CN108872866A - 一种锂离子电池荷电状态动态评估与长效预测融合方法 - Google Patents

Abstract

本发明公开一种锂离子电池荷电状态动态评估与长效预测融合方法，首先利用扩展卡尔曼滤波法对锂离子电池的电池荷电状态进行评估，得到锂离子电池荷电状态SOC_KEF；然后利用回声状态神经网络对锂离子电池的电池荷电状态进行预测，得到锂离子电池荷电状态SOC_ESN；最后对锂离子电池荷电状态SOC_KEF和锂离子电池荷电状态SOC_ESN进行加权融合，得到最终锂离子电池的电池荷电状态SOC。本发明提高了现有电池SOC检测方法的适应性和评估精度，克服单一方法进行SOC动态评估的局限性，针对性的选取基于模型和数据驱动的融合方法，兼顾SOC检测评估动态实时性和长期长效预测的需求。

Description

一种锂离子电池荷电状态动态评估与长效预测融合方法

技术领域

本发明涉及电池荷电状态评估技术领域，具体涉及一种锂离子电池荷电状态动态评估与长效预测融合方法。

背景技术

动力电池是新能源汽车的关键部件，其健康状况和管理水平关系到整车的使用效率和安全运行。电池荷电状态(SOC)的检测与估计是电池热管理、均衡管理和安全可靠性管理的基础。精确的SOC估计可以平衡单体电池间的差异、优化充放电策略、防止过热及过充和过放。电池状态估计可以使电池得到充分合理的利用，延长电池使用寿命，为整车的能量管理提供数据依据，因此电池状态估计对于电池管理乃至整车能量管理都有着重要的意义。深入研究动力电池SOC估计方法和实现技术对电动汽车产业发展和社会进步产生重要影响。

锂离子电池是典型的动态、时变、非线性的电化学***，在线运行时其内部参数难以直接测量，目前针对锂电池的状态识别和状态估计仍存在巨大挑战，同时针对SOC预测的高级方法多数仍处于理论和方法层面，方法体系研究尚不成熟。目前出现的方法的SOC估计方法虽然各具特点，但总体来讲受到估计算法初始值的选择、随着电池工况和使用时间的变化估计模型参数不变引起的误差等，造成现有算法的检测精度和适应性降低等问题，因此探寻一种较为精确的SOC评估方法和实现手段是实现锂离子电池智能安全应用的前提条件。

发明内容

本发明针对现有电池SOC估计方法依靠模型参数固定，不能随着电池实际工况再现调整，而使得电池荷电状态的检测精度和适应性降低的问题，提供一种锂离子电池荷电状态动态评估与长效预测融合方法。

为解决上述问题，本发明是通过以下技术方案实现的：

一种锂离子电池荷电状态动态评估与长效预测融合方法，具体包括步骤如下：

步骤1、利用扩展卡尔曼滤波法对锂离子电池的电池荷电状态进行评估，得到锂离子电池荷电状态SOC_KEF；

步骤2、利用回声状态神经网络对锂离子电池的电池荷电状态进行预测，得到锂离子电池荷电状态SOC_ESN；

步骤3、对步骤1所得到的锂离子电池荷电状态SOC_KEF和步骤2所得到的锂离子电池荷电状态SOC_ESN进行加权融合，得到最终锂离子电池的电池荷电状态SOC，其中

SOC＝SOC_KEF×w+SOC_ESN×(1-w)

其中，w为权重，且0≤w≤1。

上述步骤2的具体过程如下：

步骤2.1、建立回声状态网络模型，并确定回声状态网络的输入和输出节点；

步骤2.2、采集M组电池电压、电流和温度数据，并对SOC-OCV曲线离散化得到对应M组电池荷电状态数据，将m组电流、电压、电温度和对应的荷电状态均分为K份数据集，每个数据集中含有M/K组数据，其中M和K均为设定值；

步骤2.3、将K份数据集分为K种训练集和测试集，并采用交叉验证法确定回声状态网络的最优参数，即储备池规模N、谱半径SR、输入缩放IS和输入位移IF；同时采用试验法确定稀疏度SD；由此获得参数确定的回声状态网络；

