[发明专利]一种LSTM网络辅助卡尔曼滤波SOC估算方法

说明书

本发明公开了一种LSTM网络辅助卡尔曼滤波SOC估算方法，该方法通过工况训练后的LSTM网络，调整自适应无迹卡尔曼滤波估算中的SOC的Sigma点，提高自适应无迹卡尔曼滤波SOC算法的精确性和稳定性；本发明提高了不同温度和不同工况下，自适应无迹卡尔曼滤波SOC算法估算精度和稳定性。

技术领域

本发明涉及电池管理系统技术领域，尤其涉及一种LSTM网络辅助卡尔曼滤波SOC估算方法。

背景技术

动力电池荷电状态SOC是电池管理系统中重要的评估电池运行状态的参数，电池荷电状态SOC表征电池剩余电量，对车辆的续航里程具有参考价值。而且电池荷电状态SOC是电池其他参数如，电池健康状态(SOH)、电池能量状态(SOE)、电池功率状态(SOP)预测重要依据。

目前国内动力电池的SOC预测方法主要分为安时积分法、等效电路模型法、黑箱模型法。等效电路模型法中自适应无迹卡尔曼滤波算法，在车载动力电池管理系统中得到较为广泛应用。但在负载变化较大的工况下，自适应无迹卡尔曼滤波算法中，SOC估算结果发生不收敛现象。滤波算法递归过程中，协方差变为非正定矩阵等情况。而黑箱模型中，深度学习网络LSTM对动力电池SOC估算结果虽平均绝对误差MAE较大，但其结果SOC估算值波动方差较大。

1)、“一种基于循环神经网络的锂离子电池SOC预测方法”，专利号CN108519556A。该公开了一种基于循环神经网络的锂离子电池SOC预测方法，提供了一种用于估算下一时刻动力电池荷电状态值，预测精度高，训练时长短。所述训练集采用样本为电池恒电流工况放电充电数据。但对随机工况下电池荷电状态估算值误差值波动较大、稳定性较差等问题未提出有效解决方案。而本专利采用循环神经网络辅助自适应无迹卡尔曼滤波的方法，在电池随机充放电功率变化下，提升动力电池荷电状态估算准确性和稳定性。

2)、“一种电动汽车锂离子电池的荷电状态计算方法”，专利号CN109143105A。该发明首先通过滑动窗口算法改进通过数次试验得到的电池外部参数数据以及此时对应的SOC值共同组成的数据集，然后通过改进的循环神经网络即长短时记忆网络方法建立动力电池SOC估算模型，通过试验反复验证得到网络层函数以及梯度调整方法，最后通过设置不同的学习率验证模型的预测结果。本发明可以准确的预测下一时刻SOC值，并且预测精度高，训练时长较短。但该发明未对电池充放电数据作出要求，对随机工况下电池荷电状态估算值容易发生误差值波动较大、稳定性较差等问题。

发明内容

为解决上述技术问题，本发明的目的是提供一种LSTM网络辅助卡尔曼滤波SOC估算方法，提高了自适应卡尔曼滤波算法估算准确性与稳定性。本发明采用LSTM网络辅助自适应卡尔曼滤波算法对其中Sigma点进行调整，有利于减小过度依赖黑箱模型而老化过程无法顾及的影响，同时解决了初始值设置偏差较大下滤波算法发散的问题。

本发明的目的通过以下的技术方案来实现：

一种LSTM网络辅助卡尔曼滤波SOC估算方法，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％；