[发明专利]一种蓄电池用基于DFFRLS和神经网络-ASRUKF的算法

权利要求书

1.一种蓄电池用基于DFFRLS和神经网络-ASRUKF的算法，其特征在于，包括以下步骤：

S1、DFFRLS在线参数辨识；

S2、采用ASRUKF算法进行SOC估计；

S3、通过DFFRLS和BP-ASRUKF进行SOC联合估计。

2.根据权利要求1所述的一种蓄电池用基于DFFRLS和神经网络-ASRUKF的算法，其特征在于：在S1操作步骤中，具体步骤如下：

S101、算法初始化：设初始协方差矩阵P和参数向量θ(k)为：

S102、参数更新：

θ(k+1)＝θ(k)+L(k+1)[y(k+1)-φ^T(k+1)θ(k)]，其中，θ(k)为参数估计值，L为滤波增益矩阵；

S103、构建动态遗忘因子函数：

式中：ε(k+1)为理论模型与实际模型输出方差，λ(k+1)为动态遗忘因子函数，α、γ均为正可调参数；

S104、增益矩阵更新：

L(k+1)＝P(k)φ(k+1)[λ(k+1)+φ^T(k+1)P(k)φ(k+1)]^-1；

S105、协方差矩阵更新：

S106、重复步骤S102-S105，当程序满足终止条件时停止运行，得到参数辨识结果。

3.根据权利要求1所述的一种蓄电池用基于DFFRLS和神经网络-ASRUKF的算法，其特征在于：在S2操作步骤中，具体步骤如下：

S201、预测步-获取Sigma点矩阵：

式中，χ满足χ＝N(X,P)分布的n维向量，λ＝α²(n+k)-n，α、K均为可调参数，和分别是系统在K和K-1时刻的状态变量估计值，S_K为QR分解返回矩阵；

S202、预测步-获取状态量和误差方差矩阵：

式中：A_K-1为系统的状态转移矩阵，B_K-1为系统的输入矩阵，U_K-1是系统的输入变量，Q_K为系统的过程噪声协方差，为求解采样点协方差的权值，为求解采样点均值的权值；

S203、更新步-Sigma点重采样并预测：

式中：C_K、D_K分别是关于状态和输入的观测矩阵，为系统在K时刻的观测变量估计，e_K为观测值的残差；

S204、更新步-计算滤波增益和校正检验：

式中：R_K为观测噪声协方差，b是遗忘因子，d_K＝(1-b)(1-b^K+1)。

4.根据权利要求1所述的一种蓄电池用基于DFFRLS和神经网络-ASRUKF的算法，其特征在于：在S3操作步骤中，具体步骤如下：

S301、根据DFFRLS算法在线辨识参数

S302、根据辨识的参数完成ASRUKF算法的更新；

S303、根据ASRUKF算法进行SOC估计。

5.根据权利要求4所述的一种蓄电池用基于DFFRLS和神经网络-ASRUKF的算法，其特征在于：在S3操作步骤中，在S302操作步骤后，还包括：

S304、将SOC估计值通过BP神经网络拟合的OCV-SOC曲线映射关系获取OCV的值，引入到DFFRLS算法中完成U_OC(K)的更新。