CN112083331A - 一种提升锂离子电池荷电状态估计精度的融合方法 - Google Patents

Abstract

本发明公开了一种提升锂离子电池荷电状态估计精度的融合方法，涉及电动汽车技术领域。本发明通过采集到的锂离子电池的电压、电流以及温度数据建立BP神经网络荷电状态估计模型，然后采用智能自适应卡尔曼滤波滤除BP神经网络荷电状态估计值的误差，进一步提升荷电状态估计的精度。本发明将BP神经网络和智能自适应卡尔曼滤波融合在一起估计荷电状态，比单一的BP神经网络的方法具有更强的鲁棒性和精确性，能够减少测量误差对荷电状态的影响，从而实现对锂离子电池荷电状态的精确估计。

Description

一种提升锂离子电池荷电状态估计精度的融合方法

技术领域

本发明涉及电动汽车技术领域，具体涉及一种提升锂离子电池荷电状态估计精度的融合方法。

背景技术

电池管理系统在电动汽车的成本、动力性和安全性方面起着至关重要的作用，是影响电动汽车动力电池发展的关键技术。电池荷电状态估计是电池管理系统的核心功能，也是优化系统能量控制管理，电池安全保护，提升动力电池的使用效率，延长电池使用寿命的关键。因此精确的估计锂离子电池的荷电状态具有重要的意义。

目前常用的SOC估计方法有安时积分法、开路电压法、基于等效电路模型的卡尔曼滤波法和神经网络法。安时积分法是目前应用最广泛的方法之一，实现起来比较简单快捷，但是该方法的精度依赖于荷电状态的初始值以及电流采集精度。开路电压法是指通过建立出开路电压与荷电状态的关系曲线，通过测试开路电压来估计电池的荷电状态。该方法精确度高，但是由于电池静置需要花费的时间较长，故不适合应用于在线估计。基于等效电路模型的卡尔曼滤波法及其拓展形式，对初始荷电状态值的精度要求较低，克服了安时积分法中荷电状态估计值受荷电状态初始值影响较大的缺点，且不像开路电压法需要消耗大量时间。该方法适应性好，精度较高，但是其荷电状态估计值在很大程度上依赖于电池模型的精度。神经网络法是一种数据驱动的方法，具有强大的非线性拟合能力，适合于荷电状态估计的非线性模型。其估计精度高，不需要建立电池模型，只需要电池充放电的历史数据，通过训练就能得到较为精确的荷电状态估计模型。但是单纯的神经网络法由于不能抑制噪声以及缺乏鲁棒性，当锂离子电池在温度变化频繁且复杂的动态工况下工作时，估计出的荷电状态误差较大。

综上所述，传统的荷电状态估计方法存在荷电状态初始值难以获取、不能实时估计、等效电路模型建立困难、无法抵抗噪声鲁棒性差等问题，因此导致荷电状态的估计精度不高。

发明内容

有鉴于此，本发明提供一种提升锂离子电池荷电状态估计精度的融合方法，该融合算法将BP神经网络和智能自适应卡尔曼滤波进行融合，能够弥补单一方法的缺陷并保留各自优势。解决了电池物理模型建立困难以及在温度变化、电池老化、采集硬件老化的动态工况下荷电状态估计误差较大的问题，本发明是通过如下技术方案来实现的：

一种提升锂离子电池荷电状态估计精度的融合方法，包括以下步骤：

步骤1：采集数据：采集锂离子电池在不同温度、不同工况、不同老化程度下的放电数据；

步骤2：数据处理：对所述放电数据进行归一化处理、维度变更处理以及划分BP神经网络的训练集和测试集；

步骤3：训练模型：用所述训练集对BP神经网络进行训练，获得基于BP神经网络的荷电状态估计模型；

步骤4：获得基于BP神经网络的荷电状态估计值：将所述测试集输入到步骤3中获得的模型中获得基于BP神经网络的荷电状态估计值；

步骤5：获得融合方法的荷电状态估计值：将步骤4中获得的基于BP神经网络的荷电状态估计值作为智能自适应卡尔曼滤波的观测值输入到智能自适应卡尔曼滤波中，获得融合方法的荷电状态估计值。

