[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

说明书

本发明属于锂电池SoC估计领域，具体涉及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；该方法包括：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，本发明利用锂电池电化学模型结合神经网络非线性参数化方法，提高了模型的泛化能力；使用Sage‑Husa估计器与无迹卡尔曼滤波算法结合，提高算法估计精度；通过实时更新模型参数，解决了因环境变化和自身老化造成的锂电池模型准确性降低的问题；与深度学习的估计方法相比，需要的数据量更小，抗噪声的能力更强。

技术领域

本发明属于锂电池SoC估计领域，具体涉及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。

背景技术

锂电池因为其相对较高的能量密度，广泛用于移动端供电。锂电池无处不在，小到电子手表、移动电话、照相机、摄影机；大到电动自行车、电动汽车、军事装备、航空航天。尤其在电动车方面，如今，为了可持续发展，电动汽车被推上了历史的舞台，成为了全球的关注焦点。能否对电动汽车电池的剩余电量的荷电状态(SoC)进行准确的估算，无论是对于节能减排、电池的高效运行还是行车安全都非常重要。

现有对锂电池SoC的估计方法总体上可以分为基于模型的方法和数据驱动的方法，它们都存在很多不足：对于基于模型的方法，一是传统锂电池电化学模型的泛化能力较低；二是传统锂电池电化学模型的UT变换过程中，采用Cholesky分解，当误差协方差矩阵非正定时，算法易发生崩溃；三是传统的锂电池电化学模型难以考虑电池老化和外部环境带来的参数变化；因此，传统锂电池电化学模型精确度有待提高，而对于数据驱动(深度学习)的方法，其计算时间长，需要庞大的数据来训练模型，消耗大量的人力物力；此外用电设备由于传感器精度不足和工作环境复杂导致的数据采集缺失问题也会对传统估计方法产生重大影响。

发明内容

11.有鉴于此，本发明提出了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，该方法包括：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；；

S2：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。

优选的，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。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。

进一步的，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。