[发明专利]基于分数阶神经网络和双容积卡尔曼的电池SOH在线估计方法

权利要求书

1.一种基于分数阶神经网络和双容积卡尔曼的电池SOH在线估计方法，其特征在于包括如下基本步骤：

步骤1，通过传感器测量电池动态系统的能见状态；

步骤2，将同型号电池的历史数据作为初始训练数据集，使用分数阶理论改进的神经网络算法来训练模型，得到能够表征蓄电池非线性特性的等效模型；所述步骤2的具体过程如下：

步骤2.1，分数阶神经网络的拓扑结构为三层网络结构，包括1个输入层、1个隐含层和1个输出层，上一层每个节点通过唯一路径与下一层各个节点相连，输入层节点数为3，输出层节点数为1，隐含层节点数根据经验设置为10，所以其网络结构设置为3-10-1；

步骤2.2，分数阶神经网络初始化：

设置分数阶神经网络的初始权值、阈值和学习速率；

步骤2.3，给定输入变量和目标值：

输入变量为输入层的三个节点，分别是电池SOC估计值、放电电流值和最大剩余容量估计值，目标值为输出层的一个节点，是电池端电压值；

步骤2.4，求隐含层、输出层各单元上的输出：

根据输入变量、输入层和隐含层之间的连接权值以及隐含层阈值计算隐含层输出，再根据隐含层输出、隐含层和输出层之间的连接权值以及输出层阈值计算输出层输出值；

步骤2.5，求目标值与实际输出值的偏差E：

根据平方型误差公式计算目标值与实际输出值的偏差E；

步骤2.6，判定目标值与实际输出值的偏差是否满足条件，如果所有目标值与实际输出值的偏差满足条件，则训练结束，如果不满足条件，则对分数阶神经网络的各个连接权值和阈值作一次调整；

步骤3，将步骤1实时采集的数据加入初始训练数据集；

步骤4，分析电池隐含状态和能见状态之间存在的映射关系，建立一个离散状态空间模型来表征其映射函数；所述步骤4中的离散状态空间模型为：

状态方程：

量测方程：U_k＝H_NN(X_s,k,I_k,X_p,k)+v_k (2)

其中：F()为电池SOC估计值的状态更新方程，X_s,k为神经元k处的电池SOC估计值；X_s,k-1为神经元k-1处的电池SOC估计值；X_p,k为分数阶神经网络神经元k的连接权值、阈值和电池容量值组成的n×1的矩阵；X_p,k-1为分数阶神经网络神经元k-1的连接权值、阈值和电池容量值组成的n×1的矩阵；I_k为k时刻的电池放电电流值；I_k-1为k-1时刻的电池放电电流值；w_k为过程噪声；r_k为连接权值、阈值和电池容量更新过程噪声；U_k为电池端电压；v_k为测量噪声；H_NN为分数阶神经网络模型的一个数学表达式，其具体表达式为：

其中：X_s为电池的SOC估计值；I为电池的放电电流值；X_p为分数阶神经网络各个连接权值、阈值和电池容量值组成的n×1矩阵；θ_t表示隐含层节点t的阈值；θ_k表示输出层节点k的阈值；f(·)是隐含层节点函数；g(·)是输出层节点函数；W_rt是指输入层中的节点r与隐含层的节点t间的权值；W_tk是指隐含层节点t与输出层节点k间的权值；

步骤5，利用双容积卡尔曼算法对离散状态空间模型进行在线更新，同时对隐含状态进行在线估计；

步骤6，根据隐含状态所反映的电池健康状况，电池管理系统通过执行器对电池进行管理。

2.根据权利要求1所述的基于分数阶神经网络和双容积卡尔曼的电池SOH在线估计方法，其特征在于：所述步骤5的具体过程如下：

将采集到的电池能见状态加入训练数据集，通过两个容积卡尔曼滤波器分别对电池的X_s和X_p进行估计，再将估计值发送给分数阶神经网络模型，分数阶神经网络模型输出电池端电压值并和真实端电压值作比较，最后将比较得到的反馈误差发送给两个容积卡尔曼滤波器，对估计值进行修正，并继续进行递推估计。

3.根据权利要求2所述的基于分数阶神经网络和双容积卡尔曼的电池SOH在线估计方法，其特征在于：所述通过两个容积卡尔曼滤波器分别对电池的X_s和X_p进行递推估计的具体过程如下：

步骤5.1，参数变量时间更新

对分数阶神经网络的模型参数和电池容量进行状态估计，得到其预测值；

步骤5.2，状态变量时间更新

对电池SOC进行状态估计，得到其预测值；

步骤5.3，参数变量量测更新

将分数阶神经网络模型输出的电池端电压值和真实端电压值作比较，并根据得到的误差对分数阶神经网络的模型参数和电池容量估计值进行修正；

步骤5.4，状态变量量测更新

将分数阶神经网络模型输出的电池端电压值和真实端电压值作比较，并根据得到的误差对电池SOC估计值进行修正。