步骤1中，所述放电数据包括电压V、电流I和温度T数据，采样间隔为1秒，得到不同时刻的电压V_t′、电流I_t′和温度T_t′。

步骤2中，对所述放电数据进行归一化处理、维度变更处理以及划分训练集和测试集，包括以下步骤：

21根据所述不同时刻的电流I_t′，计算锂离子电池荷电状态值作为BP神经网络的标签数据，计算公式为：

SOC_t＝SOC_t-1+ηI_t′Δt/3600Ca

其中，SOC_t和SOC_t-1分别表示表示t时刻和t-1时刻的荷电状态值，η表示库伦效率，在本专利中η设置为1，I_t′表示t时刻的电流，本专利中定义放电电流为负，Δt表示采样间隔，在本专利中Δt设置为1秒，Ca表示电池的最大放电容量；

22将所述的不同时刻的电压V_t′、电流I_t′和温度T_t′进行归一化处理，使其分布在[0,1]区间，归一化处理公式为：

其中，D表示电压、电流和温度中任意一个，D_t表示t时刻的数据，D_min表示最小的数据值，D_max表示最大的数据值；

23将22归一化处理后的电压V_t、电流I_t和温度T_t进行维度变更处理并连接为符合BP神经网络结构的输入向量X_t＝[V_t,I_t,T_t],对应的数据标签为Y_t＝[SOC_t]；

24将维度变更处理后的数据70％作为BP神经网络的训练集，30％作为BP神经网络测试集。

步骤3中，用所述训练集对BP神经网络进行训练，获得基于BP神经网络的荷电状态估计模型，包括以下步骤：

31初始化所述的BP神经网络的各参数值，包括权重和阈值；

32将所述步骤24得到的训练集输入到所述31得到的BP神经网络中，经过BP神经网络的前向传播计算得到BP神经网络的荷电状态估计值SOC_t′，计算公式如下：

SOC_t′＝σ(V_t,I_t,T_t)

其中，σ表示BP神经网络输入向量与输出向量之间的函数关系；

33训练BP神经网络的损失函数Loss，计算公式如下：

其中，Y表示BP神经网络的标签数据，

表示BP神经网络的荷电状态估计值，N表示训练集的数据长度，t表示数据序号；

34根据33计算出的损失函数Loss值，采用后向传播算法更新BP神经网络的权重和阈值；

35重复步骤32－34，直至BP神经网络收敛，完成训练，获得基于BP神经网络的荷电状态估计模型。

步骤5中，将步骤4中获得的基于BP神经网络的荷电状态估计值作为智能自适应卡尔曼滤波的观测值输入到智能自适应卡尔曼滤波中，获得融合方法的荷电状态估计值，包括以下步骤：

51建立状态空间模型，

状态方程:SOC_k＝SOC_k-1+I_k/3600Ca+ω_k，

测量方程:SOC_k′＝σ(V_k,I_k,T_k)＝SOC_k+ν_k，

其中，SOC_k-1表示测试集中k-1时刻的荷电状态值，I_k表示测试集中k时刻的电流，Ca表示电池的最大放电容量，ω_k表示状态过程的噪声，ν_k表示测量过程的噪声；

