[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

说明书

本发明公布了一种基于分数阶神经网络和双容积卡尔曼的电池SOH（健康状态）在线估计方法，属于电池健康管理领域。具体步骤为：（1）通过传感器采集电池的可见状态量；（2）离线训练分数阶神经网络模型；（3）将步骤（1）采集的实时数据加入初始训练数据集，使模型能够更加准确地描述电池特性；（4）建立一个离散状态空间模型来表征电池隐含状态和可见状态之间的映射函数；（5）利用双容积卡尔曼滤波（DCKF）算法对分数阶神经网络模型进行在线更新，同时对隐含状态进行在线估计。本发明能够在线更新蓄电池模型，使模型适应不断变化的动态环境，提高了电池健康管理的效率和准确度。

技术领域

本发明公布了一种基于分数阶神经网络和双容积卡尔曼的电池SOH(健康状态)在线估计方法，属于电池健康管理领域。

背景技术

随着国家经济的不断发展，能源、电力、交通、通信、环保等领域的现代化要求在不断提高。作为后备能源的蓄电池系统正在被大量使用，对所有不允许断电的供电电源系统来说，蓄电池组都是一个不可缺少的后备电源系统，而且，蓄电池系统在各行各业中应用越来越广泛。蓄电池运行状态是否正常，直接影响着应用领域中各种设备的正常、可靠和安全运行。因此，准确地估计蓄电池健康状态，对于避免电池过负荷工作、保障设备安全可靠运行具有重要的意义。

为了准确地估计蓄电池的健康状态，需要对电池进行建模来描述其特性。目前常用的电池模型有三类：电化学模型、等效电路模型和黑箱模型。电化学模型是基于电池内部的热力学和动力学原理来建立相关方程。该类方法的优点是可以详细地描述电池内部的电化学反应，但其模型复杂度高，计算量大。等效电路模型是借助传统的电阻、电容、恒压源等电路元件，组成电路网络来描述电池的特性。该类方法的优点是结构简单，参数少，精度较高。但是该模型的参数没有实际的物理意义，在电池状态评估时意义不明确。黑箱模型是根据输入输出关系建立起来的，反映了有关因素间的一种笼统的直接因果关系，它通过采用大量的测试数据作为训练集，来提高模型的预测精度和适应性。该类模型的优点是模型简单，能够精确反映电池的非线性关系，但其需要大量的测试数据，模型精度容易受训练数据和训练方法影响。

电池模型的研究应该充分考虑蓄电池实际使用环境的特点，在实际应用中，往往只能采集电池端电压、充放电电流和温度等一些可测参量。电化学模型因为需要知道电池内部材料的参数，而其内部材料参数在实际应用中很难进行更新，所以实际应用中往往不采用电化学模型。等效电路模型参数的获取需要先对电池进行脉冲充放电实验，再对电池静置阶段的端电压变化曲线进行参数辨识，实际应用中蓄电池往往不能在实验条件下进行脉冲充放电实验，所以等效电路模型不符合实际应用情况。黑箱模型是通过大量的测试数据作为训练集来训练模型，因此，可以将实际应用中实时采集的端电压、充放电电流和温度等可测参量作为训练集来训练电池模型。神经网络模型是一种典型的黑箱模型，可以采用神经网络算法，通过实际应用中实时采集的数据来训练神经网络模型，再通过在线估计技术对电池的健康状态进行在线估计。但神经网络模型也存在一定的问题，其训练速度慢，还会出现无法收敛的情况，而采用分数阶改进的神经网络不仅可以提高其收敛速度，还能提高模型的预测精度。

发明内容

为了解决上述问题，本发明提出了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，它将智能算法建模和在线滤波估计相结合，来进行电池的状态估计和健康管理。

本发明为解决其技术问题采用如下技术方案：

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，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；

步骤3，将步骤1实时采集的数据加入初始训练数据集；