[发明专利]一种LSTM网络辅助卡尔曼滤波SOC估算方法

权利要求书

1.一种LSTM网络辅助卡尔曼滤波SOC估算方法，其特征在于，所述方法包括以下步骤：

步骤A对动力电池模组进行HPPC工况测试以及模拟电池模组在多种电动汽车行驶工况下进行充放电，使用充放电设备对动力电池模组充放电电流、端电压和电池表面平均温度进行采集；

步骤B利用多项式拟合方法，对HPPC工况下开路端电压OCV与对应SOC进行拟合，并采用最小二乘拟合递归方法辨识电池不同SOC下电池内部相关参数；

步骤C利用电池内部相关参数，构建动力电池自适应无迹卡尔曼滤波算法，将多种模拟行驶工况数据按照80％和20％分为训练集和测试集；

步骤D设置LSTM神经网络基本结构参数与训练参数，将模拟电池在多种电动汽车行驶工况数据输入LSTM神经网络中训练，利用测试集调整LSTM神经网络基本结构参数，使LSTM神经网络估算SOC平均绝对误差与测试集估算SOC平均绝对误差不超过2％；

步骤E利用LSTM神经网络与测试集数据，调整自适应无迹卡尔曼滤波算法中估算状态中各分量，使测试集数据估算SOC平均绝对误差小于1％；

所述步骤E中对估算状态中各分量的调整包括对状态分量均值的调整，其中，对分量均值SOC的调整如下：

ω_LSTM＝(1-b)/(1-b^k)

其中，为第k时刻调整后分量均值，为k时刻前一秒卡尔曼滤波估算值，为k时刻前i秒LSTM神经网络预测值，ω_LSTM、分别为LSTM网络预测值和卡尔曼滤波算法修正权重，b为k时刻最终衰减终值；

所述电池不同SOC下电池内部相关参数包括欧姆内阻R0、电化学极化内阻R1、浓度极化内阻R2、极化电容C1和浓度极化电容C2；

所述步骤E中，调整自适应无迹卡尔曼滤波算法中估算状态中各分量包括调整状态分量均值中的U₁，U₂分量，ΔU₁、ΔU₂调整量计算公式如下：

其中，I_max、I_min分别为电池额定工作最大、最小电流值；R¹_max、R¹_min分别为电池内部相关参数中电化学极化内阻R1测量最大值和最小值；R²_max、R²_min分别为电池内部相关参数中浓度极化内阻R2测量最大值和最小值,为第k时刻调整后分量均值，为k时刻前一秒卡尔曼滤波估算值。

2.如权利要求1所述的LSTM网络辅助卡尔曼滤波SOC估算方法，其特征在于，所述步骤E中调整自适应无迹卡尔曼滤波算法中估算状态中各分量还包括状态分量调整后均值中的SOC^*、U^*₁,U^*₂分量调整如下：

U₁^*＝U₁+ΔU₁

U₂^*＝U₂+ΔU₂

其中，为第k时刻调整后分量均值，U₁为调整前估计状态均值，U₂为调整前状态分量均值，U^*₁为电化学极化电压，U^*₂为浓度极化电压。