[0005] 本发明的目的就是克服已有技术的不足,为了满足较高精度的估计电池SOC值,提出了一种基于NARX‑UKF算法的电池剩余电量估计方法。
[0006] 本发明利用具有外部输入的非线性自回归网络(NARXNN,Nonlinear Autoregressive with Exogenous Inputs Neural Networks)来估计锂电池的SOC值,并且加入了无迹卡尔曼滤波器(UKF,Unscented Kalman Filter)来减小NARXNN模型的估计误差。具体步骤是:
[0007] 步骤(1).对特定的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。
[0008] 库伦电效率η按如下方法确定:
[0009] (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;
[0010] (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 +bCi+c,a、b、c为最优系数;
[0011] (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只需确定一次,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。
[0012] 步骤(2).处理测量数据:
[0013] 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:
[0014] xmin和xmax分别为待标准化数据中的最小 值和最大 值。
[0015] 步骤(3).搭建NARXNN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;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:
[0016]
[0017] 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。
[0018] 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。网络的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。
[0019] 步骤(5).输入测试集,测试网络性能。
[0020] 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:
[0021] 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。
[0022] UKF的输出即为SOC估计值。UKF修正估计值的方法如下:
[0023] (6‑1).系统初始化:初始化维度为K的状态 和协方差矩阵p0:
[0024]
[0025] 其中,x0为初始时刻的状态量。
[0026] (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
[0027]
[0028]
[0029] 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参‑4
数,取值范围为:1e ≤α≤1,κ的取值需保证矩阵半正定性,通常取值为3‑K,β为状态分布参数。
[0030] (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
[0031] 计算状态预测协方差
[0032] (6‑4).测量更新:
[0033] 通过测量方程预测下一时刻的Sigma点
[0034] 过UT的权重系数加权求得测量预测均值
[0035] 计算测量预测协方差Py,k:
[0036] 预测和状态预测的交叉协方差矩阵Pxy,k:
[0037] 卡尔曼增益矩阵Kk:Kk=Pxy,k(Py,k)‑1;
[0038] 状态 及状态协方差矩阵Pk更新:
[0039] 本发明的训练集和测试集均采用工况下的放电数据,贴合电动汽车实际行驶时的电流电压变化,可以方便地进行电池SOC的快速估计,不需要对电池建模,只需要易于测量的量,该方法收敛速度快,模型训练时间只需要十几秒,估计精度高、结果误差小、计算量小、波动小,所需参数数目少,便于移植到硬件平台中,而且适用于各种电池SOC的快速估计。附图说明:
[0040] 图1为本发明系统的流程图。