CN114167295B - 基于多算法融合的锂离子电池soc估算方法与*** - Google Patents

Abstract

本发明提供了基于多算法融合的锂离子电池SOC估算方法与***，克服了现有基于模型的SOC估计方法的实施过程中，难以构建出能够完全描述电池外部特性的理想模型的困难，针对传统BP层网络容易陷入局部最优，且复杂的迭代计算过程会明显降低网络收敛速度的缺陷，提出了基于粒子群算法的优化算法来进行改进。为了尽量消除噪声影响，分别引入自适应扩展卡尔曼滤波与自适应H_∞滤波有机结合的融合算法，从而对于高斯白噪声和有色噪声的情况可提供良好的抑制效果。

Description

基于多算法融合的锂离子电池SOC估算方法与***

技术领域

本发明属于动力电池管理技术领域，具体涉及对锂离子电池的SOC实现联合估计的方法与***。

背景技术

现有技术中，对于锂离子电池SOC的估计采用基于模型的方法是目前较为优选的解决方案，然而由于电池内部的状态变化较为复杂，且具有强烈的非线性特性，因此要找到一个理想模型来完全描述电池外部特性是非常困难的，电池模型的实用性与精度受计算成本等实际因素制约，因此普遍存在无法真实有效地反映电池内部特性的缺点。随着人工智能与大数据技术的不断发展，基于数据驱动的研究方法可以不依赖于建立准确的数学模型，而是通过直接与采集到的基础数据进行联系，以获得被测对象当前时刻的内部特性。深度学习方法可以将具有简单处理能力的多个神经元组织起来，使复杂的非线性的网络有很强的泛化能力。因此，如果能利用上述方法对锂离子电池的非线性特性实现精确模拟，则有希望显著提高SOC实时估计的精确性及效率。

发明内容

针对上述本领域中所存在的技术问题，本发明提供了一种基于多算法融合的锂离子电池SOC估算方法，具体包括以下步骤：

步骤一、针对锂离子电池开展验证实验，以工况循环放电阶段的电压、电流、温度数据作为训练输入集，根据CC-CV(恒流-恒压)充电阶段的充电容量，基于安时积分法计算工况循环放电阶段各时刻的SOC，作为训练输出集；

步骤二、建立由输入层、RBM层、BP层、输出层构成的深度置信网络，以所述训练输入集与训练输出集对深度置信网络进行训练；其中，针对所述RBM层采用受限玻尔兹曼机训练过程；

步骤三、基于所述BP层网络结构中神经元的个数确定粒子长度，利用粒子群优化算法计算深度置信网络的BP层最优权值偏置；

步骤四、以电压、电流及温度作为输入、SOC作为输出，一方面建立基于自适应扩展卡尔曼滤波(AEKF)算法的SOC估计模型，另一方面建立基于自适应H_∞滤波(AHIFF)算法的SOC估计模型，以所述两个SOC估计模型的估计结果根据权值分配方法建立SOC融合估计器；利用所述深度置信网络对两个SOC估计模型的初始值分别进行更新；

步骤五、利用所述SOC融合估计器对锂离子电池SOC进行估计；将估计结果与实际SOC值对比，对各估计模型的定期更新。

进一步地，步骤一中所述的工况循环放电阶段的电压、电流、温度数据根据动态应力测试(DST)工况或美国城市道路循环(UDDS)工况来获取。

进一步地，所述步骤二具体包括以下过程：

确定深度置信网络中输入层、RBM层、BP层以及输出层的各层网络结构与神经元个数；确定激活函数、评价函数，并且对于每一个RBM结构都以均方根误差作为目标函数，采用随机梯度下降法进行优化计算；

