[发明专利]一种蓄电池用基于DFFRLS和神经网络-ASRUKF的算法

说明书

本发明提供一种蓄电池用基于DFFRLS和神经网络‑ASRUKF的算法，涉及蓄电池技术领域。该蓄电池用基于DFFRLS和神经网络‑ASRUKF的算法，包括：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。该蓄电池用基于DFFRLS和神经网络‑ASRUKF的算法，采用BP神经网络代替多项式拟合OCV‑SOC曲线可以进一步提高曲线拟合精度，从而提高参数在线辨识的精度，在参数在线辨识中，DFFRLS算法采用动态变化的遗忘因子，能够进一步降低“数据饱和”现象，相较于FFRLS及RLS算法具有更好的快速性和精确性息，在SOC估计中，噪声协方差矩阵实时更新的同时保证状态协方差矩阵的半正定性，降低了噪声协方差初值设定对估计精度的影响。

技术领域

本发明涉及蓄电池技术领域，特别的为一种蓄电池用基于DFFRLS和神经网络-ASRUKF的算法。

背景技术

近年来，伴随着我国提出的电力物联网以及能源互联网战略，可再生能源技术得到了极大的发展，新能源汽车作为可再生能源技术的重大商业应用，已经逐步成为主流出行方式。而蓄电池作为新能源汽车的动力来源，由于其工作状况极其复杂且不具有普遍性，需要建立合适的电池管理系统(bat-tery management system，BMS)实时获取蓄电池的工作状态，其内部状态主要包括荷电状态(state of charge，SOC)和健康状态(state ofhealth，SO-H)。其中，SOC作为电池管理系统最核心的技术之一，精确的SOC估计可以使蓄电池得到。

目前对SOC估计的方法有很多种，主要分为以下几类：安时积分法、开路电压法、神经网络法和基于等效模型法。安时积分法作为一种开环的估计方法，其SOC的估计误差会随着时间进行累积，最终将无法满足SOC估计精度的要求，且其SOC估计结果受SOC初值的影响较大。开路电压法在估计SOC之前需要将蓄电池开路静置很长一段时间来保证SOC估计的准确性，因此不适用于在线估计。神经网络法采用大数据训练来估计SOC，但其每次训练结果都不同且估算精度受训练方法的影响较大。基于等效模型的SOC估计方法主要为拓展卡尔曼滤波法(extend Kalman filter，EKF)及其延伸无迹卡尔曼滤波法(unscented Kalmanfilter，UKF)。EKF在对系统进行线性化的过程中忽略了泰勒展开后的二次及以上高次项，使得系统存在线性化误差。UKF通过无迹变换来获取过程噪声协方差的统计量，但UKF需要人为指定噪声协方差初值，使得SOC估计存在噪声误差，同时UKF无法保证状态协方差矩阵的半正定性，影响程序运行充分的利用，对电池管理系统具有重大的意义。

综上所述，研发一种蓄电池用基于DFFRLS和神经网络-ASRUKF的算法，仍是蓄电池技术领域中急需解决的关键问题。

发明内容

本发明提供的发明目的在于提供一种蓄电池用基于DFFRLS和神经网络-ASRUKF的算法，解决上述背景技术中的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种蓄电池用基于DFFRLS和神经网络-ASRUKF的算法，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。

进一步的，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：

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：