[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

说明书

本发明涉及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，其主要技术特点：本发明通过对锂离子电池二阶RC等效电路拓扑，建立了离散系统数学模型，提出了一种新的深度强化学习卡尔曼滤波锂离子电池SOC估计方法。首先，通过分析锂离子电池二阶RC等效电路模型，建立了电池的状态空间模型，并利用传统的卡尔曼滤波算法构建了锂离子电池的离散系统数学模型。结合人工智能思想，进一步设计了一个深度强化学习卡尔曼滤波锂离子电池SOC估计方法。最后，通过贝叶斯规则确保了最佳协方差。仿真结果表明，该估算方法在利用两种算法优点的基础上，通过贝叶斯规则可以确保系统的最佳协方差，有效降低了估算过程的计算量，进而提升SOC估算的精度，具有较好的实用性。

技术领域

本发明属于锂离子电池储能领域，尤其是基于深度强化学习卡尔曼滤波锂离子电池SOC的一种估计方法。

背景技术

随着新能源交通工具的普及，锂离子电池具有了广泛的应用空间。锂离子电池的状态估计是储能系统的重要组成部分之一。锂离子电池状态估计的准确性与电池的充放电过程以及新能源交通工具的运行状态密切相关。为了提高锂离子电池状态估计的精度，国内外相关学者进行了大量研究。

卡尔曼滤波(Kalman filter)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看做是滤波过程，是一种常见的锂离子电池状态估计算法。锂离子电池运行状态复杂，状态估计受很多因素的干扰。针对串联锂离子电池组不一致性辨识与状态估计，葛云龙等提出一种STFLM算法，该算法将各单体状态、内阻估计误差控制在合理范围内，提升了电池组不一致性辨识与状态估计。程泽等在分析锂离子电池二阶RC等效电路基础上，将Sage-Husa自适应滤波思想与传统平方根无迹卡尔曼滤波(square-rootunscented Kalman filter，SRUKF)相结合，构建了一种自适应平方根无迹卡尔曼滤波算法，该算法提高了对电池欧姆电阻和容量的估计。深度强化学习将深度学习感知能力和强化学习决策能力相结合，可直接根据输入图像进行控制，是一种更接近人类思维方式的人工智能方法。Minho Kim等人利用深度强化学习思维，提出了一种强化学习的锂离子电池的状态估计算法，该方法对于锂离子电池的状态估计更加精确度和灵活性，弊端是更改参数存在困难。Sbarufatti C和Dang X J等人分别将神经网络和卡尔曼滤波算法相结合，提出了两种不同的算法，实验均验证了能够提高锂离子电池状态估计的精度。

发明内容

本发明通过对锂离子电池二阶RC等效电路拓扑，建立了离散系统数学模型，提出了一种新的深度强化学习卡尔曼滤波锂离子电池SOC估计方法。

本发明解决其技术问题是采取以下技术方案实现的：

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、根据上述步骤1的数学模型，在贝叶斯规则下确保了最佳协方差。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。

而且，所述锂离子电池二阶RC数学模型为：