52利用51中的状态方程获得测试集中k时刻的先验荷电状态估计值

53利用51中的测量方程获得测试集中k时刻的观测值SOC_k′；

54利用下面的公式估计k时刻的先验误差协方差

其中，A表示状态转移矩阵、Q_k-1表示k-1时刻系统噪声的协方差矩阵；

55利用下面的公式更新k时刻的卡尔曼增益K_k,

其中，C表示观测矩阵、R_k-1表示k-1时刻观测噪声的协方差矩阵；

56利用下面的公式更新k时刻的新息e_k,

57利用下面的公式获得k时刻融合方法的荷电状态估计值,

58利用下面智能自适应噪声协方差匹配算法的公式更新k时刻的R_k、Q_k,为k+1时刻的估计做准备，

Q_k＝K_kH_kK_k ^T，

其中，H为由开窗估计原理得到的新息实时估计协方差函数，M表示开窗的大小；

59利用下面的公式更新k时刻的后验误差协方差P_k,为k+1时刻的估计做准备，

其中，I为单位矩阵。

与现有技术相比，本发明提供了一种提升锂离子电池荷电状态估计精度的融合方法，可利用锂离子电池实时产生的数据，使用训练好的BP神经网络模型，估计出锂离子电池实时的荷电状态值，作为智能自适应卡尔曼滤波的观测值，通过与安时积分法建立智能自适应卡尔曼滤波的状态空间模型去计算准确的荷电状态值，进一步提高荷电状态估计精度。本发明属于数据驱动的方法，克服了建立电池模型的困难，可应用于不同类型的锂离子电池，实用性好。该方法效率快，精度高，平衡了估计方法精度与复杂度的矛盾；解决了单纯的神经网络法不能抑制噪声以及缺乏鲁棒性的问题，从而使得当锂离子电池在温度变化频繁且复杂的动态工况下工作时，其所估计出的荷电状态误差极小。

附图说明

图1是本发明实施的流程示意图；

图2是本发明实施的电池的BP神经网络示意图；

图3是本发明实施的自适应卡尔曼滤波的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明的技术方案，下面将结合附图和实施例，对本发明的技术方案进行清楚地描述。显然，所描述的实施例是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

本实施例公开了一种提升锂离子电池荷电状态估计精度的融合方法，选用力神4AH型号电池的数据集，该数据集可以是在允许电池正常工作的任何温度下采集，在相同温度下对电池施加UDDS的模拟汽车驾驶状态的负载，在一次完整的放电过程中，都是反复施加相同的模拟驾驶放电负载，直至放电结束。

本实施例包括以下步骤：

步骤1：采集数据：采集锂离子电池在6组不同温度(-10℃、0℃、20℃、30℃、40℃和50℃)、UDDS工况下的放电数据，具体为：

所述放电历史数据包括电压V、电流I和温度T数据，采样间隔为1秒，得到不同时刻的电压V_t′、电流I_t′和温度T_t′。

步骤2：数据处理：对所述放电历史数据进行归一化处理、维度变更处理以及划分BP神经网络的训练集和测试集，具体为：

21根据所述不同时刻的电流I_t′，计算锂离子电池荷电状态值作为BP神经网络的标签数据，计算公式为：

SOC_t＝SOC_t-1+ηI_t′Δt/3600Ca

其中，SOC_t和SOC_t-1分别表示表示t时刻和t-1时刻的荷电状态值，η表示库伦效率，在本专利中η设置为1，I_t′表示t时刻的电流，本专利中定义放电电流为负，Δt表示采样间隔，在本专利中Δt设置为1秒，Ca表示电池的最大放电容量；

22将所述的不同时刻的电压V_t′、电流I_t′和温度T_t′进行归一化处理，使其分布在[0,1]区间，归一化处理公式为：

其中，D表示电压、电流和温度中任意一个，D_t表示t时刻的数据，D_min表示最小的数据值，D_max表示最大的数据值；

23将22归一化处理后的电压V_t、电流I_t和温度T_t进行维度变更处理并连接为符合BP神经网络结构的输入向量X_t＝[V_t,I_t,T_t],对应的数据标签为Y_t＝[SOC_t]；

24将维度变更处理后的数据70％作为BP神经网络的训练集，30％作为BP神经网络测试集。

如图2所示，为本发明所使用的BP神经网络的模型示意图。

模型结构包括三层神经网络：输入层、隐含层和输出层。根据以上叙述可知，本发明中的输入向量是电池电压、电流和温度，输出向量为荷电状态，隐含层的节点数由穷举法获得为30，故得到该神经网络的模型结构为3-30-1。

步骤3：训练模型：用所述训练集对BP神经网络进行训练，获得基于BP神经网络的荷电状态估计模型，具体为：

31初始化所述的BP神经网络的各参数值，包括权重和阈值；

32将所述步骤24得到的训练集输入到所述31得到的BP神经网络中，经过BP神经网络的前向传播计算得到BP神经网络的荷电状态估计值SOC_t′，计算公式如下：

SOC_t′＝σ(V_t,I_t,T_t)

