[发明专利]一种基于深度学习CKF的应急灯电池SOC估计方法

摘要

本发明涉及电池技术领域的一种基于深度学习CKF的应急灯电池SOC估计方法，该方法通过以下步骤实现：首先建立应急灯电池系统的离散状态空间模型；然后采用深度学习CKF对电池的SOC值进行滤波估计。本发明提出的方法通过对有关参量的深度学习训练，能对CKF估计值进行优化补偿，提高电池SOC估计精度。同时，深度学习网络的自适应能力解决了CKF方法在模型不精确情况下引发的估计发散问题，增强了电池SOC估计算法的稳定性。

主权项

1.一种基于深度学习CKF的应急灯电池SOC估计方法，其特征在于先建立应急灯电池系统离散状态空间模型，然后采用深度学习CKF对电池SOC进行估算；其中的应急灯电池系统离散状态空间模型为：x(k+1)＝A·x(k)+B·i(k)+w(k)z(k)＝h[x(k)]+D·i(k)+v(k)其中，上式中，Δt为采样周期，k为离散采样时刻，上标T表示矩阵转置运算；Sc(k)为k时刻电池的荷电状态，U(k)为k时刻电池极化电容的电压，i(k)为k时刻的瞬时电流；R为电池极化内阻，C为极化电容，η0为库仑系数，Q0表示电池的标称容量；Vout(k)为k时刻电池的负载电压，Vo为电池充满电后的空载电压；k0、k1、k2、k3均为待辨识的模型参数；R0为电池欧姆内阻；w(k)为过程噪声向量；v(k)为电池端电压测量噪声；w(k)和v(k)均是均值为零方差分别为Q(k)和R(k)的高斯白噪声，w1(k)和w2(k)均为高斯随机噪声；采用深度学习CKF对电池SOC进行估算包括滤波器初始化、时间更新过程、测量更新过程、深度学习算法优化补偿和算法结束；所述滤波器初始化包括初始化系统状态误差协方差阵P(0|0)＝P(0)；所述时间更新过程包括：估算状态的预测估计值及其误差协方差阵P(k|k‑1)；所述测量更新过程包括：(1)计算测量值的预测估计值(2)计算状态与测量值的互协方差矩阵Pxz(k|k)；(3)计算新息协方差P_zz(k|k‑1)，增益阵K(k)、最优估计及其误差协方差阵P(k|k)；所述深度学习算法优化补偿包括：(1)选取状态预测估计值和增益阵K(k)的各分量作为深度学习训练的输入参数，并选取电池SOC估计误差ΔS_c(k)为输出参数；(2)采用层叠自动编码器的深度学习模型进行学习训练；(3)利用误差补偿值ΔS_c(k)对进行修正补偿，输出结果；所述算法结束为：首先判断滤波算法是否继续执行，如果是，返回时间更新过程；否则，结束算法。