[发明专利]一种提升锂离子电池荷电状态估计精度的融合方法

说明书

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。

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：