其中，σ表示BP神经网络输入向量与输出向量之间的函数关系；

33训练BP神经网络的损失函数Loss，计算公式如下：

其中，Y表示BP神经网络的标签数据，

表示BP神经网络的荷电状态估计值，N表示训练集的数据长度，t表示数据序号；

34根据33计算出的损失函数Loss值，采用后向传播算法更新BP神经网络的权重和阈值；

35重复步骤32－34，直至BP神经网络收敛，完成训练，获得基于BP神经网络的荷电状态估计模型。

步骤4：获得基于BP神经网络的荷电状态估计值：将所述测试集输入到步骤3中获得的模型中获得基于BP神经网络的荷电状态估计值。

步骤5：得融合方法的荷电状态估计值：将步骤4中获得的基于BP神经网络的荷电状态估计值作为智能自适应卡尔曼滤波的观测值输入到智能自适应卡尔曼滤波中，获得融合方法的荷电状态估计值，具体为：

51建立状态空间模型，

状态方程:SOC_k＝SOC_k-1+I_k/3600Ca+ω_k，

测量方程:SOC_k′＝σ(V_k,I_k,T_k)＝SOC_k+ν_k，

其中，SOC_k-1表示测试集中k-1时刻的荷电状态值，I_k表示测试集中k时刻的电流，Ca表示电池的最大放电容量，ω_k表示状态过程的噪声，ν_k表示测量过程的噪声；

52利用51中的状态方程获得测试集中k时刻的先验荷电状态估计值

53利用51中的测量方程获得测试集中k时刻的观测值SOC_k′；

54利用下面的公式估计k时刻的先验误差协方差

其中，A表示状态转移矩阵、Q_k-1表示k-1时刻系统噪声的协方差矩阵；

55利用下面的公式更新k时刻的卡尔曼增益K_k,

K_k＝P_k ^-C^T(CP_k ^-C^T+R_k-1)^-1，

其中，C表示观测矩阵、R_k-1表示k-1时刻观测噪声的协方差矩阵；

56利用下面的公式更新k时刻的新息e_k,

57利用下面的公式获得k时刻融合方法的荷电状态估计值,

58利用下面智能自适应噪声协方差匹配算法的公式更新k时刻的R_k、Q_k,为k+1时刻的估计做准备，

Q_k＝K_kH_kK_k ^T，

其中，H为由开窗估计原理得到的新息实时估计协方差函数，M表示开窗的大小；

59利用下面的公式更新k时刻的后验误差协方差P_k,为k+1时刻的估计做准备，

其中，I为单位矩阵。

如图3所示，为本发明所使用的自适应卡尔曼滤波的示意图。

在本发明中，用均方根误差(RMSE)和平均绝对误差(MAE)来评价所提方法的精确性，其计算公式为：

其中，m表示测试集的数据长度，Y表示荷电状态的标签值，Y_k′表示BP神经网络和智能自适应卡尔曼滤波融合的荷电状态估计值，当均方根误差(RMSE)和平均绝对误差(MAE)在预设范围内时，表示该方法精确性好，可用于在线估计。

6组不同温度下的UDDS工况数据的荷电状态估计效果如下表所示：

表1 6组不同温度下的UDDS工况数据的荷电状态估计效果

可以看出，提出的融合方法达到了非常好的荷电状态估计效果，6组不同温度下的UDDS工况数据的均方根误差(RMSE)和平均绝对误差(MAE)都在1.6％以内，并且除了0℃以外的所有温度下的方根误差(RMSE)和平均绝对误差(MAE)都在1％以内，证明本发明提出的方法对于荷电状态的估计具有非常精确的效果。

实施例2

本实施例公开了一种提升锂离子电池荷电状态估计精度的融合方法，选用力神4AH型号电池不同老化程度的数据集，该数据集可以是在允许电池正常工作的任何温度下采集，在相同温度下对电池施加UDDS的模拟汽车驾驶状态的负载，在一次完整的放电过程中，都是反复施加相同的模拟驾驶放电负载，直至放电结束。

本实施例包括以下步骤：

步骤1：采集数据：采集锂离子电池在25℃且UDDS工况下4种不同老化程度(SOH分别为：96％、93％、88％和85％)的放电数据，具体为：

所述放电历史数据包括电压V、电流I和温度T数据，采样间隔为1秒，得到不同时刻的电压V_t′、电流I_t′和温度T_t′。

步骤2：数据处理：对所述放电历史数据进行归一化处理、维度变更处理以及划分BP神经网络的训练集和测试集，具体为：

21根据所述不同时刻的电流I_t′，计算锂离子电池荷电状态值作为BP神经网络的标签数据，计算公式为：

SOC_t＝SOC_t-1+ηI_t′Δt/3600Ca

其中，SOC_t和SOC_t-1分别表示表示t时刻和t-1时刻的荷电状态值，η表示库伦效率，在本专利中η设置为1，I_t′表示t时刻的电流，本专利中定义放电电流为负，Δt表示采样间隔，在本专利中Δt设置为1秒，Ca表示电池的最大放电容量；

