[发明专利]基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法

权利要求书

1.一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，包括：实时获取待检测的锂电池的电流和电压；将获取的电流和电压输入到神经网络联合估计模型中，得到待检测的锂电池SoC估计结果；所述神经网络联合估计模型包括神经网络和锂电池电化学模型；

采用神经网络联合估计模型对输入电流和电压进行处理的过程包括：

S1：对输入的电流数据和电压数据进行预处理，得到预处理后的电流数据和电压数据；

S2：根据神经网络和锂电池电化学模型构建神经网络联合估计模型，得到神经网络联合估计模型的离散方程；

S3：采用改进的无迹卡尔曼滤波算法对预处理后的电流数据和电压数据以及神经网络联合估计模型的离散方程进行处理，得到卡尔曼增益；

S4：根据卡尔曼增益对当前时刻神经网络联合估计模型的锂电池参数进行估计，得到当前时刻的锂电池SoC估计；

S5：神经网络联合估计模型根据当前时刻的锂电池参数估计下一时刻的锂电池参数，根据下一时刻的锂电池参数得到下一时刻的锂电池SoC估计。

2.根据权利要求1所述的一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，对输入的电流数据进行预处理包括：

判断输入的电流数据是否缺失，若电流数据未缺失，则不对其处理；若电流数据缺失，采用类TCP协议下通过有损网络进行识别的方法对电流数据进行处理，得到无数据缺失的电流数据。

3.根据权利要求2所述的一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，采用类TCP协议下通过有损网络进行识别的方法对电流数据进行处理包括：采用单位时间的延迟识别，然后将本时刻输入视为零，公式为：

其中，表示当前时刻的输入电流，λ_k表征输入数据是否缺失，I_k表示重构的输入电流数据。

4.根据权利要求1所述的一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，对输入的电压数据进行预处理包括：判断预处理后的电压数据是否缺失，若电压数据未缺失，则输出电压数据；若电压数据缺失，则采用重构缺失数据的方法对缺失电压数据进行处理，输出无数据缺失的电压数据。

5.根据权利要求4所述的一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，采用重构缺失数据的方法对电压数据缺失进行处理包括：设计输出估计器，重构缺少的电压数据，并利用重构的电压数据更新状态变量，具体公式为：

其中，z_k表示电压测量值的重构数据，y_k表示电压的真实测量值，γ_k表示随机变量用于表征电压数据缺失，表示计算的电压均值，表示计算的状态变量均值，表示更新的状态变量，K表示卡尔曼增益。