[发明专利]基于神经网络优化EKF的锂离子动力电池SOC估计方法

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定模型参数，基于锂离子电池模型得出状态方程和观测方程，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。

主权项

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)，Ut＝F(St)‑R1It‑Uc,t+vt                      (2)其中，[St,Uc,t]T为电池的状态量，Uc,t为极化电容两端的电压，Q0为电池容量，η为充放电效率，It为控制变量，Ut为观测量，[w1,t，w2,t]T为系统噪声，vt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。