步骤2.4、对步骤2.3所得到的回声状态网络进行初始化，随机设定回声状态网络的输入权值矩阵和储备池内部权值矩阵，并保持不变；

步骤2.5、从K份数据集中选出训练集和测试集，并采用带遗忘因子的递归最小二乘法对回声状态网络进行网络学习，实时更新输出权值矩阵；

步骤2.6、判断网络学习是否达到终止条件，如果没达到，返回步骤2.5，继续加载训练集和测试集进行学习，直到满足条件终止，并获得训练好的回声状态网络；

步骤2.7、将实际采集得到的电池电压、电流和温度输入到步骤2.6所得到的回声状态网络中进行预测，输出锂离子电池荷电状态SOC_ESN。

步骤2.4中，输入权值矩阵和储备池内部权值矩阵中的元素取值在[-1,1]之间随机产生。

步骤2.6中，网络学习的终止条件是达到设定误差Error或步数。

上述步骤1的具体过程如下：

步骤1.1、建立简化的GNL等效电路模型；

步骤1.2、采用带遗忘因子递推最小二乘法对步骤1.1所建立的简化的GNL等效电路模型参数进行在线辨识，将实际采集得到的电池电流作为输入量，以电池端电压与开路电压差值作为观测量，启动在线辨识算法，确定简化的GNL等效电路模型中各等效元件的数值即参数值；

步骤1.3、针对步骤1.2所得到简化的GNL等效电路模型参数值，更新扩展卡尔曼滤波算法状态空间方程式中对应参数值，再将电池电流和温度作为输入量，以电池端电压作为观测量，启动扩展卡尔曼滤波算法，实现电池荷电状态预测，得到锂离子电池荷电状态SOC_KEF。

与现有技术相比，本发明具有如下特点：

1.提高现有电池SOC检测方法的适应性和评估精度，克服单一方法进行SOC动态评估的局限性，针对性的选取基于模型和数据驱动的融合方法，兼顾SOC检测评估动态实时性和长期长效预测的需求。

2.建立能够较好地描述电池的储能能力和电池电化学、浓差极化效应的等效电路模型，针对电路模型参数开展在线动态参数辨识，以电路模型为基础开展基于扩展卡尔曼类算法的锂离子电池复杂动态非线性***状态评估，建立电力模型参数与目标检测量SOC的精确关系，实现SOC在线动态检测与评估。

3.基于ESN神经网络预测算法建立锂离子电池SOC评估预测的长期长效算法，锂离子电池端电压、充放电电流、温度、充放电倍率、充放电次数和电池的工作状态作为ESN神经网络的输入变量，以SOC作为神经网络的预测输出。以锂离子电池出厂充放电曲线为最初样本训练网络，以在线采集状态数据进一步优化网络，最终实现基于数据的ESN神经网络预测SOC智能算法。

4.采用检测结果加权融合机制，兼顾SOC实时在线动态评估与长期长效状态预测的有机结合。即实现基于电路模型的卡尔曼滤波算法与基于数据的神经网络预测算法的融合方法。锂离子电池工作初期基于模型的SOC评估结果占最终结果的比重较大，也就是权值取较大值；随着使用进程的推移，ESN算法逐渐优化完善，此时可以调整权值比重使ESN神经网络作为评估结果的主要依据。

5.基于融合方法实现锂离子电池SOC动态评估与长效预测的有机结合，发挥各自方法的优势，增加方法的适应性、最终提高评估预测精度，为实际应用的锂离子电池荷电状态评估与预测提供检测理论支持，提高评估的准确性和检修建议的可靠性。

附图说明

图1为锂离子电池荷电状态动态评估与长效预测融合方法的流程图。

图2为GNL等效电路模型。

图3为简化的GNL等效电路模型。

图4为回声状态网络模型。

图5为回声状态网络预测流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本发明进一步详细说明。

参见图1，一种锂离子电池荷电状态动态评估与长效预测融合方法，需要经历以下过程：

(1)实时采集锂离子电池端电压、充放电电流、温度和充放电次数等电池的工作状态数据，作为SOC评估与预测算法的输入。

(2)根据锂离子电池的充放电曲线，拟合锂电池开路电压与SOC的关系，以此作为开路电压法检测SOC的依据，工作时根据采集到的开路电压值查表得到对应的SOC值，本发明中不以此SOC作为评估的最终结果，而是以此值作为安时积分法的初始值，从而提高安时积分法的计算精度。