22将所述的不同时刻的电压V_t′、电流I_t′和温度T_t′进行归一化处理，使其分布在[0,1]区间，归一化处理公式为：

其中，D表示电压、电流和温度中任意一个，D_t表示t时刻的数据，D_min表示最小的数据值，D_max表示最大的数据值；

23将22归一化处理后的电压V_t、电流I_t和温度T_t进行维度变更处理并连接为符合BP神经网络结构的输入向量X_t＝[V_t,I_t,T_t],对应的数据标签为Y_t＝[SOC_t]；

24将维度变更处理后的数据70％作为BP神经网络的训练集，30％作为BP神经网络测试集。

如图2所示，为本发明所使用的BP神经网络的模型示意图。

模型结构包括三层神经网络：输入层、隐含层和输出层。根据以上叙述可知，本发明中的输入向量是电池电压、电流和温度，输出向量为荷电状态，隐含层的节点数由穷举法获得为30，故得到该神经网络的模型结构为3-30-1。

步骤3：训练模型：用所述训练集对BP神经网络进行训练，获得基于BP神经网络的荷电状态估计模型，具体为：

31初始化所述的BP神经网络的各参数值，包括权重和阈值；

32将所述步骤24得到的训练集输入到所述31得到的BP神经网络中，经过BP神经网络的前向传播计算得到BP神经网络的荷电状态估计值SOC_t′，计算公式如下：

SOC_t′＝σ(V_t,I_t,T_t)

其中，σ表示BP神经网络输入向量与输出向量之间的函数关系；

33训练BP神经网络的损失函数Loss，计算公式如下：

其中，Y表示BP神经网络的标签数据，

表示BP神经网络的荷电状态估计值，N表示训练集的数据长度，t表示数据序号；

34根据33计算出的损失函数Loss值，采用后向传播算法更新BP神经网络的权重和阈值；

35重复步骤32－34，直至BP神经网络收敛，完成训练，获得基于BP神经网络的荷电状态估计模型。

步骤4：获得基于BP神经网络的荷电状态估计值：将所述测试集输入到步骤3中获得的模型中获得基于BP神经网络的荷电状态估计值。

步骤5：得融合方法的荷电状态估计值：将步骤4中获得的基于BP神经网络的荷电状态估计值作为智能自适应卡尔曼滤波的观测值输入到智能自适应卡尔曼滤波中，获得融合方法的荷电状态估计值，具体为：

51建立状态空间模型，

状态方程:SOC_k＝SOC_k-1+I_k/3600Ca+ω_k，

测量方程:SOC_k′＝σ(V_k,I_k,T_k)＝SOC_k+ν_k，

其中，SOC_k-1表示测试集中k-1时刻的荷电状态值，I_k表示测试集中k时刻的电流，Ca表示电池的最大放电容量，ω_k表示状态过程的噪声，ν_k表示测量过程的噪声；

52利用51中的状态方程获得测试集中k时刻的先验荷电状态估计值

53利用51中的测量方程获得测试集中k时刻的观测值SOC_k′；

54利用下面的公式估计k时刻的先验误差协方差

其中，A表示状态转移矩阵、Q_k-1表示k-1时刻系统噪声的协方差矩阵；

55利用下面的公式更新k时刻的卡尔曼增益K_k,

其中，C表示观测矩阵、R_k-1表示k-1时刻观测噪声的协方差矩阵；

56利用下面的公式更新k时刻的新息e_k,

57利用下面的公式获得k时刻融合方法的荷电状态估计值,

58利用下面智能自适应噪声协方差匹配算法的公式更新k时刻的R_k、Q_k,为k+1时刻的估计做准备，

Q_k＝K_kH_kK_k ^T，

其中，H为由开窗估计原理得到的新息实时估计协方差函数，M表示开窗的大小；

59利用下面的公式更新k时刻的后验误差协方差P_k,为k+1时刻的估计做准备，

其中，I为单位矩阵。

如图3所示，为本发明所使用的自适应卡尔曼滤波的示意图。

在本发明中，用均方根误差(RMSE)和平均绝对误差(MAE)来评价所提方法的精确性，其计算公式为：

其中，m表示测试集的数据长度，Y表示荷电状态的标签值，Y_k′表示BP神经网络和智能自适应卡尔曼滤波融合的荷电状态估计值，当均方根误差(RMSE)和平均绝对误差(MAE)在预设范围内时，表示该方法精确性好，可用于在线估计。

