CN119474966A 基于膨胀力的车云融合电池荷电状态估计方法及估计系统 （哈尔滨工业大学（威海））

基于膨胀力的车云融合电池荷电状态估计本申请提供一种基于膨胀力的车云融合电IAEKF算法以得到电池荷电状态的第一估计值，在云端获取电池状态数据并使用包括GA模型、CNN模型及LSTM模型的联合预测模型，基于电池状态数据及膨胀力特征参数输出电池荷电状态第二估计值进行一维卡尔曼滤波以得到电池荷能够提取对电池荷电状态变化更为敏感的膨胀2在云端获取电池状态数据并使用包括GA模型、CNN模型及LSTM模型的联合预测模型以数据及所述膨胀力特征参数输出所述电池荷电状态的第对所述电池荷电状态的第一估计值、第二估计值进行一维卡尔通过以下步骤对执行IAEKF算法所需要的参数建立考虑膨胀力的电池二阶RC模型并确定其LOC01122对HPPC实验数据进行递归拟合以实现参数辨识，其中，参数辨识结果及SOC_OCV拟合曲线。通过迭代卡尔曼滤波确定k时刻电池状态向量的后验估计值并从中提取k时刻电3所述迭代卡尔曼滤波通过下式确定k时刻电池状态向量的后验估计值球:k-1k-1分别为k-1时刻的测量噪声协方差和电k-1k-1分别为k-1时刻的过程噪声协方差和电池端电压的先验误所述GA模型使用遗传算法对所述LSTM模型的超参数进行优化，其中real为安时积分法得到的电池荷电状态的估计值，SOCpre为LSTM模型输出的电所述CNN模型的输入数据为电池在各个时刻的激励电流I、动量电压U4征参数分别用于表征电池在各个时刻的[I,U,p]相关特征与[U,p,所述CNN模型基于所述LSTM模型输出的S所述LSTM模型的输入数据为电池在各个时刻的M组[I,U,p,T]数据，以及CNN模型输出pre的两个膨胀力特征参数，输出数据为各个时刻的电池荷电状态的预估值SOC以及电池荷pre设置于车辆内部的车端估计单元，用于获取电池状态数据并执行IAEKF算法以得到电述LSTM模型基于所述电池状态数据及所述膨胀力特征参数预测输出所述电池荷电状态的融合估计单元，用于对所述电池荷电状态的第一估计值、第5供一种基于膨胀力的车云融合电池荷电状态逐渐变多，其中长短时记忆神经网络(LSTM)和门控循环神经网络(GRU)也已被广泛应用于[0007]在车端获取电池状态数据并执行IAEKF算法以得到电池荷电状态的第一估计值，[0008]在云端获取电池状态数据并使用包括GA模型、CNN模型及LSTM模型的联合预测模CNN模型用于生成反馈至LSTM模型的电池的膨胀力特征参数，所述LSTM模型基于所述电池6状态数据及所述膨胀力特征参数输出所述电池荷电状态的01122及SOC_OCV拟合曲线。[0025]通过迭代卡尔曼滤波确定k时刻电池状态向量的后验估计值球,并从中提取k时7k-1时刻的过程转移矩阵和后验误差协方差矩阵，I为单位[0049]设置于车辆内部的车端估计单元，用于获取电池状态数据并执行IAEKF算法以得8于优化LSTM模型的超参数，所述CNN模型用于生成反馈至LSTM模型的电池的膨胀力特征参相对准确的SOC估计结果；同时在云端利用强大的计算及存储能力构建深度学习的联合预[0053]图1为根据本申请实施例提供的基于膨胀力的车云融合电池荷电状态估计系统的[0054]图2为根据本申请实施例提供的基于膨胀力的车云融合电池荷电状态估计方法的[0065]图13为根据本申请实施例提供的BJDST工况下采用不同算法对电池SOC的估计结[0066]图14为根据本申请实施例提供的BJDST工况下采用不同算法对电池SOC的估计误[0067]图15为根据本申请实施例提供的FUDS工况下采用不同算法对电池SOC的估计结[0068]图16为根据本申请实施例提供的FUDS工况下采用不同算法对电池SOC的估计误9[0069]图17为根据本申请实施例提供的US06工况下采用不同算法对电池SOC的估计结[0070]图18为根据本申请实施例提供的US06工况下采用不同算法对电池SOC的估计误[0075]本说明书中词汇是为了说明本申请的实施例而使用的，但不是试图要限制本申[0076]图1为根据本申请的实施例提供的基于膨胀力的车云融合电池荷电状态估计系统估计单元则通过无线方式进行通信。