(3)基于锂离子电池的工作过程特征建立锂离子电池的等效电路模型，能够准确反映电池的状态变化。采用带遗忘因子的最小二乘法对电路模型参数进行在线辨识，以辨识结果动态调整电路模型参数。

(4)以锂离子电池GNL等效电路模型和动态参数辨识结果为基础，建立锂离子电池SOC的动态评估算法，以此作为锂离子电池SOC在线动态评估结果的主要依据之一。

(5)以锂离子电池的历史充放电数据与SOC的关系训练回声状态预测神经网络(ESN)，实际工作时以训练完成的回升状态神经网络处理实时采集的电池参数进行运算得出在线SOC值，以此作为锂离子电池SOC长期长效预测解雇的主要依据，随着充放电过程的积累该方法SOC预测精度将逐渐提高到一较理想的稳定值。

(6)结合(4)和(5)所得的荷电状态SOC的预测值，采用适当的加权比重计算出最终的SOC评估结果。锂离子电池使用寿命初期(4)算法评估结果所占权重较大，以次作为主要依据；随着使用过程的推进，步骤提供的算法由于数据量的增加和经验的积累预测精度会有较大的提高，此时可以适当提高(5)评估结果的权重，通过方法融合达到SOC既能动态在线评估又能长期长效预测的效果。

下面针对本发明的关键步骤进行详细说明：

1、扩展卡尔曼滤波方法的锂离子电池SOC评估

1.1、建立等效电路模型

等效电路模型基于电池工作原理，电路中使用电阻、电容、恒压源等元件来体现电池的动态特性。等效电路模型适用于各种工况；可以根据电路原理推导相关数学公式，便于仿真分析；在模型中容易考虑温度的影响。

目前常见的电池等效电路模型主要有：Rint模型、Thevenin模型、PNGV模型和GNL模型。其中，PNGV模型和GNL模型是在Rint模型和Thevenin模型的基础上考虑了电池的直流特性、极化特性、自放电特性等特点后改进得到的，由于电池在工况中其内部参数均受这些特性影响而发生变化，因此在实际应用中这两种等效电路模型具有较高的精度，同时也相对复杂。

通用非线性(General nonlinear model，GNL)模型是一种复杂的高阶等效电路模型，该模型使用了两个RC环节模拟电池内部的极化效应，精度较高。如图2所示，电路中R₁和R₂分别是电池的电化学极化电阻和浓差极化电阻，C₁和C₂分别是电池的电化学极化电容和浓差极化电容，R_i是欧姆内阻，C_b是电池的板间电容，自放电内阻R_s可以体现电池自放电过程中的电量损耗。GNL等效电路模型的缺点是参数过多，辨识过程复杂。

该模型的数学表达式如式(1-1)所示。

卡尔曼滤波方法的精度取决于被描述***的动态模型精度，要求能用数学公式精确表达***观测量和状态量之间的关系。PNGV模型是在Thevenin模型的基础上增加了电容器C_b，可以模拟出电流在时间上的积累引起SOC变化；GNL模型则是在PNGV模型基础上考虑了自放电影响因素，并增加了一个RC环节模拟电池内部浓差极化的影响，因此该模型最能体现电池的工况特性。但是，GNL等效电路模型的参数较多，且结构复杂，基于GNL等效电路模型的辨识算法和SOC估计算法的运算量会相对较大，这会对处理器造成很大的运算负担，不利于工程实现。工程应用中需要对GNL等效电路模型做一定的简化。

本发明在GNL模型的基础上，忽略自放电因素和板间电容，可以得到如图3所示的简化的GNL等效电路模型。图中V_b为电池开路电压；R_i为电池欧姆内阻；R₁、R₂为电池极化内阻；C₁、C₂为电池极化电容。R₁、C₁和R₂、C₂环节分别描述电池的电池电化学和浓差极化效应。因此，简化的GNL等效电路模型中具有六个参数需要辨识。

1.2、锂电池电路模型参数在线辨识

由于电池等效电路模型中的等效元件均有各自的物理意义，且与电池的状态存在密切的关系。因此，电池状态的判定需要对等效电路模型中的参数进行辨识，即确定各等效元件的数值。目前常用的电池模型参数辨识方法有两种：离线参数辨识和在线参数辨识。

