CN116449213A - 基于电池能观***的神经网络***状态观测器构建方法 - Google Patents
基于电池能观***的神经网络***状态观测器构建方法 Download PDFInfo
- Publication number
- CN116449213A CN116449213A CN202310311622.5A CN202310311622A CN116449213A CN 116449213 A CN116449213 A CN 116449213A CN 202310311622 A CN202310311622 A CN 202310311622A CN 116449213 A CN116449213 A CN 116449213A
- Authority
- CN
- China
- Prior art keywords
- neural network
- state
- battery
- soc
- constructing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 230000005653 Brownian motion process Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000005537 brownian motion Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 230000001960 triggered effect Effects 0.000 claims 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 abstract description 5
- 229910001416 lithium ion Inorganic materials 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 11
- 238000007599 discharging Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了基于电池能观***的神经网络***状态观测器构建方法，对锂离子电池进行等效电路分析，建立考虑电池自放电的等效电路模型，对模型进行推导假设，构建***可观的状态空间方程，构建***可观并符合估计误差最终一致有界的状态空间方程，对能观***的未知函数项，设计神经网络求解器进行逼近求解，包括神经网络的整体架构、系数优化方向与神经网络触发式在线更新机制。基于神经网络的状态空间方程求解结果，设计***状态观测器实时估计***状态，最终可获得当前电池的SOC等状态量。
Description
技术领域
本发明涉及电动汽车动力电池技术领域，具体而言，涉及基于电池能观***的神经网络***状态观测器构建方法。
背景技术
作为新能源汽车三大关键核心技术之一的新型动力电池***，一直是世界各国关注的焦点领域。电池管理***(BMS)是动力电池***的基础，可实时监控锂离子电池的状态，确保电池安全有效。获取电池的准确电池状态如SOC是BMS最重要的功能之一，准确的状态估计不仅可以避免过度充电或过度放电，而且在探索和实现最佳性能方面起着关键作用。因此实现准确的状态预测具有重要意义。
当前电池的状态估计方法主要有三类：直接计算方法、数据驱动的方法、基于模型的方法，但是每种方法都有各自的优缺点。
①直接计算的方法原理简单但是准确性较低，在实际工况过程中，很难保证应用精度；
②数据驱动的方法无需电池内部特性但是精度很大程度上取决于实验数据的质量和数量，在应用过程中存在计算量过大，鲁棒性差与普适性差等限制，目前很少应用于实际工况下的锂离子电池状态估计；
③基于模型的方法可以减少对数据的依赖，但是不同的电池模型复杂度有很大差异，而且通常需要对电池参数进行离线辨识。在实际应用中，由于电池老化和运行条件的变化，参数是随时间变化的，离线辨识电池模型参数会降低模型的准确性。对某些应用场景存在参数精度低限制状态估计最终效果的问题。
对现有的状态估计方法的优缺点分析可知，选择简单可靠的电池模型、对电池参数进行在线更新以实现高准确度，高鲁棒性的状态估计如SOC估计是非常有研究和应用价值的。控制***的状态估计通常采用观测器实现，目前所有的电池模型的观测器设计很难满足状态估计的要求，电池模型待辨识参量多且难，极大的限制了目前状态的估计精度，当前对锂离子电池模型进行改进设计准确性更高、普适性更好的状态观测器是十分有价值的。
为此提出基于电池能观***的神经网络***状态观测器构建方法。
发明内容
本发明旨在提供基于电池能观***的神经网络***状态观测器构建方法，以解决或改善上述技术问题中的至少之一。
有鉴于此，本发明的第一方面在于提供基于电池能观***的神经网络***状态观测器构建方法。
