一种电池荷电状态自适应在线检测方法

1.本发明属于汽车电池检测技术领域，具体为一种电池荷电状态自适应在线检测方法。


背景技术：

2.电动汽车作为未来主要的交通工具之一，对其启动、加速、爬坡等性能及续航里程等具有一定的要求。电池包是电动汽车的核心部件，为整车提供驱动电能，其动力电池的性能很大程度上决定了电动汽车的性能。电池荷电状态是反映电池能量状态的重要参数，只有准确的估算电池荷电状态才能有效的提高动力电池的利用率、延长电池的使用寿命和优化驾驶方案。然而电池荷电状态是动力电池中隐含的状态量，难以直接测量和估算。影响电池荷电状态的因素主要有工作电压、电流、温度等，因而需要建立精确可靠的电池荷电状态估计模型和方法以获得准确的估计结果。
3.电池荷电状态的估计方法有很多种，有安时法、开路电压法、扩展卡尔曼滤波法等。安时法是一种评估电池剩余容量的经典方法，优点是简单易用，但缺点是必须知道电池荷电状态的初值。开路电压法是基于开路电压和电池荷电状态曲线查表来获得电池荷电状态的值。开路电压法虽然可以精确的估计电池荷电状态值，但是此方法不能实现实时在线估计。扩展卡尔曼滤波器是一种高效率的递归滤波器，适用于线性系统，它能够从一系列不完全包含噪声的测量中，估计动态系统的状态。此方法的核心是由已建立的电池状态方程，根据电池工作时采集的电压值、电流值进行状态递推，得到电池荷电状态的实时估算值。然而，动力电池的动力学特性具备明显的非线性，因此如果所给的迭代初值明显偏离实际状态，卡尔曼滤波器的估算结果将不准确甚至发散。