离线参数辨识方法是通过脉冲试验拟合电压迟滞曲线方法可大致确定电池模型中的参数。然而，电动汽车行驶过程中，电池等效电路模型中的参数会随着电流放电倍率、环境温度和电池SOC等影响因素而发生改变，此时，离线参数辨识确定的模型参数不能真正地反映电池的实际工作状态。只有在线实时进行参数辨识，才能得到最符合实际状态的电池模型参数，提高基于模型的SOC估计方法的精度。

本发明采用带遗忘因子递推最小二乘法(FFRLS)进行电路模型参数的在线辨识，具体公式为(1-2)-(1-4)所示。

式中，遗忘因子λ须选择接近于1的正数，通常在0.95≤λ≤1范围内。当λ＝1时，FFRLS算法则退化为普通的递推最小二乘法。

对于图3所示的简化的GNL等效电路模型，由电路关系可得频域下的状态方程如式(1-5)所示。

令τ₁＝R₁C₁，τ₂＝R₂C₂，方程两端同时乘以(τ₁s+1)·(τ₂s+1)得到：

设a＝τ₁·τ₂，b＝τ₁+τ₂，c＝R₁+R₂+R_i，d＝R₁τ₂+R₂τ₁+R_i(τ₁+τ₂)则式(1-6)可以简化为：

aV_bs²+bV_bs+V_b＝aR_iIs²+dIs+cI+aVs²+bVs+V (1-7)

令s＝[x(k)-x(k-1)]/T，s²＝[x(k)-2x(k-1)+2x(k-2)]/T²，式中T为采样周期，将s、s²带入左右两边，对式(1-7)进行差分运算，整理可得：

其中：

即：

θ＝[k₁ k₂ k₃ k₄ k₅] (1-14)

利用FFRLS算法进行参数辨识时，可直接利用其递推公式(1-2)-(1-4)对系数矩阵θ进行运算，再由辨识结果做进一步运算得出电路模型参数R₁、R₂、C₁、C₂、R_i。其过程如下：

令k₀＝T²+bT+a，则式(1-9)-(1-13)可以推出：

a＝-k₀k₂ (1-15)

由a＝τ₁·τ₂，b＝τ₁+τ₂，则τ²-bτ+a＝0，解得：

由c＝R₁+R₂+R_i，d＝R₁τ₂+R₂τ₁+R_i(τ₁+τ₂)得：

R₂＝c-R₁-R_i (1-21)

由式(1-19)-(1-23)可以得出简化的GNL等效电路模型中参数R₁、R₂、C₁、C₂、R_i估计值。

利用FFRLS在线辨识模型参数时，已知参数为当前时刻的V(k)和I(k)，前一时刻的V(k-1)、I(k-1)和SOC(k-1)，前两时刻的V(k-2)、I(k-2)和SOC(k-2)。

1.3、扩展卡尔曼滤波算法锂离子电池SOC动态评估方法

扩展卡尔曼滤波算法(Extended Kalman filter，EKF)是针对非线性***提出的状态估计方法，最早由Stanley Schmidt提出，用于解决航天器的非线性导航问题。使用该算法时，首先将***的非线性函数作一阶Taylor展开，再利用得到线性化的***方程完成滤波跟踪处理。非线性***的状态空间方程和观测方程如式(1-24)所示。

式中，f(x_k，u_k)为非线性***的状态方程，g(x_k，u_k)为非线性***的测量方程，在滤波计算过程中，v和w互不相关且为服从正态分布的高斯白噪声。

利用EKF对电池SOC估计时，通常将电池的电流、温度等物理量作为***的输入向量U，工作电压作为***的输出Y，而电池的SOC包含在***的状态量X中。

对于图3所示的等效电路模型，根据基尔霍夫定律可得：

V_b(t)＝V+R_iI(t)+V₁(t)+V₂(t) (1-27)