所述受限玻尔兹曼机训练过程具体包括：

首先设定RBM层的权值矩阵W、隐藏层偏置向量b和可见层偏置向量c：

其中，m和n分别为可见层和隐含层的神经元序号；

依次执行以下步骤：

1)将输入数据x赋值给可见层单元，对于每一个隐含层神经元计算其条件概率值P：

式中，h为隐含层神经元；v为可见层神经元；j＝1,2，…，n；

为Sigmoid函数，e为指数常数；

2)利用一次Gibbs抽样重构隐含层神经元对应的值，产生一个[0,1]上的随机数r_j，则：

3)用隐含层神经元来重构可见层神经元，对于每一个可见层神经元v_i(i＝1,2，…，m)计算其条件概率值：

式中，上标*表示重构更新；

4)再利用一次Gibbs抽样重构可见层神经元对应的值，产生一个[0,1]上的随机数s_i，则：

5)再用可见层神经元来重构隐含层神经元，对对于每一个隐含层神经元计算其条件概率值P：

6)根据预先确定的学习速率λ与迭代次数，对RBM层的权值矩阵W、隐藏层偏置向量b和可见层偏置向量c进行更新：

W^*＝W+λ[P(h＝1|v)v^T-P(h^*＝1|v^*)v^*T]

b^*＝b+λ(v-v^*)

c^*＝c+λ[P(h＝1|v)-P(h*＝1|v*)]。

进一步地，所述步骤三具体包括以下过程：

首先，确定BP层的权值矩阵W可见层偏置向量c：

其中，m和n分别为可见层和隐含层的神经元序号；

依次执行以下步骤：

1)计算各隐含层神经元的值：

h^(l)＝c+W^(l)v

式中，h为隐含层神经元；v为可见层神经元；l为神经网络的层数索引；

2)利用Sigmoid函数，得到标准化隐含值σ(h)^(l)，并计算输出层的输出值Y：

Y^(l)＝σ(h)^(l)＝σ(c+W^(l)v)；

3)基于均方根误差构造代价函数，作为用于评价输出层输出值的判断准则：

其中，E为训练过程中的均方根误差，N为样本的个数，

X_i分别表示输出层的输出值及理想输出值；

4)根据确定好的粒子长度、粒子规模以及进化次数，结合预先确定的学习速率λ与迭代次数，对BP层的权值矩阵W和可见层偏置向量c进行更新：

更新过程包括：

定义D维的搜索空间中，n个粒子共同组成了一个种群X＝(X₁,X₂,…,X_n)，其中第i(i＝1,2，…，m)个粒子在D维搜索空间中的位置为X_i＝[x_i1,x_i2,…,x_iD]^T，x_id表示第d(d＝1,2，…，D)维坐标；第i个粒子的速度为V_i＝[V_i1,V_i2,…,V_iD]^T，其个体极值为P_i＝[P_i1,P_i2,…,P_iD]^T，种族的全局极值为P_g＝[P_g1,P_g2,…,P_gD]^T；

分别更新粒子移动速度：

其中，V_id为粒子的移动速度；ω为惯性权重；k为当前迭代次数；α₁和α₂为加速度因子；r₁和r₂为分布于[0,1]之间的随机数；X_gd为粒子位置极值；

以及更新粒子位置：

相应地，本发明还提供了一种基于多算法融合的锂离子电池SOC估算***，通过执行上述方法来计算锂离子电池SOC。

上述本发明所提供的方法和***，克服了现有基于模型的SOC估计方法的实施过程中，难以构建出能够完全描述电池外部特性的理想模型的困难，针对传统BP层网络容易陷入局部最优，且复杂的迭代计算过程会明显降低网络收敛速度的缺陷，提出了基于粒子群算法的优化算法来进行改进。为了尽量消除噪声影响，分别引入自适应扩展卡尔曼滤波与自适应H_∞滤波有机结合的融合算法，从而对于高斯白噪声和有色噪声的情况可提供良好的抑制效果。

附图说明

图1为基于粒子群优化对深度置信网络训练的流程图；

图2为本发明所提供方法的总体流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的了一种基于多算法融合的锂离子电池SOC估算方法，如图2所示，具体包括以下步骤：

步骤一、针对锂离子电池开展验证实验，以工况循环放电阶段的电压、电流、温度数据作为训练输入集，根据CC-CV(恒流-恒压)充电阶段的充电容量，基于安时积分法计算工况循环放电阶段各时刻的SOC，作为训练输出集；

步骤二、建立由输入层、RBM层、BP层、输出层构成的深度置信网络，以所述训练输入集与训练输出集对深度置信网络进行训练；其中，针对所述RBM层采用受限玻尔兹曼机训练过程；