技术实现要素：

4.本发明针对现有技术的不足，提出一种兼具扩展卡尔曼滤波器的局部线性逼近能力和基于bp神经网络的非线性比例积分观测器的非线性映射、自学习和自调整能力的电池荷电状态自适应在线检测方法，具体技术方案如下：
5.一种电池荷电状态自适应在线检测方法，具体为：
6.步骤一：实时采集电池温度、端电压和工作电流数据；
7.步骤二：基于采样数据，以电池工作电流作为输入变量、电池荷电状态做为状态变量、电池端电压为输出变量建立电池状态空间模型，并确定容量阈值和端电压误差阈值；
8.步骤三：自适应开关模块判断为真，则采用扩展卡尔曼滤波算法计算电池荷电状态初始预估值和电池荷电状态最优预估值，判断为假，则在采用扩展卡尔曼滤波算法计算电池荷电状态预估值的同时，引入基于bp神经网络的非线性比例积分观测器计算电池荷电状态的预估补偿值和电池荷电状态最优预估值。
9.作为优化：所述步骤三具体为：
10.在第k次采样时，自适应开关模块f定义如下，
[0011][0012]
其中k为采样次数，c为大于1的常数，sock为电池荷电状态最优预估值，yk为电池端电压测量值，为电池端电压预测值，ε1和ε2是与电池端电压及工作电流相关的小于1的正数；
[0013]
基于bp神经网络的非线性比例积分观测器由bp神经网络和线性比例积分观测器组成；其中，bp神经网络以电池荷电状态预测值、端电压测量值、工作电流测量值和常数1为输入，以比例系数k
p
、积分系数ki为输出，其网络结构基于采样数据经最速梯度下降法训练获得；
[0014]
基于bp神经网络的非线性比例积分观测器由bp神经网络和线性比例积分观测器组成；其中，线性比例积分观测器以电池端电压预测误差e为输入，以电池荷电状态的预估补偿值
△
sock为输出，即δsock＝k
p
(e
k-e
k-1
) k
iek
，式中的比例系数k
p
、积分系数ki由bp神经网络给出，
[0015]
作为优化：由自适应开关模块、基于bp神经网络的非线性比例积分观测器和扩展卡尔曼滤波器组成。
[0016]
本发明的有益效果为：
[0017]
1、本发明提出的基于bp神经网络的非线性比例积分(pi)观测器，能根据电池荷电状态预测值、端电压测量值、工作电流测量值来自适应调整输出的比例系数和积分系数，进而实时改变电池荷电状态预估补偿值，可有效地克服传统扩展卡尔曼滤波器的在用于非线性系统逼近时的初值稳定性问题，可以加速扩展卡尔曼滤波器的收敛速度。
[0018]
2、本发明提出的基于自适应开关模块f，能根据电池荷电状态预估值和电池端电压预测误差，自适应确定引入和去除基于bp神经网络的非线性比例积分(pi)观测器的时机，有助于减少该观测器所带来的计算量大和偶尔波动的不良问题。
[0019]
3、能够准确而鲁棒地实现电池荷电状态的预估，同时不受未知电池初始状态的影响；同时，对偶尔出现的瞬时电池端电压或电流测量误差具有很强的容错能力，它可用于单体电池的电池荷电状态预测，也可以扩展用于电池组、多模块乘用车、电动汽车和混合动力电动汽车中的电池状态估计。
附图说明
[0020]
图1为本发明的模型示意图。
具体实施方式
[0021]
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0022]
如图1所示：一种动力电池荷电状态在线预估方法，包括以下步骤：
[0023]
s1:实时采集电池的工作温度tk、端电压yk、工作电流参数ik，其中k为采样次数。
[0024]
s2:基于采样数据，以电池工作电流作为输入变量、电池荷电状态作为状态变量、
电池端电压为输出变量建立电池状态空间模型，并确定容量阈值ε1和端电压误差阈值ε2；电池状态空间模型由式(1)所示的电池系统状态方程模块和式(2)所示的电池系统输出方程模块构成，该模型如下式所示
[0025][0026][0027]
其中ki(i＝1,2,3,4,5)为常数，可根据训练数据集采用递推最小二乘回归方法计算获得；η(ik,tk)是电池的放电效率，其值随电池工作电流ik和工作温度tk变化而改变；k为采样次数，为电池荷电状态的初始预测值，为电池端电压预测值。
[0028]
s3:在第k次采样时，计算自适应开关模块f，其值定义如下，
[0029][0030]
其中sock为电池荷电状态最优预估值，yk为电池端电压测量值；c为大于1的常数，ε1和ε2是与电池端电压及工作电流相关的小于1的正数，三者均可根据训练数据集采用递推最小二乘回归方法计算获得。
[0031]
s4:在第k次采样时，若自适应开关模块输出为“1”，此时采样次数大于c、电池状态最优预估值sock小于容量阈值ε1或相邻两次采样时刻的端电压预测误差ek的绝对值小于端电压误差阈值ε2，只采用扩展卡尔曼滤波算法计算电池荷电状态预估值此时电池荷电状态的最优预估值否则，即自适应开关模块输出为“0”，此时在采用扩展卡尔曼滤波算法计算电池荷电状态预估值的同时，引入基于bp神经网络的非线性比例积分(pi)观测器计算电池荷电状态的预估补偿值
△
sock，则电池荷电状态的最优预估值
[0032]
s5:基于bp神经网络的非线性比例积分观测器由bp神经网络和线性比例积分观测器组成；其中，bp神经网络以电池荷电状态预测值、端电压测量值、工作电流测量值和常数1为输入，以比例系数k
p
和积分系数ki为输出，其网络结构基于训练数据集经最速梯度下降法训练获得。类似的，该网络结构也可经由牛顿算法、共轭梯度法、柯西-牛顿法(quasi-newton算法)、衰减的最小平方法(levenberg-marquardt算法)等来获得。
[0033]
s6:基于bp神经网络的非线性比例积分观测器由bp神经网络和线性比例积分观测器组成；其中，线性比例积分观测器以电池端电压预测误差ek为输入，以电池荷电状态的预估补偿值
△
sock为输出，即δsock＝k
p
(e
k-e
k-1
) k
iek
，式中的比例系数k
p
、积分系数ki由bp神经网络给出。