由公式(1-25)、(1-26)和安时计量法公式可得状态方程为：

将其离散化可得：

将式(1-29)整理为矩阵形式可得：

式中Δt为采样时间，η为充放电效率，w(k)是过程噪声，v(k)是测量噪声，都为方差已知且均值为零的高斯白噪声。

系数矩阵为：

由此可以得到基于扩展卡尔曼算法的锂离子电池荷电状态评估值SOC_KEF。

2、回声状态神经网络对锂离子电池SOC预测

2.1、回声状态网络模型的建立

如图4所示，建立以输入单元为K，储备池规模为N，输出单元为L的回声状态网络模型，其中输入信号为U(n)，输出信号为Y(n)，储备池内部神经元输出信号为X(n),输入权值矩阵Win(N*K)，储备池内部权值矩阵Win(N*N)，反馈权值矩阵Wback(N*L)。储备池内部更新状态如式(2-1)、(2-2)所示：

X(n+1)＝f(Win×X(n)+Wres×U(n+1)+Wback×Y(n)) (2-1)

Y(n+1)＝f_out(X(n+1),U(n+1)，Y(n)) (2-2)

其中，f(*)为储备池内部神经元处理函数，一般为S型函数，f_out为网络输出线性处理函数，网络初始化时，当输入信号输入回声状态网络模型中，储备池内部神经元输出信号X(n)初始化为X(0)＝0,反馈权值矩阵为全零矩阵。输入权值矩阵、储备池内部权值矩阵和反馈权值矩阵随机产生，矩阵元素取值为-1到1之间，网络训练只用计算输出权值矩阵。

回声状态网络模型具有多个不确定参数，包括储备池规模N、谱半径SR、输入缩放IS、输入位移IF和稀疏度SD，且参数之间相互独立，互不影响。本发明采用一种基于K折交叉验证的方法优选以上未知参数。由电池厂家提供的OCV-SOC曲线得到电压、电流(相应曲线是在一定放电倍率下得到的，代表充放电电流)温度与SOC的关系曲线，用采集装置采集电池工作时的实时电流I、电压V、温度T，用开路电压法得到SOC-OCV曲线，将曲线离散化得到电压V、电流I、温度T与SOC的对应关系，将采集的数据I、V、T以及离散化得到的SOC分成K等分，首先以第K份为测试集，剩下的数据为训练集，然后以第K-1份数据为测试集，剩下为训练集，以此类推，直到第1份为测试集，其余为训练集，合计完成K次训练和测试；交叉验证过程中，首先固定输入缩放IS和输入位移IF，任取IS和IF的值，储备池规模N和谱半径SR以一定的步长进行变化，得到训练误差和测试误差，当得到训练误差和测试误差之和为最小时，所对应的N和SR理论上为最优参数。同理可得最优参数IS和IF，稀疏度SD可以通过穷举法来进行选取，至此回声状态网络模型完成建立。为寻得回声状态网络更加准确的寻优参数，理论上，当K值越大，所获得寻优参数越准确，但K值过大也会造成计算灾难，因此选择K值时，应具体结合实际情况进行取值。

2.2、回声状态网络的训练和预测

为使得回声状态网络呈现出最优的预测精度和泛化能力，分别以采集到数据的50％、60％、70％、80％、90％为训练集，其余为测试集。为选取最优训练集和测试集，分别收集网络训练和测试后的训练和测试误差，当训练误差和测试误差皆满足所设定的误差范围，且两者误差之和为最小时，与之对应的则为最优训练集和测试集。将最优训练集和测试集采用带遗忘因子的递归最小二乘法进行网络的学习，为使得网络输出和教师监督信号y(n)之间保证误差最小，则有式(2-3)，求得输出权值矩阵Wout使得E(k)最小:

引入遗忘因子λ，则有J(n)满足：

通过求偏导计算出满足式(2-3)的输入权值矩阵：

为避免网络训练陷入局部最优，当满足式子(2-5)时，设定约束误差Error，如果训练误差小于约束误差时，输出权值矩阵，因此误差函数J(n)取得极值时，达到了所设定的误差约束可以近似认为所得对应的Wout是满足网络最优条件的输出权值矩阵，由带遗忘因子的递归最小二乘法可得ESN输出权值矩阵的更新方程如(2-6),其中Q^k为权值增益矩阵。

W_out ^k+1＝W_out ^k+Q^kE(k) (2-6)