本发明的第一方面提供了基于电池能观***的神经网络***状态观测器构建方法，包括：S1，对电池进行等效电路分析，建立带有电池自放电变量的等效电路模型；S2，对所述等效电路模型进行推导假设，构建***可观并符合最终一致有界的状态空间方程；S3，对所述状态空间方程的神经网络的整体架构、系数优化方向和神经网络触发式在线更新机制，通过神经网络求解器进行求解；S4，基于神经网络的状态空间方程的求解结果，采用***状态观测器实时反馈所述状态空间方程的实时***状态，获得当前电池的SOC状态量；S5，基于OCV与SOC的函数关系，进行解耦得到电池随时间变化的OCV；
其中，所述状态空间方程具体为：dx＝[Ax+Bu+F1(x,u)]dt+H(x)dw和y＝cx，x＝[UtSOC]T为***状态、y＝Ut为***输出、u＝I为***输入、w为独立于***状态的布朗运动、 为保证***能观性的赫尔维兹矩阵,/> H(x)＝[h1(x),h2(x)]T为有界函数、C＝[10]。
进一步的，所述等效电路模型中的所述电池自放电变量与所述SOC具有非线性相关，具体为下述公式：
其中，为电池电荷状态变化速率、SOC为电池电荷状态、Q为电池的额定容量、I为电池的电流、Rsd为自放电内阻。
进一步的，所述OCV与所述SOC的函数关系，具体为下述公式：
OCV＝g(SOC)；
其中，g(*)为OCV与所述SOC的函数关系式。
进一步的，根据基尔霍夫定律，所述Ut与U1的演变过程得到下述公式：
其中，U1为RC支路的电压、R1为极化内阻、C1为极化电容。
进一步的，所述神经网络架构采用按照误差逆向传播算法训练的多层前馈神经网络架构，通过所述神经网络对f1(x,u)转化为下述公式：
f1(x,u)＝W*TΦ(un)+∈；
其中，un＝[x,u]T为模型输入、W*T为神经网络权重矩阵、为激活函数、c为网络中心的宽度、b为特定维度的宽度、∈为神经网络估计误差，且满足||∈||≤∈M，||W*||≤WM,||Φ||≤ΦM以及||Φ(x1)-Φ(x2)||≤γ1||x1-x2||，∈M、WM、ΦM与γ1均为正数常量。
进一步的，所述系数优化方向为对神经网络的系数矩阵的优化，且采用下述公式：
其中，λk为标量归一化项，且β与σ为常数且0<σ<1、当***状态为/>时，进行更新。
进一步的，所述的神经网络触发式在线更新机制，具体为下述公式：
其中，表示t时刻与k时刻触发次数状态估计值之差到达一定阈值，需对网络进行优参数更新，动态阈值/> α和p1设置为正系数、γ1为李普希茨常数、/>为SOC观测误差、/>为RBF神经网络估计权重转置，/>为激活函数输出结果的估计值。
进一步的，所述的采用***状态观测器实时反馈所述状态空间方程的实时***状态的步骤，具体包括：
在触发在线更新机制||ex,k(t)||≥F(t)时，***状态满足在||ex,k(t)||<F(t)时，基于输出的状态修正如下述公式：
其中，和/>分别为x＝[Ut SOC]T对应1、2维度估计值对t的导数。
本发明与现有技术相比所具有的有益效果：
本发明所提供的电池状态空间方程考虑电池自放电过程，比常规等效电路模型更贴近实际物理过程；
本发明所提供的电池状态空间方程，其控制***可观且估计误差最终一致有界，可直接结合控制观测器实现***状态观测，突破了传统控制***状态估计辨识参数难、步骤多、局限性大的问题；
本发明所提供的神经网络求解思路针对状态方程未知非线性多元函数，求解目标具有代表性，并实现在线求解与优化，整体框架可应用在控制领域多个方面；
本发明提供的神经网络求解器采用触发式在线更新机制，应用过程中不需要参数训练过程，是一种基于神经网络架构的自适应的求解方法，触发式更新机制减少了神经网络的参数量，满足在线状态估计要求；
本发明所提供的电池能观***与基于神经网络的***状态观测器构建方法，不仅可以应用于锂离子电池，同样可以应用在其他电池的状态估计过程；
本发明所提供的方法可实时计算电池OCV，基于更精确的SOC估计方法，可以解耦得到更精确的OCV数值。
根据本发明的实施例的附加方面和优点将在下面的描述部分中变得明显，或通过根据本发明的实施例的实践了解到。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制。
图1为本发明的基于电池能观***的***状态观测器观测与优化流程；
图2为本发明的考虑电池自放电现象的等效电路模型。
具体实施方式
合附图和具体实施方式对根据本发明的实施例进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
本发明第一方面的实施例，如图1-2所述，提供基于电池能观***的神经网络***状态观测器构建方法，图1示出了本发明的一个实施例的基于电池能观***的神经网络***状态观测器构建方法的流程示意图。其中，该方法包括：
S1，对电池进行等效电路分析，建立带有电池自放电变量的等效电路模型；
