方法。

步骤3、仿真及实验分析，通过贝叶斯规则确保了最佳协方差。得到仿真结果后，可以表明该发明能够较好的提高SOC的精度。

2.根据权利要求1所述锂离子电池二阶RC数学模型为：

其中，r_o为锂离子电池内阻，r₁、r₂、C₁、C₂为锂离子电池的极化内阻和极化电容，i_t为锂离子电池电流，u_o为锂离子电池内阻端电压，u_OCV为锂离子电池开路电压，u₁、u₂分别为锂离子电池的极化内阻r₁、r₂的电压，u_t为锂离子电池开路端电压。

而且，采用安时积分法有锂离子电池的SOC：

其中，λ为库伦效率系数，Q_c为电池标定容量，t₀和t为起始时间和终止时间，It为电池在t时刻的电流，和S_t为起始和终止时电池的SOC。

3.根据权利要求1所述锂离子电池的状态空间模型：

其中，τ₁＝r₁C₁、τ₂＝r₂C₂，u_k(u_k＝i_t，k)为控制变量，y_k(y_k＝u_t，k)为观测变量，w_k(w_k＝[w_1，k w_2，k w_3，k]^T)为系统噪声干扰，协方差为Q，v_k为观测噪声干扰，协方差为R。

4.根据权利要求1所述的锂离子电池的离散系统数学模型：

其中，噪声干扰w_k、v_k分别设置为w_k∈(0，Q)，v_k∈(0，R)。

5.根据权利要求1所述的深度强化学习卡尔曼滤波锂离子电池SOC估计方法，是将卡尔曼滤波算法与深度强化学习相结合，对锂离子电池SOC进行估计，有动作状态值函数：

其中，s_t∈χ，u_t∈η，r(s_t，u_t)，t∈[1，T]，π(u_t|s_t)∈ρ^π(s_t)，γ∈(0，1)为折扣因子。当r(s_t，u_t)+γmax Q[s_t+1，u_t+1]-Q[s_t，u_t]→0时，成立。可通过min L(θ^Q)＝min{r(s_t，u_t)+γmax Q[s_t+1，u_t+1]-Q[s_t，u_t]}优化获得参数更替。

定义最佳Q函数为：

利用贝叶斯规则，方程可以改写为：

其中，f为过渡函数，即s_k+1＝f(s_k，u_k，a_k)。由此可知，设置s_k，u_k为决策量，则可获得最佳协方差。