1.一种遗传算法与无迹卡尔曼滤波融合的锂离子电池SOC预测方法,其特征在于,包括以下步骤:步骤1:通过HPPC试验获得锂离子电池的OCV与SOC关系,进行二者的参数拟合;
步骤2:对工作状态的同规格锂电池进行电压电流的测量;
步骤3:将测量值组成AFFRLS输入参数矩阵,为二阶RC等效电路模型的参数估算做准备;
步骤4:通过AFFRLS估算参数向量,再通过参数向量计算二阶RC等效电路模型参数R0、R1、R2、C1、C2;
步骤5:由步骤4得到的模型参数,建立状态方程和观测方程;
步骤6:初始化UKF噪声协方差矩阵R、Q,误差协方差矩阵P,状态向量x0;
步骤7:获得步骤6迭代误差,误差大于设定值将进行Q、R的自适应更新;
步骤8:对R通过AGA算法进行自适应匹配;
步骤9:对Q通过噪声匹配法自适应更新;
步骤10:由步骤6的SOC、步骤1的OCV‑SOC拟合关系、步骤4估算的模型参数,计算端电压预测值,并输出SOC和电压预测值;再返回步骤2开始下一次预测,直至预测需求结束。
2.根据权利要求1所述的遗传算法与无迹卡尔曼滤波融合的锂离子电池SOC预测方法,其特征在于,对选择的锂离子电池进行HPPC试验,建立OCV与SOC关系,采用多项式拟合方法进行映射关系拟合,或采用复合拟合表达式进行拟合。
3.根据权利要求2所述的遗传算法与无迹卡尔曼滤波融合的锂离子电池SOC预测方法,2
其特征在于,采用多项式拟合方法进行映射关系拟合,拟合公式为:Uocv=a1SOC+a2SOC+...n+anSOC ,为n阶拟合,式中a1,···,an为拟合参数。
4.根据权利要求2所述的遗传算法与无迹卡尔曼滤波融合的锂离子电池SOC预测方法,其特征在于,采用复合拟合表达式进行拟合:Uocv=k0‑k1/SOC‑k2SOC+k3ln[SOC]+k4[1‑SOC],式中k1,···,kn为拟合参数。
5.根据权利要求1所述的遗传算法与无迹卡尔曼滤波融合的锂离子电池SOC预测方法,其特征在于,步骤4中AFFRLS估算模型参数,包括以下步骤:步骤S4‑1:初始化基准误差e0、参数向量初值θ0、误差协方差矩阵P0;
步骤S4‑2:输入参数向量,通过输入参数矩阵计算增益;
步骤S4‑3:然后将步骤S4‑1增益值计算预测端电压和预测误差;
步骤S4‑4:结合步骤S4‑1和步骤S4‑2的增益和预测误差,更新参数向量;
步骤S4‑5:结合步骤S4‑2增益更新算法的误差协方差矩阵;
步骤S4‑6:通过步骤S4‑2参数向量,计算模型参数值;
步骤S4‑7:结合步骤S4‑6模型参数反向计算电压预测值,得到预测误差;
步骤S4‑8:由步骤S4‑6预测误差自适应更新遗忘因子值,将新的遗忘因子值返回步骤S4‑2。
6.根据权利要求1所述的遗传算法与无迹卡尔曼滤波融合的锂离子电池SOC预测方法,其特征在于,步骤6中初始化UKF噪声协方差矩阵R、Q,误差协方差矩阵P,状态向量x0,包括以下步骤:步骤S6‑1:通过步骤4实时更新模型参数,得到的参数用于建立模型状态方程和观测方程;
步骤S6‑2:对状态向量x(k)进行UT变换,构造sigma点集,并计算采样点权重;
‑
步骤S6‑3:由sigma点和采样点权重计算状态向量预测值x (k)和状态误差协方差矩阵‑Px;
步骤S6‑4:再次对步骤S5‑3的状态预测值进行UT变换,构造新的sigma点,然后计算采样点权重;
‑
步骤S6‑5:通过步骤S6‑4新的sigma点计算观测量预测值y (k)、观测误差协方差矩阵‑Py、互协方差矩阵Pxy;
‑
步骤S6‑6:由步骤S6‑5中观测误差协方差矩阵Py、互协方差矩阵Pxy计算卡尔曼增益Kk;