所述的等效电路如图2所示，图2左图为电池内部自放电等效电路，右图为电池外部放电等效电路。图2左图中，对不同SOC状态下的自放电损失进行了建模。电容Cb表示电池的储存电量，数值等于电池的额定容量Q。Vsoc为Rsd与Cb串联环节的电压，Rsd为自放电内阻，I为电池电流，正常状态下趋近于无穷小。建模过程中将电池的自放电过程简化为与SOC非线性相关的过程，则电池的自放电过程可写为下式(1)：
其中，为电池电荷状态变化速率、SOC为电池电荷状态、Q为电池的额定容量、I为电池的电流、Rsd为自放电内阻。
图2右图中，OCV为SOC的函数，可假设为：
OCV＝g(SOC) (2)
图中R0代表欧姆内阻，R1与C1代表极化内阻与极化电容，U1代表RC支路的电压。基于基尔霍夫定律，端电压Ut与U1的演变过程可推导如下：
S2，对所述等效电路模型进行推导假设，构建***可观并符合最终一致有界的状态空间方程；
在(1)(2)(3)式的基础上，建立电池随机***如下：
其中，x＝[Ut SOC]T为***状态，u＝I代表***输入，y＝Ut表示***输出，w为独立于***状态的布朗运动，C＝[1 0]。A为赫尔维兹矩阵，引入满秩矩阵使输出状态可以解耦到对应***输入，保证了***的能观性。
b＝1/Q,a11与a12为任意整数常数，H(x)＝[h1(x),h2(x)]T为有界函数，
S3，对所述状态空间方程的神经网络的整体架构、系数优化方向和神经网络触发式在线更新机制，通过神经网络求解器进行求解；
所述的神经网络架构，本发明结构选用按照误差逆向传播算法训练的多层前馈神经网络架构，基于神经网络对可总结为式(5)：
f1(x,u)＝W*TΦ(un)+∈ (5)
上式中，模型输入为un＝[x,u]T，以RBF神经网络为例，激活函数其中c与b为网络中心和特定维度的宽度，∈为神经网络估计误差，满足||∈||≤∈M，|||W*|||≤WM，||Φ||≤ΦM以及||Φ(x1)-Φ(x2)||≤γ1||x1-x2||，其中∈M、WM、ΦM与γ1与为正数常量。
所述的系数优化方向为式(6)：
(6)式中，标量归一化项λk定义为以及/> β、μ与σ与为常数且0<σ<1。***状态的更新率采用/>
需要注意的是，在以上描述中，与/>代表k时刻*变量的估计误差、估计值与修正值。
所述的触发式，因为电池参数的变化较为缓慢，频繁的更新会造成不必要地资源浪费，所以为了节约计算资源、保证参数在必要时刻进行更新，提出基于事件触发的神经网络权重更新率。在线更新机制为
(7)式中表示t时刻与k时触发次数状态估计值之差到达一定阈值/>需对网络进行优参数更新动态阈值，α与p1设置为正系数，γ1为李普希茨常数，/>为SOC观测误差，/>为RBF神经网络估计权重，/>为激活函数输出结果的估计值。
S4，基于神经网络的状态空间方程的求解结果，采用***状态观测器实时反馈所述状态空间方程的实时***状态，获得当前电池的SOC状态量；
所述观测器求解***状态，在触发在线更新机制||ex,k(t)||≥F(t)时，***状态满足，在在||ex,k(t)||<F(t)时，基于输出的状态修正如(8)式：
其中，l1与l2为观测器增益。
S5，基于OCV与SOC的函数关系，进行解耦得到电池随时间变化的OCV；
所述的OCV解耦方法，可根据实验室标定的OCV与SOC和温度的关系获得，该关系可通过多项式拟合得到，也可根据充足的实验室数据进行复杂函数或神经网络的方式计算得到。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.基于电池能观***的神经网络***状态观测器构建方法，其特征在于，包括：
S1，对电池进行等效电路分析，建立带有电池自放电变量的等效电路模型；
S2，对所述等效电路模型进行推导假设，构建电池能观***可观并符合最终一致有界的状态空间方程；
S3，对所述状态空间方程的神经网络架构、系数优化方向和神经网络触发式在线更新机制，通过神经网络求解器进行求解；
S4，基于所述神经网络求解器的求解结果，采用***状态观测器实时反馈所述状态空间方程的***状态，获得当前电池的SOC状态量；
S5，基于开路电压OCV与SOC的函数关系，进行解耦得到电池随时间变化的OCV；
所述状态空间方程具体为：
其中，x＝[Ut SOC]T为***状态、y＝Ut为***输出、u＝I为***输入、w为独立于***状态的布朗运动、为保证***能观性的赫尔维兹矩阵,且/>H(x)＝[h1(x),h2(x)]T为有界函数、C＝[1 0]。
2.根据权利要求1所述的基于电池能观***的神经网络***状态观测器构建方法，其特征在于，所述等效电路模型中的所述电池自放电变量与所述SOC具有非线性相关，具体为下述公式：
其中，为电池电荷状态变化速率、SOC为电池电荷状态、Q为电池的额定容量、I为电池的电流、Rsd为自放电内阻。
3.根据权利要求1所述的基于电池能观***的神经网络***状态观测器构建方法，其特征在于，所述OCV与所述SOC的函数关系，具体为下述公式：