步骤三、基于所述BP层网络结构中神经元的个数确定粒子长度，利用粒子群优化算法计算深度置信网络的BP层最优权值偏置；

步骤四、以电压、电流及温度作为输入、SOC作为输出，一方面建立基于自适应扩展卡尔曼滤波(AEKF)算法的SOC估计模型，另一方面建立基于自适应H_∞滤波(AHIFF)算法的SOC估计模型，以所述两个SOC估计模型的估计结果根据权值分配方法建立SOC融合估计器；利用所述深度置信网络对两个SOC估计模型的初始值分别进行更新；

步骤五、利用所述SOC融合估计器对锂离子电池SOC进行估计；将估计结果与实际SOC值对比，对各估计模型的定期更新。

在本发明的一个优选实施方式中，步骤一中所述的工况循环放电阶段的电压、电流、温度数据根据动态应力测试(DST)工况或美国城市道路循环(UDDS)工况来获取。DST工况数据集中所记录的数据包括电压、电流、温度以及采样时刻，将同一个容量点的测试电池在四个温度点下的验证实验数据及并选取特定的锂离子电池在0℃、10℃、40℃下的DST工况循环放电阶段的实验数据作为训练样本，并基于CC-CV充电阶段的充电容量，按照安时积分的方式完成了工况循环放电阶段每一时刻SOC的计算作为模型训练的输出。取出特定的电池在25℃条件下的DST及UDDS验证工况数据分别作为测试样本，用于验证算法的有效性和适用性。

在本发明的一个优选实施方式中，所述步骤二具体包括以下过程：

经过测试最终确定网络预训练阶段共有6层、5个RBM结构，输入层神经元个数为3，第一层隐含神经元个数设置为1000，中间四层隐含层神经元个数设置为100，最后一层隐含层神经元个数为20，并作为BP层的输入；BP层由一个输入层、一个隐藏层和一个输出层组成，每一层的神经元个数分别为20、6、1，将BP层的输出作为整个DBN网络的输出。对于每一个RBM结构，均将均方根误差作为目标函数，并采用随机梯度下降法作为优化算法(学习率设置为0.1，最小批次为50)。参数微调阶段学习率设置为0.1，迭代次数设置为100；学习率设置为0.1，最小批次为50。

所述受限玻尔兹曼机训练过程具体包括：

首先设定RBM层的权值矩阵W、隐藏层偏置向量b和可见层偏置向量c：

其中，m和n分别为可见层和隐含层的神经元序号；

依次执行以下步骤：

1)将输入数据x赋值给可见层单元，对于每一个隐含层神经元计算其条件概率值P：

式中，h为隐含层神经元；v为可见层神经元；j＝1,2，…，n；

为Sigmoid函数，e为指数常数；

2)利用一次Gibbs抽样重构隐含层神经元对应的值，产生一个[0,1]上的随机数r_j，则：

3)用隐含层神经元来重构可见层神经元，对于每一个可见层神经元v_i(i＝1,2，…，m)计算其条件概率值：

式中，上标*表示重构更新；

4)再利用一次Gibbs抽样重构可见层神经元对应的值，产生一个[0,1]上的随机数s_i，则：

5)再用可见层神经元来重构隐含层神经元，对对于每一个隐含层神经元计算其条件概率值P：

6)根据预先确定的学习速率λ与迭代次数，对RBM层的权值矩阵W、隐藏层偏置向量b和可见层偏置向量c进行更新：

W^*＝W+λ[P(h＝1|v)v^T-P(h^*＝1|v^*)v^*T]

b^*＝b+λ(v-v^*)

c^*＝c+λ[P(h＝1|v)-P(h*＝1|v*)]。

在本发明的一个优选实施方式中，所述步骤三具体包括以下过程：

首先，确定BP层的权值矩阵W可见层偏置向量c：

其中，m和n分别为可见层和隐含层的神经元序号；

依次执行以下步骤：

1)计算各隐含层神经元的值：

h^(l)＝c+W^(l)v

式中，h为隐含层神经元；v为可见层神经元；l为神经网络的层数索引；

2)利用Sigmoid函数，得到标准化隐含值σ(h)^(l)，并计算输出层的输出值Y：

Y^(l)＝σ(h)^(l)＝σ(c+W^(l)v)；

3)基于均方根误差构造代价函数，作为用于评价输出层输出值的判断准则：

其中，E为训练过程中的均方根误差，N为样本的个数，

X_i分别表示输出层的输出值及理想输出值；

4)根据确定好的粒子长度、粒子规模以及进化次数，如对于最后一层BP层，其网络结构为20-6-1，因此共有20×6+6×1＝126个权值，6+1＝7个阈值，可以得到PSO算法粒子长度为126+7＝133，设置粒子规模为130，进化次数为50。结合预先确定的学习速率λ与迭代次数，对BP层的权值矩阵W和可见层偏置向量c进行更新：

