一种基于NARX-UKF算法的电池剩余电量估计方法   0    0

本发明公开了一种基于NARX‑UKF算法的电池剩余电量估计方法。现有的各种方法存在各种问题。本发明方法首先测量电池在不同条件下的电压和电流，然后对测量数据进行预处理，再搭建NARX‑UKF网络，把处理后的电压电流训练数据输入NARX网络中来训练网络，达到训练目标后，输入测试数据，NARX网络的输入结果即为SOC的估计值同时也是UKF模型的输入量，该估计值经过UKF模型后，得到的状态更新值即为当前时刻所估计得到的电池剩余电量。本发明的不需要建立电池模型，只需要常见的可测量量便可以快速精确的进行电池剩余电量估计。有着模型训练速度快，所需参数少，估计精度高的优点。

1.一种基于NARX‑UKF算法的电池剩余电量估计方法，其特征在于该方法的具体步骤是：
步骤(1).对单节锂电池进行充放电实验，测量电池工作电流和工作电压，测量间隔为Δt为1s，并记录温度；使用安时积分法计算电池的SOC值，作为目标值：
其中SOC(n)是电池在第n个测量点时的SOC值，η为库
伦效率，I为电流值的大小，充电时为负值，放电时为正值，QN是电池的额定容量；
所述的库伦效率η即为充放电效率，按如下方法确定：
(1‑1).将以1/30倍额定电流放电时的额定容量为Qn的完全充满电的电池以不同放电速率Ci恒流放电N次，0＜Ci≤C，1≤i≤N，N≥10，放空电池电量所需要的时间和放电电流值的乘积即为相应放电速率下的电池总电量Qi；
(1‑2).根据最小二乘方法拟合出Qi与Ci间的二次曲线关系，即在最小均方误差准则下求出同时满足 a、b、c为最优系数；
(1‑3).在放电电流为ik时，对应的库伦效率ηi为： 对于同一类型的电池最优系数a、b、c只确定一次，确定后作为已知常数直接用于所有同类型电池的剩余电量估计；
步骤(2).处理测量数据：
对电压电流进行标准化处理，处理后的数据x的范围在[‑1,1]之间，处理方法如下：
xmin和xmax分别为待标准化数据中的最小值和最大值；
步骤(3).搭建一个具有H个隐藏层节点、输入延时步数为L、输出延时步数为R的NARX网络的数学模型，表示为： 其中，
fo(·)和fh(·)分别是输出层和隐藏层的非线性函数，bo和bh分别是输出层和隐藏层的阈值，who、wlh和wrh分别是第h个隐藏层节点到输出层节点、第l个输入层节点到第h个隐藏层节点和第r个输出反馈层节点到第h个隐藏层节点的权值；
步骤(4).将步骤(2)得到的数据输入步骤(3)得到的网络中，对网络进行训练，训练的性能函数为： ym、tm分别是第m个测量点时的网络SOC预测值和SOC测
量值；
步骤(5).输入测试集，测试网络性能；
步骤(6).为NARX网络增加UKF模型，建立如下状态方程和测量方程：
Ek＝SOCk+vk；其中，ik是k时刻的电流值，SOCk第k时刻的
SOC状态估计值，wk和vk是过程噪声和测量噪声，Ek是NARX网络在k时刻的估计值；UKF的输出即为SOC估计值；UKF修正估计值的方法如下：
(6‑1).系统初始化：初始化维度为K的状态 和协方差矩阵p0：
其中，x0为初始时刻的状态量；
(6‑2).计算k‑1时刻的2K+1个Sigma点集 对状态进行无迹变换并计算均值的权值和协方差的权值
其中， 和Pk‑1分别是K维状态变量的均值和方差， 表示矩阵
2
的第i列，λ＝α(K+κ)‑K为比例缩放参数，α为控制采样点分布密集程度的参数，β为状态分布参数；
(6‑3).计算状态预测值，通过状态方程预测下一时刻的Sigma点： 过UT后的权重系数加权求得状态预测均值
计算状态预测协方差
(6‑4).测量更新：
通过测量方程预测下一时刻的Sigma点
过UT的权重系数加权求得测量预测均值
计算测量预测协方差Py,k：
预测和状态预测的交叉协方差矩阵Pxy,k：
‑1
卡尔曼增益矩阵Kk：Kk＝Pxy,k(Py,k) ；
状态 及状态协方差矩阵Pk更新：

2.如权利要求1所述的一种基于NARX‑UKF算法的电池剩余电量估计方法，其特征在于，步骤(3)中搭建的NARX网络的数学模型，输入延时步长设置为5～15，输出延时步长设置为2～5，神经元节点数设置为15。

3.如权利要求1所述的一种基于NARX‑UKF算法的电池剩余电量估计方法，其特征在于：
步骤(4)中MSE训练目标在0℃、25℃和45℃下分别设置为8e‑06、1.1e‑05和1.9e‑05。

4.如权利要求1所述的一种基于NARX‑UKF算法的电池剩余电量估计方法，其特征在于：
‑4
步骤(6)中控制采样点分布密集程度的参数α取值范围为：1e ≤α≤1。

5.如权利要求1所述的一种基于NARX‑UKF算法的电池剩余电量估计方法，其特征在于：
步骤(6)中κ的取值需保证矩阵半正定性，通常取值为3‑K。