OCV＝g(SOC)；
其中，g(*)为OCV与所述SOC的函数关系式。
4.根据权利要求1所述的基于电池能观***的神经网络***状态观测器构建方法，其特征在于，根据基尔霍夫定律，所述Ut与U1的演变过程得到下述公式：
Ut＝OCV-U1-IR0
其中，U1为RC支路的电压、R1为极化内阻、C1为极化电容。
5.根据权利要求1所述的基于电池能观***的神经网络***状态观测器构建方法，其特征在于，所述神经网络架构采用按照误差逆向传播算法训练的多层前馈神经网络架构，通过所述神经网络对f1(x,u)转化为下述公式：
f1(x,u)＝W*TΦ(un)+∈；
其中，un＝[x,u]T为模型输入、W*T为神经网络权重矩阵、为激活函数、c为网络中心的宽度、b为特定维度的宽度、∈为神经网络估计误差，且满足||∈||≤∈M，||W*||≤WM,||Φ||≤ΦM以及||Φ(x1)-Φ(x2)||≤γ1||x1-x2||，∈M、WM、ΦM与γ1均为正数常量。
6.根据权利要求1所述的基于电池能观***的神经网络***状态观测器构建方法，其特征在于，所述系数优化方向为对神经网络的系数矩阵的优化，且采用下述公式：
其中，λk为标量归一化项，且β与σ为常数且0<σ<1、当***状态为/>时，进行更新。
7.根据权利要求6所述的基于电池能观***的神经网络***状态观测器构建方法，其特征在于，所述的神经网络触发式在线更新机制，具体为下述公式：
其中，表示t时刻与k时刻触发次数状态估计值之差到达一定阈值，需对网络进行优参数更新，动态阈值/> α和p1设置为正系数、γ1为李普希茨常数、/>为SOC观测误差、/>为RBF神经网络估计权重转置，/>为激活函数输出结果的估计值。
8.根据权利要求1所述的基于电池能观***的神经网络***状态观测器构建方法，其特征在于，所述的采用***状态观测器实时反馈所述状态空间方程的实时***状态的步骤，具体包括：
在触发在线更新机制||ex,k(t)||≥F(t)时，***状态满足在||ex,k(t)||<F(t)时，基于输出的状态修正如下述公式：
其中，和/>分别为x＝[Ut SOC]T对应1、2维度估计值对t的导数。
9.根据权利要求1所述的基于电池能观***的神经网络***状态观测器构建方法，其特征在于，所述解耦采用下述方法计算：实验室标定的OCV与SOC和温度的关系计算，或根据实验室数据计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310311622.5A CN116449213A (zh) | 2023-03-28 | 2023-03-28 | 基于电池能观***的神经网络***状态观测器构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310311622.5A CN116449213A (zh) | 2023-03-28 | 2023-03-28 | 基于电池能观***的神经网络***状态观测器构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116449213A true CN116449213A (zh) | 2023-07-18 |
Family
ID=87132963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310311622.5A Pending CN116449213A (zh) | 2023-03-28 | 2023-03-28 | 基于电池能观***的神经网络***状态观测器构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449213A (zh) |
-
2023
- 2023-03-28 CN CN202310311622.5A patent/CN116449213A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7095110B2 (ja) | バッテリ状態推定方法 | |
| KR102150271B1 (ko) | 다수의 옵저버를 갖는 배터리 관리 시스템 | |
| KR102219397B1 (ko) | 원격 파라미터 추정을 구비한 2차 전지 관리 시스템 | |
| WO2022105104A1 (zh) | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 | |
| US10686321B2 (en) | Secondary battery management | |
| Li et al. | A novel parameter and state-of-charge determining method of lithium-ion battery for electric vehicles | |