锂离子电池在4种不同老化程度下的SOC估计效果如下表所示：

表2锂离子电池在4种不同老化程度下的SOC估计效果

可以看出，在4种不同老化程度下的锂离子电池数据中，均方根误差(RMSE)和平均绝对误差(MAE)都在1％以内，证明本发明提出的方法不仅能够应对锂离子电池老化对荷电状态估计的影响，而且能够对荷电状态进行精确估计。

实施例3

本实施例公开了一种提升锂离子电池荷电状态估计精度的融合方法，选用力神4AH型号电池的数据集，该数据集可以是在允许电池正常工作的任何温度范围内采集，并对电池施加UDDS、FUDS或DST这三种模拟汽车驾驶放电负载中的任意两种随机组合，直至放电结束。

本实施例包括以下步骤：

步骤1：采集数据：采集动态温度(范围15～50℃)下的FUDS工况混合DST工况和UUDS工况混合DST工况的两组放电数据，具体为：

所述放电历史数据包括电压V、电流I和温度T数据，采样间隔为1秒，得到不同时刻的电压V_t′、电流I_t′和温度T_t′。

步骤2：数据处理：对所述放电历史数据进行归一化处理、维度变更处理以及划分BP神经网络的训练集和测试集，具体为：

21根据所述不同时刻的电流I_t′，计算锂离子电池荷电状态值作为BP神经网络的标签数据，计算公式为：

SOC_t＝SOC_t-1+ηI_t′Δt/3600Ca

其中，SOC_t和SOC_t-1分别表示表示t时刻和t-1时刻的荷电状态值，η表示库伦效率，在本专利中η设置为1，I_t′表示t时刻的电流，本专利中定义放电电流为负，Δt表示采样间隔，在本专利中Δt设置为1秒，Ca表示电池的最大放电容量；

22将所述的不同时刻的电压V_t′、电流I_t′和温度T_t′进行归一化处理，使其分布在[0,1]区间，归一化处理公式为：

其中，D表示电压、电流和温度中任意一个，D_t表示t时刻的数据，D_min表示最小的数据值，D_max表示最大的数据值；

23将22归一化处理后的电压V_t、电流I_t和温度T_t进行维度变更处理并连接为符合BP神经网络结构的输入向量X_t＝[V_t,I_t,T_t],对应的数据标签为Y_t＝[SOC_t]；

24将维度变更处理后的数据70％作为BP神经网络的训练集，30％作为BP神经网络测试集。

如图2所示，为本发明所使用的BP神经网络的模型示意图。

模型结构包括三层神经网络：输入层、隐含层和输出层。根据以上叙述可知，本发明中的输入向量是电池电压、电流和温度，输出向量为荷电状态，隐含层的节点数由穷举法获得为30，故得到该神经网络的模型结构为3-30-1。

步骤3：训练模型：用所述训练集对BP神经网络进行训练，获得基于BP神经网络的荷电状态估计模型，具体为：

31初始化所述的BP神经网络的各参数值，包括权重和阈值；

32将所述步骤24得到的训练集输入到所述31得到的BP神经网络中，经过BP神经网络的前向传播计算得到BP神经网络的荷电状态估计值SOC_t′，计算公式如下：

SOC_t′＝σ(V_t,I_t,T_t)

其中，σ表示BP神经网络输入向量与输出向量之间的函数关系；

33训练BP神经网络的损失函数Loss，计算公式如下：

其中，Y表示BP神经网络的标签数据，

表示BP神经网络的荷电状态估计值，N表示训练集的数据长度，t表示数据序号；

34根据33计算出的损失函数Loss值，采用后向传播算法更新BP神经网络的权重和阈值；

35重复步骤32－34，直至BP神经网络收敛，完成训练，获得基于BP神经网络的荷电状态估计模型。

步骤4：获得基于BP神经网络的荷电状态估计值：将所述测试集输入到步骤3中获得的模型中获得基于BP神经网络的荷电状态估计值。

步骤5：得融合方法的荷电状态估计值：将步骤4中获得的基于BP神经网络的荷电状态估计值作为智能自适应卡尔曼滤波的观测值输入到智能自适应卡尔曼滤波中，获得融合方法的荷电状态估计值，具体为：