更新过程如图1所示，具体包括：

定义D维的搜索空间中，n个粒子共同组成了一个种群X＝(X₁,X₂,…,X_n)，其中第i(i＝1,2，…，m)个粒子在D维搜索空间中的位置为X_i＝[x_i1,x_i2,…,x_iD]^T，x_id表示第d(d＝1,2，…，D)维坐标；第i个粒子的速度为V_i＝[V_i1,V_i2,…,V_iD]^T，其个体极值为P_i＝[P_i1,P_i2,…,P_iD]^T，种族的全局极值为P_g＝[P_g1,P_g2,…,P_gD]^T；

分别更新粒子移动速度：

其中，V_id为粒子的移动速度；ω为惯性权重；k为当前迭代次数；α₁和α₂为加速度因子；r₁和r₂为分布于[0,1]之间的随机数；X_gd为粒子位置极值；

以及更新粒子位置：

步骤四中基于(PSO-DBN)-AHIFF或AHIFF融合算法的SOC估计方法计算过程具体如下：

模型离散化方程：

(1)初始化

(AEKF)设置状态观测器的初始值：x₀，P₀，Q₀，R₀

(AHIFF)设置状态观测器的初始值：x₀，P₀，Q₀，R₀，L_k，S_k，1/γ

(2)先验估计-预测：(k-1)⁺→k^-

***状态预估：

误差协方差矩阵预估：

(AHIFF)对称正定矩阵更新：

(3)后验估计-修正：k^-→k⁺

通过k时刻的测量值对***状态和误差协方差的预估值进行修正：

新息矩阵：

(AEKF)滤波增益：

(AHIFF)滤波增益：

自适应噪声协方差匹配：

***状态修正：

(AKEF)误差协方差矩阵修正：

(AHIFF)误差协方差矩阵修正：

(4)时间尺度更新：k＝k+1，准备(k+1)时刻的状态估计。

当AEKF的估计误差较大时，已不能满足精度要求，此时SOC融合估计器开始起作用：当AEKF的估计误差介于边界值期间时，SOC融合估计值位于AEKF与AHIFF之间；而当AEKF的估计误差很大时，AEKF已经失去了滤波性能，此时的估计结果由AHIFF所表示。融合后的SOC估计误差可以基本维持在2.8％以内，因此，本发明所提供的融合算法可以有效提高在复杂噪声条件下的估计精度。

本发明所提出的估计方法在无噪声情况下误差基本在1％以内，AEKF部分的估计误差基本控制在1.8％以内，算法总体在有色噪声条件下估计误差基本控制在2.8％范围以内，证明了融合算法能够提高估计精度和鲁棒性的特性。

应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.基于多算法融合的锂离子电池SOC估算方法，其特征在于：具体包括以下步骤：

步骤一、针对锂离子电池开展验证实验，以工况循环放电阶段的电压、电流、温度数据作为训练输入集，根据恒流-恒压充电阶段的充电容量，基于安时积分法计算工况循环放电阶段各时刻的SOC，作为训练输出集；

步骤二、建立由输入层、RBM层、BP层、输出层构成的深度置信网络，以所述训练输入集与训练输出集对深度置信网络进行训练；其中，针对所述RBM层采用受限玻尔兹曼机训练过程；具体包括以下过程：

确定深度置信网络中输入层、RBM层、BP层以及输出层的各层网络结构与神经元个数；确定激活函数、评价函数，并且对于每一个RBM结构都以均方根误差作为目标函数，采用随机梯度下降法进行优化计算；