| WO2017129522A1 (en) | Secondary battery management system | |
| CN111812519B (zh) | 一种电池参数辨识方法及*** | |
| KR20180057266A (ko) | 배터리 상태 추정 방법 및 장치 | |
| CN115632179A (zh) | 一种锂离子电池智能快速充电方法及*** | |
| Meng et al. | Comparative study of lithium‐ion battery open‐circuit‐voltage online estimation methods | |
| Li et al. | Multi-state joint estimation for a lithium-ion hybrid capacitor over a wide temperature range | |
| Kong et al. | A novel parameter adaptive method for state of charge estimation of aged lithium batteries | |
| Baba et al. | Simultaneous state of charge and parameter estimation of lithium-ion battery using log-normalized unscented Kalman filter | |
| CN117110891A (zh) | 锂离子电池荷电状态估计值的计算方法和计算装置 | |
| Ramezani-al et al. | A novel combined online method for SOC estimation of a Li-Ion battery with practical and industrial considerations | |
| Huang et al. | Electrochemical model-based aging characterization of lithium-ion battery cell in electrified vehicles | |
| Yan et al. | Lithium-ion battery state of charge estimation based on moving horizon | |
| CN115951236B (zh) | 锂电池状态监测方法及***、装置、存储介质 | |
| CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
| CN116449213A (zh) | 基于电池能观***的神经网络***状态观测器构建方法 | |
| Li et al. | Online estimation of battery equivalent circuit model parameters using decoupled least squares technique | |
| CN116224099B (zh) | 一种动态自适应估算电池soc的方法 | |
| CN107632264A (zh) | 电池soc估算方法、装置及电池管理*** | |
| Mirzaei et al. | Parametric Solution for Efficient Li-ion Battery Charging with Current and SOC Constraints |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yang Shichun Inventor after: Cao Rui Inventor after: Pan Chenyang Inventor after: Peng Chaoxia Inventor after: Zhang Zhengjie Inventor after: Lin Jiayuan Inventor after: Yan Xiaoyu Inventor after: Cao Yaoguang Inventor after: Chen Fei Inventor before: Yang Shichun Inventor before: Cao Rui Inventor before: Pan Chenyang Inventor before: Peng Chaoxia Inventor before: Zhang Zhengjie Inventor before: Lin Jiayuan Inventor before: Yan Xiaoyu Inventor before: Cao Yaoguang Inventor before: Chen Fei |