[发明专利]基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法

权利要求书

1.基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，其特征在于，包括如下步骤：

S1：进行锂电子电池充放电实验并采集样本数据，包含训练数据和测试数据；

S2：确定神经网络的输入和输出变量，建立SOC的RBFNN模型；

S3：基于训练数据集对建立的RBFNN进行参数学习，获取准确的RBFNN模型；

S4：利用测试数据对建立的RBFNN进行独立精度检验；

S5：将SOC设置为内部状态，设计RBFNN-UKF，实现在初始SOC不确定的情况下对SOC的实时估计；

S6：将传感器偏差设置为扩张状态，在原有RBFNN-UKF基础上设计扩张RBFNN-UKF，实现SOC与未知传感器偏差的协同估计；具体包括如下步骤：

S61：根据式(8)设计扩张RBFNN-UKF：

将电流传感器偏差设置为扩张状态，扩张进入式(3)，通过在采集的电流测量值上加上一个常数，这个常数即为电流传感器偏差，则系统的状态变量与观测变量重新定义为：

y_k＝v(k)

其中，v(k-1)、v(k)、z(k)和z(k+1)分别为k-1时刻的电压、k时刻的电压、k时刻的SOC、k+1时刻的SOC，b(k)为电流传感器偏差值，由于此偏差值设置为常数，b(k+1)＝b(k)；

根据式(7)设计扩张UKF滤波器，实现SOC与未知传感器偏差的协同估计，其状态空间模型重新表达为：

y_k+1＝F([x₁(k)；x₂(k)；u_k-x₃(k)])+ν(k)

其中，F是由训练好的RBFNN确定的网络输入到输出的非线性函数，C_n为锂电子电池的额定容量，Δt为采样时间，u_k为输入变量，即k时刻的电流，w(k)和ν(k)分别为过程噪声和测量噪声；

S62：将电流传感器偏差设置为扩张状态进行观测，通过对传感器偏差进行反馈补偿实现SOC与未知传感器偏差的协同估计。

2.如权利要求1所述的基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，其特征在于，步骤S1中，采集的样本数据包括锂电子电池的电流、终端电压和SOC数据。

3.如权利要求1所述的基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，其特征在于，步骤S2中，确定神经网络的输入和输出变量，建立SOC的RBFNN模型具体为：根据锂电子电池充放电实验采集的数据，将k-1时刻的电压数据、k时刻的SOC数据、k时刻的电流数据作为神经网络的输入，k时刻的电压数据作为神经网络的输出，从而建立RBF神经网络。

4.如权利要求3所述的基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，其特征在于，RBF神经网络具有三层结构——输入层、隐含层、输出层；其中，隐含层每个神经元的激活函数为径向基函数，即：

其中，为隐含层激活函数，X＝[x₁,x₂,...,x_n]^T为网络的输入，c_i＝[c_i1,c_i2,...,c_in]^T为隐含层第i个神经元的中心向量，σ为隐含层第i个神经元的基宽，||.||为欧式范数，RBF神经网络输入层至隐含层间的权值为1，隐含层至输出层的权值向量及阈值由网络训练过程决定，网络输出表达为：

其中，F为RBFNN输入到输出的非线性函数，w₀为阈值，w_i＝[w₁,w₂,...,w_n]^T为隐含层至输出层的权值向量，M为隐含层神经元数目。