步骤S6‑7:令k=k+1,令k=0,结合步骤2的测量数据,以及步骤S5‑3的状态向量预测值‑ ‑ ‑ ‑x(k)和状态误差协方差矩阵Px、步骤S6‑5观测量预测值y (k)、观测误差协方差矩阵Py、步骤S6‑6卡尔曼增益Kk、更新状态预测值x(k)和状态误差协方差Px(k);
步骤S6‑8:将步骤S6‑7中状态预测值x(k)和状态误差协方差Px(k)返回到步骤S6‑1直至迭代结束,通过UKF不断更新锂电池SOC值。
7.根据权利要求1所述的遗传算法与无迹卡尔曼滤波融合的锂离子电池SOC预测方法,其特征在于,步骤S6‑1中建立模型的状态方程和观测方程分别为:其中,T=1,ω(k)表示过程噪声,ν(k)表示观测噪声,二者是均值为零的非相关白噪声;U1(k)、U2(k)分别为RC网络两端电压,η为库伦效率,QN为额定容量。
8.根据权利要求1所述的遗传算法与无迹卡尔曼滤波融合的锂离子电池SOC预测方法,其特征在于,步骤8中对R通过AGA算法进行自适应匹配,AGA更新R的流程,包括以下步骤:步骤S8‑1:初始化AGA参数,确定终止代数L、个体大小M、初始交叉概率Pc、变异概率Pm、R取值上下界;
步骤S8‑2:结合步骤S8‑1中R取值上下界、个体大小M,随机构造M个个体,取值符合R取值范围,并对个体进行判断,两两个体取值小于上下界差值Lm的(Lm/(10·M))倍,则重新构造符合要求的新个体;
步骤S8‑3:对步骤S8‑2中M个个体计算个体适应度函数值,并确定最佳个体;
步骤S8‑4:对步骤S8‑3中最佳个体免于进入选择交叉变异,剩余个体计算个体扇区面积,构造轮盘,轮盘随机转M‑1次,得到新种群;
步骤S8‑5:对新种群中最差的个体进行替换,将步骤S8‑3最佳个体替换步骤S8‑4中最差个体,并进行下一步;
步骤S8‑6:步骤S8‑5中新种群进行交叉操作,产生随机数,随机选择种群中两两个体,再判断个体是否满足交叉概率,满足则进行个体间的算术交叉,判断次数为M次;并确认新种群个体最大、最小适应度值,自适应更新交叉概率Pc,交叉结束后新种群进行下一步;
步骤S8‑7:将步骤S8‑6中新种群进行变异操作,首先产生随机性,判断是否满足变异概率,满足概率则对个体进行变异操作,判断次数为M次;并确认新种群个体最大、最小适应度值、最优个体及个体适应度平均值,自适应更新交叉概率Pm;
步骤S8‑8:算法迭代满足个体适应度值的要求时,或达到终止代数时,终止迭代,确认最佳个体;
步骤S8‑9:将算法最佳个体返回,作为新的R值参与UKF迭代步骤S6‑3。
9.根据权利要求8所述的遗传算法与无迹卡尔曼滤波融合的锂离子电池SOC预测方法,其特征在于,步骤S8‑3中计算个体适应度函数值,公式为: 公式中N为UKF预测迭代次数k加上当前个体的和,N=k+1,y(k)为电压真实值, 为电压预测值。
10.根据权利要求1所述的遗传算法与无迹卡尔曼滤波融合的锂离子电池SOC预测方法,其特征在于,步骤9中对Q通过噪声匹配法自适应更新,包括以下步骤:‑
步骤S9‑1:输入步骤S6‑5中观测误差协方差矩阵Py,减去当前Q值;
步骤S9‑2:结合步骤S8‑9中最优R值,计算误差累积协方差阵H,并更新卡尔曼增益Kk;
步骤S9‑3:结合步骤S6‑5,将步骤S9‑2中得到的误差累积协方差阵H、卡尔曼增益Kk计算Q;
步骤S9‑4:判断Q值范围是否满足Q取值上下限,防止系统计算、算法迭代误差引起Q值的不当取值,满足取值要求则更新Q值,不满足则取初始Q值;
步骤S9‑5:将计算的Q值返回到UKF迭代步骤S6‑5参与迭代运算。