参见图5、回声状态网络模型预测SOC实施步骤如下：

步骤1：数据采集，确定输入和输出节点，建立回声状态网络模型；

步骤2：将初始电池数据分为K种训练集和测试集，交叉验证确定最优参数N、SR、IS、IF，试验法确定SD；

步骤3：网络初始化，随机设定输入权值矩阵，储备池内部权值矩阵，矩阵元素取值在[-1,1]之间随机产生，并保持不变；

步骤4：优选训练集和测试集，采用带遗忘因子的递归最小二乘法进行网络学习，实时更新输出权值矩阵；

步骤5：判断网络学习是否达到终止条件(达到设定误差Error或步数)，如果没达到，返回步骤4，继续加载训练集和测试集进行学习，直到满足条件终止；

步骤6：网络训练完成后，根据实际采集得到的电池电压V、电流I、温度T作为网络输入进行预测，输出预测SOC_ESN值。

3、锂离子电池荷电状态融合预测

将以上基于扩展卡尔曼滤波算法和回声状态神经网络两种算法评估预测所得到的锂离子电池荷电状态SOC的评估预测数值SOC_KEF和SOC_ESN采用加权算法进行最终结果的预测输出，即SOC＝SOC_KEF×w+SOC_ESN×(1-w)，其中w取值范围为0-1。

当w＝0时，最终SOC的再现预测结果为SOC＝SOC_ESN，即完全采用ESN神经网络算法的评估结果；当w＝1时，SOC＝SOC_KEF，即完全采用扩展卡尔曼算法的评估结果。

当进行锂离子电池SOC在线预测评估时，w可设定在0-1间设定为较接近1的数值，即在电池使用初期可以是扩展卡尔曼滤波算法在评估结果中算占的比重较大，随着使用时间的延长ESN网络评估精度逐渐提高，可以逐渐减小w增加ESN算法的比重。

综上所述，本发明所提出的一种锂离子电池荷电状态动态评估与长效预测融合方法，包括步骤如下：

步骤1、利用扩展卡尔曼滤波法对锂离子电池的电池荷电状态进行评估，得到锂离子电池荷电状态SOC_KEF。其具体步骤为：

步骤1.1、建立简化的GNL等效电路模型；

步骤1.2、采用带遗忘因子递推最小二乘法对步骤1.1所建立的简化的GNL等效电路模型参数进行在线辨识，将实际采集得到的电池电流作为输入量，以电池端电压与开路电压差值作为观测量，启动在线辨识算法，确定简化的GNL等效电路模型中各等效元件的数值即参数值；

步骤1.3、针对步骤1.2所得到简化的GNL等效电路模型参数值，更新扩展卡尔曼滤波算法状态空间方程式(1-30)中对应参数值，再将电池电流和温度作为输入量，以电池端电压作为观测量，启动扩展卡尔曼滤波算法，实现电池荷电状态预测，得到锂离子电池荷电状态SOC_KEF。

步骤2、利用回声状态神经网络对锂离子电池的电池荷电状态进行预测，得到锂离子电池荷电状态SOC_ESN。其具体步骤为：

步骤2.1、建立回声状态网络模型，并确定回声状态网络的输入和输出节点；

步骤2.2、采集M组电池电压、电流和温度数据，并对SOC-OCV曲线离散化得到对应M组电池荷电状态数据，将m组电流、电压、电温度和对应的荷电状态均分为K份数据集，每个数据集中含有M/K组数据，其中M和K均为设定值；

步骤2.3、将K份数据集分为K种训练集和测试集，并采用交叉验证法确定回声状态网络的最优参数，即储备池规模N、谱半径SR、输入缩放IS和输入位移IF；同时采用试验法确定稀疏度SD；由此获得参数确定的回声状态网络；

步骤2.4、对步骤2.3所得到的回声状态网络进行初始化，随机设定回声状态网络的输入权值矩阵和储备池内部权值矩阵，矩阵中的元素取值在[-1,1]之间随机产生，并保持不变；

步骤2.5、从K份数据集中选出训练集和测试集，并采用带遗忘因子的递归最小二乘法对回声状态网络进行网络学习，实时更新输出权值矩阵；

步骤2.6、判断网络学习是否达到终止条件(网络学习的终止条件是达到设定误差Error或步数)，如果没达到，返回步骤2.5，继续加载训练集和测试集进行学习，直到满足条件终止，并获得训练好的回声状态网络；