51建立状态空间模型，

状态方程:SOC_k＝SOC_k-1+I_k/3600Ca+ω_k，

测量方程:SOC_k′＝σ(V_k,I_k,T_k)＝SOC_k+ν_k，

其中，SOC_k-1表示测试集中k-1时刻的荷电状态值，I_k表示测试集中k时刻的电流，Ca表示电池的最大放电容量，ω_k表示状态过程的噪声，ν_k表示测量过程的噪声；

52利用51中的状态方程获得测试集中k时刻的先验荷电状态估计值

53利用51中的测量方程获得测试集中k时刻的观测值SOC_k′；

54利用下面的公式估计k时刻的先验误差协方差

其中，A表示状态转移矩阵、Q_k-1表示k-1时刻系统噪声的协方差矩阵；

55利用下面的公式更新k时刻的卡尔曼增益K_k,

其中，C表示观测矩阵、R_k-1表示k-1时刻观测噪声的协方差矩阵；

56利用下面的公式更新k时刻的新息e_k,

57利用下面的公式获得k时刻融合方法的荷电状态估计值,

58利用下面智能自适应噪声协方差匹配算法的公式更新k时刻的R_k、Q_k,为k+1时刻的估计做准备，

Q_k＝K_kH_kK_k ^T，

其中，H为由开窗估计原理得到的新息实时估计协方差函数，M表示开窗的大小；

59利用下面的公式更新k时刻的后验误差协方差P_k,为k+1时刻的估计做准备，

其中，I为单位矩阵。

如图3所示，为本发明所使用的自适应卡尔曼滤波的示意图。

在本发明中，用均方根误差(RMSE)和平均绝对误差(MAE)来评价所提方法的精确性，其计算公式为：

其中，m表示测试集的数据长度，Y表示荷电状态的标签值，Y_k′表示BP神经网络和智能自适应卡尔曼滤波融合的荷电状态估计值，当均方根误差(RMSE)和平均绝对误差(MAE)在预设范围内时，表示该方法精确性好，可用于在线估计。

FUDS工况混合DST工况和UUDS工况混合DST工况两组混合工况数据的荷电状态估计效果如下表所示：

表3两组混合工况数据的荷电状态估计效果

可以看出，所提出的方法在温度动态变化以及工况也在动态变化的情况下也能对荷电状态进行精确的估计，均方根误差(RMSE)和平均绝对误差(MAE)都保持在了1.2％以内。

综上所述，本发明一种提升锂离子电池荷电状态估计精度的融合方法，通过以上的具体实例证明了该方法能够在多种复杂的情况下对荷电状态进行精确的估计，符合锂离子电池的实际应用场景，具有良好的应用潜力，为在线荷电状态估计提供了参考。

Claims (5)

1.一种提升锂离子电池荷电状态估计精度的融合方法，其特征在于，包括以下步骤：

(1)采集数据：采集锂离子电池在不同温度、不同工况、不同老化程度下的放电数据；

(2)数据处理：对所述放电数据进行归一化处理、维度变更处理以及划分BP神经网络的训练集和测试集；

(3)训练模型：用所述训练集对BP神经网络进行训练，获得基于BP神经网络的荷电状态估计模型；

(4)获得基于BP神经网络的荷电状态估计值：将所述测试集输入到步骤3中获得的荷电状态估计模型中得到基于BP神经网络的荷电状态估计值；

(5)获得融合方法的荷电状态估计值：将步骤(4)中获得的基于BP神经网络的荷电状态估计值作为智能自适应卡尔曼滤波的观测值输入到智能自适应卡尔曼滤波中，获得融合方法的荷电状态估计值。

2.如权利要求1所述的一种提升锂离子电池荷电状态估计精度的融合方法，其特征在于，步骤(1)中，所述放电数据包括电压V、电流I和温度T数据，采集时的采样间隔为1秒，得到不同时刻的电压V_t′、电流I_t′和温度T_t′。

