[发明专利]基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法

说明书

本发明公开了一种基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，包括如下步骤：S1：进行锂电子电池充放电实验并采集样本数据，包含训练数据和测试数据；S2：确定神经网络的输入和输出变量，建立SOC的RBFNN模型；S3：基于训练数据集对建立的RBFNN进行参数学习，获取准确的RBFNN模型；S4：利用测试数据对建立的RBFNN进行独立精度检验；S5：将SOC设置为内部状态，设计RBFNN‑UKF，实现在初始SOC不确定的情况下对SOC的实时估计；S6：将传感器偏差设置为扩张状态，在原有RBFNN‑UKF基础上设计扩张RBFNN‑UKF，实现SOC与未知传感器偏差的协同估计。本发明能够实现SOC和传感器偏差的协同估计，具有收敛速度快、精度高、误差小的优点。

技术领域

本发明涉及电动汽车电池领域，尤其是一种基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法。

背景技术

汽车行业的快速发展间接导致了能源的大量消耗、环境的日益恶化。因此，以蓄电池为动力的电动汽车凭借低能耗、零排放、性价比高等优势在新能源汽车行业获得广泛关注。锂电子电池由于能量密度高、自放电低、充电快、寿命长等优点，在便携式电器如手提电脑、摄像机、移动通讯中得到普遍应用，因此也成为新能源电动汽车的优选。

电池管理系统是电动汽车发展的关键技术之一。它可以有效评估电池的荷电状态、健康状态和温度等。其中，电池的荷电状态，是电池剩余电量的一个重要指标。它定义为使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示。其取值范围为0-1，当荷电状态为0时表示电池放电完全，当荷电状态为1时表示电池完全充满。在电池的使用过程中，需将其荷电状态保持在合适的范围内，以提高电池的安全性能、延长电池的充放电循环寿命。同时可以防止电池因过充或过放而导致锂电子电池老化、性能降低。

但是在电池充放电过程中，由于电池内部复杂的电化学反应特性及外部环境因素的影响，锂电子电池是一个高度非线性系统。锂电子电池的SOC无法直接通过仪表直接测量，只能通过电池的终端电压、电流等外部特性参数，选取准确有效的模型进行估算，这为准确估算SOC带来了很大的困难。

目前研究SOC的方法主要有安时积分法、开路电压法、神经网络法、卡尔曼滤波算法等。现有方法不足之处如下：一、安时积分法需要知道SOC初始值，同时作为开环算法，由于不确定的干扰比如温度、电流测量偏差，SOC计算过程中会出现误差累计效应；二、开环电压法只有在电池处于开路、长期静置条件下方可估算SOC，不可在线估计，而且这个静置过程一般需要几个到十几个小时；三、神经网络法需要大量实验数据来对网络进行训练；四、传统的卡尔曼滤波算法只适合应用于线性系统，因此对于高度非线性系统的锂电子电池不适用。

发明内容

本发明所要解决的技术问题在于，提供一种基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，能够实现SOC和传感器偏差的协同估计，具有收敛速度快、精度高、误差小的优点。

为解决上述技术问题，本发明提供一种基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，包括如下步骤：

S1：进行锂电子电池充放电实验并采集样本数据，包含训练数据和测试数据；

S2：确定神经网络的输入和输出变量，建立SOC的RBFNN模型；

S3：基于训练数据集对建立的RBFNN进行参数学习，获取准确的RBFNN模型；

S4：利用测试数据对建立的RBFNN进行独立精度检验；

S5：将SOC设置为内部状态，设计RBFNN-UKF，实现在初始SOC不确定的情况下对SOC的实时估计；

S6：将传感器偏差设置为扩张状态，在原有RBFNN-UKF基础上设计扩张RBFNN-UKF，实现SOC与未知传感器偏差的协同估计。