步骤2.7、将实际采集得到的电池电压、电流和温度输入到步骤2.6所得到的回声状态网络中进行预测，输出锂离子电池荷电状态SOC_ESN。

步骤3、对步骤1所得到的锂离子电池荷电状态SOC_KEF和步骤2所得到的锂离子电池荷电状态SOC_ESN进行加权融合，得到最终锂离子电池的电池荷电状态SOC，其中

SOC＝SOC_KEF×w+SOC_ESN×(1-w)

其中，w为权重，且0≤w≤1。

需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。

Claims (5)

1.一种锂离子电池荷电状态动态评估与长效预测融合方法，其特征是，具体包括步骤如下：

步骤1、利用扩展卡尔曼滤波法对锂离子电池的电池荷电状态进行评估，得到锂离子电池荷电状态SOC_KEF；

步骤2、利用回声状态神经网络对锂离子电池的电池荷电状态进行预测，得到锂离子电池荷电状态SOC_ESN；

步骤3、对步骤1所得到的锂离子电池荷电状态SOC_KEF和步骤2所得到的锂离子电池荷电状态SOC_ESN进行加权融合，得到最终锂离子电池的电池荷电状态SOC，其中

SOC＝SOC_KEF×w+SOC_ESN×(1-w)

其中，w为权重，且0≤w≤1。

2.根据权利要求1所述的一种锂离子电池荷电状态动态评估与长效预测融合方法，其特征是，步骤2的具体过程如下：

步骤2.1、建立回声状态网络模型，并确定回声状态网络的输入和输出节点；

步骤2.2、采集M组电池电压、电流和温度数据，并对SOC-OCV曲线离散化得到对应M组电池荷电状态数据，将m组电流、电压、电温度和对应的荷电状态均分为K份数据集，每个数据集中含有M/K组数据，其中M和K均为设定值；

步骤2.3、将K份数据集分为K种训练集和测试集，并采用交叉验证法确定回声状态网络的最优参数，即储备池规模N、谱半径SR、输入缩放IS和输入位移IF；同时采用试验法确定稀疏度SD；由此获得参数确定的回声状态网络；

步骤2.4、对步骤2.3所得到的回声状态网络进行初始化，随机设定回声状态网络的输入权值矩阵和储备池内部权值矩阵，并保持不变；

步骤2.5、从K份数据集中选出训练集和测试集，并采用带遗忘因子的递归最小二乘法对回声状态网络进行网络学习，实时更新输出权值矩阵；

步骤2.6、判断网络学习是否达到终止条件，如果没达到，返回步骤2.5，继续加载训练集和测试集进行学习，直到满足条件终止，并获得训练好的回声状态网络；

步骤2.7、将实际采集得到的电池电压、电流和温度输入到步骤2.6所得到的回声状态网络中进行预测，输出锂离子电池荷电状态SOC_ESN。

3.根据权利要求2所述的一种锂离子电池荷电状态动态评估与长效预测融合方法，其特征是，步骤2.4中，输入权值矩阵和储备池内部权值矩阵中的元素取值在[-1,1]之间随机产生。

4.根据权利要求2所述的一种锂离子电池荷电状态动态评估与长效预测融合方法，其特征是，步骤2.6中，网络学习的终止条件是达到设定误差Error或步数。

5.根据权利要求1所述的一种锂离子电池荷电状态动态评估与长效预测融合方法，步骤1的具体过程如下：

步骤1.1、建立简化的GNL等效电路模型；

步骤1.2、采用带遗忘因子递推最小二乘法对步骤1.1所建立的简化的GNL等效电路模型参数进行在线辨识，将实际采集得到的电池电流作为输入量，以电池端电压与开路电压差值作为观测量，启动在线辨识算法，确定简化的GNL等效电路模型中各等效元件的数值即参数值；

步骤1.3、针对步骤1.2所得到简化的GNL等效电路模型参数值，更新扩展卡尔曼滤波算法状态空间方程式中对应参数值，再将电池电流和温度作为输入量，以电池端电压作为观测量，启动扩展卡尔曼滤波算法，实现电池荷电状态预测，得到锂离子电池荷电状态SOC_KEF。