所述受限玻尔兹曼机训练过程具体包括：

首先设定RBM层的权值矩阵W、隐藏层偏置向量b和可见层偏置向量c：

其中，m和n分别为可见层和隐含层的神经元序号；

依次执行以下步骤：

1)将输入数据x赋值给可见层单元，对于每一个隐含层神经元计算其条件概率值P：

式中，h为隐含层神经元；v为可见层神经元；j＝1,2，…，n；

为Sigmoid函数，e为指数常数；

2)利用一次Gibbs抽样重构隐含层神经元对应的值，产生一个[0,1]上的随机数r_j，则：

3)用隐含层神经元来重构可见层神经元，对于每一个可见层神经元v_i(i＝1,2，…，m)计算其条件概率值：

式中，上标*表示重构更新；

4)再利用一次Gibbs抽样重构可见层神经元对应的值，产生一个[0,1]上的随机数s_i，则：

5)再用可见层神经元来重构隐含层神经元，对于每一个隐含层神经元计算其条件概率值P：

6)根据预先确定的学习速率λ与迭代次数，对RBM层的权值矩阵W、隐藏层偏置向量b和可见层偏置向量c进行更新：

W^*＝W+λ[P(h＝1|v)v^T-P(h^*＝1|v^*)v^*T]

b^*＝b+λ(v-v^*)

c^*＝c+λ[P(h＝1|v)-P(h*＝1|v*)]；

步骤三、基于所述BP层网络结构中神经元的个数确定粒子长度，利用粒子群优化算法计算深度置信网络的BP层最优权值偏置；

步骤四、以电压、电流及温度作为输入、SOC作为输出，一方面建立基于自适应扩展卡尔曼滤波算法的SOC估计模型，另一方面建立基于自适应H_∞滤波算法的SOC估计模型，以所述两个SOC估计模型的估计结果根据权值分配方法建立SOC融合估计器；利用所述深度置信网络对两个SOC估计模型的初始值分别进行更新；

步骤五、利用所述SOC融合估计器对锂离子电池SOC进行估计；将估计结果与实际SOC值对比，对各估计模型的定期更新。

2.如权利要求1所述的方法，其特征在于：步骤一中所述的工况循环放电阶段的电压、电流、温度数据根据动态应力测试DST工况或美国城市道路循环UDDS工况来获取。

3.如权利要求1所述的方法，其特征在于：所述步骤三具体包括以下过程：

首先，确定BP层的权值矩阵W可见层偏置向量c：

其中，m和n分别为可见层和隐含层的神经元序号；

依次执行以下步骤：

1)计算各隐含层神经元的值：

h^(l)＝c+W^(l)v

式中，h为隐含层神经元；v为可见层神经元；l为神经网络的层数索引；

2)利用Sigmoid函数，得到标准化隐含值σ(h)^(l)，并计算输出层的输出值Y：

Y^(l)＝σ(h)^(l)＝σ(c+W^(l)v)；

3)基于均方根误差构造代价函数，作为用于评价输出层输出值的判断准则：

其中，E为训练过程中的均方根误差，N为样本的个数，

X_i分别表示输出层的输出值及理想输出值；

4)根据确定好的粒子长度、粒子规模以及进化次数，结合预先确定的学习速率λ与迭代次数，对BP层的权值矩阵W和可见层偏置向量c进行更新：

更新过程包括：

定义D维的搜索空间中，n个粒子共同组成了一个种群X＝(X₁,X₂,…,X_n)，其中第i(i＝1,2，…，m)个粒子在D维搜索空间中的位置为X_i＝[x_i1,x_i2,…,x_iD]^T，x_id表示第d(d＝1,2，…，D)维坐标；第i个粒子的速度为V_i＝[V_i1,V_i2,…,V_iD]^T，其个体极值为P_i＝[P_i1,P_i2,…,P_iD]^T，种族的全局极值为P_g＝[P_g1,P_g2,…,P_gD]^T；

分别更新粒子移动速度：

其中，V_id为粒子的移动速度；ω为惯性权重；k为当前迭代次数；α₁和α₂为加速度因子；r₁和r₂为分布于[0,1]之间的随机数；X_gd为粒子位置极值；

以及更新粒子位置：

4.基于多算法融合的锂离子电池SOC估算***，其特征在于：执行如权利要求1-3任一项所述的方法计算锂离子电池SOC。

Images