动力电池非光滑迟滞特性补偿的电荷状态估算方法及系统

摘要

本发明为动力电池非光滑迟滞特性补偿的电荷状态估算方法及系统，本法第一步采集电池输出电压和电流，由电池等效电路模型得到各参数的关系式构建神经网络OCV(k)预估模型，求解其中参数，对开路端电压OCV(k)在线估计。第二步SDH模型和RBF2串联组成动态迟滞混合模型。SDH模型以第一步所得OCV(k)为输入，其输出的y(k)和OCV(k)、OCV(k-1)为RBF2的输入，RBF2加权学间接调整SDH模型的参数，逼近实际的复杂迟滞关系，最终输出在线估算的SOC(k)。本系统由微处理器和安装于电池电路的电流、电压传感器等构成，存储执行本方法的程序，得SOC（k）估算值。本发明借鉴神经网络，补偿了动力电池复杂非光滑迟滞非线性特性，提高SOC(k)在线估算精度。

主权项

1.动力电池非光滑迟滞特性补偿的电荷状态估算方法，分两步对动力电池的电荷状态SOC(k)进行估算，第一步为采集动力电池，得到实际测量的电池端电压的离散数字量和离散数字量电流i(k)，对电池开路端电压的离散数字量OCV(k)进行在线估计；第二步为根据OCV(k)对电荷状态迟滞非线性误差进行补偿，估算当前SOC(k)值；第一步、对电池开路端电压的离散数字量OCV(k)的在线估计根据电池等效电路模型得到输出电压V(k)与电池开端电压OCV(k)、电流i(k)及电容端电压u_c(k)的离散量关系以及电容端电压u_c(k)与i(k)的离散量关系：V(k)=OCV(k)-R₁i(k)-u_c(k)u_c(k)=k₂u_c(k-1)+k₁i(k)其中：$k_1=\frac{R_{2}T}{T+R_{2}C},$$K_2=\frac{R_{2}C}{T+R_{2}C}$T是采样周期；对应上述公式构建神经网络OCV(k)预估模型，包括三个神经元节点（J₁、J₂、J₃）和第一径向基函数神经网络（RBF1），数字采集动力电池，实际测量的电池端电压的离散数字量和离散数字量电流i(k)，作为本模型的输入值；第一神经元节点（J₁）求电容端电压u_c(k)；z^-1为向前一步算子，第一神经元节点（J₁）输出的u_c（k）通过z^-1得到对应的u_c（k-1），第一神经元节点（J₁）根据式u_c(k)=k₂u_c(k-1)+k₁i(k)通过加权系数k₁和k₂分别对数字采集所得的i（k）和u_c(k-1)进行加权求和,得到输出u_c(k)；第二神经元节点（J₂）根据数字采集得到i(k)与模型中参数k₃得到R₁上的电压为k₃×i(k)，k₃表示R₁；第三神经元节点（J₃）计算等效电路输出电压V(k)估计值，V(k)=OCV(k)-R₁i(k)-u_c(k),即该节点求和运算的加权系数分别为1，－1，和－1；第一径向基函数神经网络（RBF1）的输出OCV（k）是电流i(k)、等效电路输出电压V(k)的动态函数；OCV（k）通过z^-1向前一步算子得到OCV(k-1)，OCV(k-1)作为外反馈，与V(k)的前一采样时刻值V(k-1)和i(k)做为第一径向基函数神经网络（RBF1）的输入信号，第一径向基函数神经网络（RBF1）对电压V(k)、电流i(k)与OCV（k）的动态非线性特性进行描述，对电池等效电路模型补充并扩展，第一径向基函数神经网络（RBF1）的输出为电池开路端电压OCV(k)；第二步、根据OCV（k）对电荷状态复杂迟滞非线性误差补偿，估算当前的SOC（k）值本步骤采用简单动态迟滞模型—SDH模型与第二径向基函数神经网络（RBF2）串联组成动态迟滞混合模型；SDH离散模型的表达式如下：$\left\{\begin{array}{c}y\left(k\right)=\eta \left(k\right)-\frac{1}{k_4}\mathrm{OCV}\left(k\right)\\ \eta \left(k\right)=\eta (k-1)+T\times k_4(\mathrm{OCV}\left(k\right)-\Delta \left(\eta \left(k\right)\right))\end{array}\right.$$\Delta \left(\eta \left(k\right)\right)=\left\{\begin{array}{cc}{k}_4(\eta \left(k\right)-1)& \eta \left(k\right)>1\\ 0& \left|\eta \left(k\right)\right|\le 1\\ k_4(\eta \left(k\right)+1)& \eta \left(k\right)<-1\end{array}\right.$其中，OCV(k)是第一步取得的在线估计值，为SDH模型的输入，y(k)是SDH离散模型的输出，T为采样周期；SDH模型所得到的y(k)和第一步得到的OCV(k)、OCV(k)的前一采样时刻值OCV(k-1)作为第二径向基函数神经网络（RBF2）的输入，通过第二径向基函数神经网络（RBF2）中的加权学习，实现任意单值对应的非线性映射，间接调整SDH模型的k₄参数，以逼近实际的SOC（k）与OCV（k）复杂迟滞关系，最终输出在线估算的SOC(k)。