上述有线/无线数据传输与通信方式均为本领域技术[0081]可以理解的是，该估计方法的步骤100至步骤300可以在车辆启动并与云端连接的各种传感器按照预设的采样时间间隔(或按照预设的采样频率)对电池状态数据进行采[0085]电池状态数据包括传感器在各个采样时刻获取的电池的激励电流I、动量电压U、变化，随着电池负极锂离子含量的增加，电极内部含[0089]参考图1及图2，车端估计单元获取上述电池状态数据后，通过执(IterativeAdaptiveExtendedKalmanFilter，迭代自适应扩展卡尔曼滤波)算法得到电池在各个时刻k的SOC的第一估计值(在本申请的实施例中，k时刻的SOC的第一估计值记型的联合预测模型得到电池荷电状态的第二估计值存储和/或显示在与车载电脑配合使用的A得到相对准确的SOC估计结果；同时在云端利用强大的计算及存储能力构建深度学习的联人员所熟知的通信方式获取各个传感器采集到的各个采样时刻的[I,U,p,T]数据，然后执行IAEKF算法(迭代自适应扩展卡尔曼滤波算法)估计得到各个时刻电池荷电状态的第一估池状态数据记为[I,U,p,T]k,k＝1,2,3,...，将k时刻电池荷电状态的第一估计值记为[0093]图3示出了在本申请的一些优选的实施例中，在车端通过执行IAEKF算法进行SOC自适应更新滤波参数(Adaptivemodu数的形式和数量则依赖于描述电池性能的等效n为电池的真实容量。[0107]步骤420，对考虑膨胀力的电池二阶RC模型离散化，确定其最小二乘法递推表达R1C1包括以及开路电压UOCV，上述各参数可以通过对电池进行HPPC测试(HybridPulsePower[0122]图5示出了在一个具体实施例中，对某一型号的软包钴酸锂电池进行HPPC的实验[0124]为了显示不同的初始膨胀力对电池SOC的影响，分别选择初始膨胀力为200N，prepre验数据进行FFRLS(FastForgettingRecursiveLeastSquares，快速遗忘递归最小二乘及SOC_OCV拟量包括电池SOC以及两个RC环的电压，uk_1为k_1时刻的系统输入量(在本申请的实施例中，[0136]比较EKF与常规的线性卡尔曼滤波的表达式，可以得到kkk分别代表线性卡尔曼滤波[0138]在建立如(9)式所示的EKF状态方程及观测方程后，车端估计单元即可执行IAEKFΦkk及Hk。取k时刻电池荷电状态的第一估计值SOC。[0158]先验误差协方差矩阵R、后验误差协方差矩阵的更新在每次迭代卡尔曼滤波束时的迭代次数i所对应的H:)。模块用于存储电池状态数据及电池SOC的估的电池状态数据，对k时刻的电池SOC进行估计，在本申请的实施例中，其估计结果记为超参数进行基于遗传算法的优化，以改进LSTM模型的网络结构；CNN模型用于生成反馈至够极大地增加提升对LSTM网络进行训练以及使用LSTM网络进行SOC估计的能力。状态的预估值SOCpre，并使用上述SOCreal和SOCpre对GA模型和CNN模型的训练效果进行评价模型进行SOC估计的过程中实施，即上述GA模型和CNN模型可以在电池SOC的云端估计过程输入数据的维度及特征表征能力进行拓展，均能够有效地提升LSTM模型对电池SOC估计的可以进一步叠加反映膨胀力受SOC影响而[0190]在本申请的实施例中，对LSTM模型超参数的优化由GA模型通过执行遗传算法[0199]分别通过车端及云端进行估计，得到SOC的第一估计值soc和第二估计值soc;的结果socf作为输出量，将上述假设重新整理为(23)式所示的一维卡尔曼滤波的状态方车辆的仪表盘或控制面板等处，wg"代表车端传感器测量误差以及车端输出的soc:与真实值(该真实值同样可以选择安时积分法的计算结果)的误差之和，v"则代表云端输出的soc:与真实值的误差。[0203]利用(23)式可以构造一维卡尔曼滤波的迭代表达式，从而不断地通过k时刻的w"、"得到从而实现车云融合的电池荷电状态估计。[0208]然后使用传统的时间窗AEKF算法和本申请提出的车端IAEKF算法对BJDST、FUDS、[0209]同时在云端获取各个时刻的[I,V,p,T]数据并对其进行处理，通过CNN模型优化[0211]图13、图14分别示出了BJDST工况下采用不同算法对电池SOCDST工况下采用不同算法对电池SOC的估计结果及误差。四种工况下各种算法的RMSE和MAE分别为1.92％、2.1％、2.54％和1.9本申请中车端采用的IAEKF算法的RMSE分别为本申请提供的CNN_GA_LSTM联合预测模型的优[0223]以上对本申请的具体实施方式作了详细介绍，对于本技