3.如权利要求2所述的一种提升锂离子电池荷电状态估计精度的融合方法，其特征在于，步骤(2)中所述的数据处理的方法如下：

(21)根据所述不同时刻的电流I_t′，计算锂离子电池荷电状态值作为BP神经网络的标签数据，计算公式为：

SOC_t＝SOC_t-1+ηI_t′Δt/3600Ca

其中，SOC_t和SOC_t-1分别表示表示t时刻和t-1时刻的荷电状态值；η表示库伦效率，其值设置为1；I_t′表示t时刻的电流，定义放电电流为负；Δt表示采样间隔；Ca表示电池的最大放电容量；

(22)将所述的不同时刻的电压V_t′、电流I_t′和温度T_t′进行归一化处理，使其分布在[0,1]区间，归一化处理公式为：

其中，D表示电压、电流和温度中任意一个，D_t表示t时刻的数据，D_min表示最小的数据值，D_max表示最大的数据值；

(23)将步骤(22)中归一化处理后的电压V_t、电流I_t和温度T_t进行维度变更处理并连接为符合BP神经网络结构的输入向量X_t＝[V_t,I_t,T_t],对应的数据标签为Y_t＝[SOC_t]；

(24)将维度变更处理后的数据70％作为BP神经网络的训练集，30％作为BP神经网络测试集。

4.如权利要求3所述的一种提升锂离子电池荷电状态估计精度的融合方法，其特征在于，步骤(3)中所述的训练模型的方法如下：

(31)初始化所述的BP神经网络的各参数值，包括权重和阈值；

(32)将步骤(24)得到的训练集输入到步骤(31)经过初始化的BP神经网络中，经过BP神经网络的前向传播计算得到BP神经网络的荷电状态估计值SOC_t′，计算公式如下：

SOC_t′＝σ(V_t,I_t,T_t)

其中，σ表示BP神经网络输入向量与输出向量之间的函数关系；

(33)训练BP神经网络的损失函数Loss，计算公式如下：

其中，Y表示BP神经网络的标签数据，

表示BP神经网络的荷电状态估计值，N表示训练集的数据长度，t表示数据序号；

(34)根据步骤(33)计算出的损失函数Loss值，采用后向传播算法更新BP神经网络的权重和阈值；

(35)重复步骤(32)—(34)，直至BP神经网络收敛，完成训练，获得基于BP神经网络的荷电状态估计模型。

5.如权利要求1所述的一种提升锂离子电池荷电状态估计精度的融合方法，其特征在于，步骤(5)中获得融合方法的荷电状态估计值的方法如下：

(51)建立状态空间模型，

状态方程:SOC_k＝SOC_k-1+I_k/3600Ca+ω_k，

测量方程:SOC_k′＝σ(V_k,I_k,T_k)＝SOC_k+ν_k，

其中，SOC_k-1表示测试集中k-1时刻的荷电状态值，I_k表示测试集中k时刻的电流，Ca表示电池的最大放电容量，ω_k表示状态过程的噪声，ν_k表示测量过程的噪声；

(52)利用步骤(51)中的状态方程获得测试集中k时刻的先验荷电状态估计值

(53)利用步骤(51)中的测量方程获得测试集中k时刻的观测值SOC_k′；

(54)利用如下的公式估计k时刻的先验误差协方差

其中，A表示状态转移矩阵、Q_k-1表示k-1时刻系统噪声的协方差矩阵；

(55)利用如下的公式更新k时刻的卡尔曼增益K_k,

其中，C表示观测矩阵、R_k-1表示k-1时刻观测噪声的协方差矩阵；

(56)利用如下的公式更新k时刻的新息e_k,

(57)利用如下的公式获得k时刻融合方法的荷电状态估计值,

(58)利用如下智能自适应噪声协方差匹配算法的公式更新k时刻的R_k、Q_k,为k+1时刻的估计做准备，

Q_k＝K_kH_kK_k ^T，

其中，H为由开窗估计原理得到的新息实时估计协方差函数，M表示开窗的大小；

(59)利用如下的公式更新k时刻的后验误差协方差P_k,为k+1时刻的估计做准备，

其中，I为单位矩阵。

Images