欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023108815298
申请人: 桂林电子科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于变窗口自适应无迹卡尔曼滤波的锂离子电池SOC预测方法,其特征在于,包括以下步骤:步骤1:由HPPC试验建立OCV-SOC映射关系,通过多项式公式进行拟合;

步骤2:建立锂电池二阶RC等效电路模型状态空间方程,通过AFFRLS估算模型参数;

步骤3:通过自适应遗传算法,取多组数据进行训练,其中初始种群为噪声协方差匹配窗口大小随机值,AGA用于确认最佳的窗口长度L;

步骤4:将得到的L值作为自适应无迹卡尔曼滤波的窗口基数,用于更新窗口长度;

步骤5:更新锂电池二阶RC等效电路模型状态空间方程,由AUKF进行SOC的预测并更新误差新息序列;

步骤6:将误差新息序列,通过Allan方差分析法得到方差波动情况,按照设定规则更新L长度;

步骤7:返回步骤5进行下一次预测,直至预测结束。

2.据权利要求1所述的基于变窗口自适应无迹卡尔曼滤波的锂离子电池SOC预测方法,其特征在于:步骤1中对锂离子电池进行HPPC试验,获得OCV与SOC数据关系,采用多项式拟合方法进行拟合,拟合公式为:Uocv=a1SOC+a2SOC2+…+anSOCn,为n阶拟合,式中a1,···,an为拟合参数。

3.据权利要求1所述的基于变窗口自适应无迹卡尔曼滤波的锂离子电池SOC预测方法,其特征在于:步骤2建立锂电池二阶RC等效电路模型状态空间方程,通过AFFRLS估算模型参数的方法,包括以下步骤:步骤S2-1:由基尔霍夫定律,推导得到锂电池二阶RC等效电路模型状态空间方程;

步骤S2-2:将模型写成最小二乘形式,推导得到模型参数估算表达式;

步骤S2-3:将测量的锂电池端电压、负载电流数据作为AFFRLS算法输入,并将L设为0;

步骤S2-4:进行AFFRLS算法迭代,估算参数向量,计算出模型参数;

步骤S2-5:将得到的模型参数代入模型状态空间方程,更新状态方程和观测方程。

4.据权利要求3所述的基于变窗口自适应无迹卡尔曼滤波的锂离子电池SOC预测方法,其特征在于:步骤S2-1中所述的锂电池二阶RC等效电路模型,其状态方程和观测方程为: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;τ1=R1C1、τ2=R2C2,R0、R1、R2、C1、C2为模型参数;UL为端电压、Uoc为开路电压,I为负载电流,参数随时间k变化。

5.据权利要求3所述的基于变窗口自适应无迹卡尔曼滤波的锂离子电池SOC预测方法,其特征在于:步骤S2-4中代估算参数向量为:θ(k)=[a0,a1,a2,a3,a4]T,输入参数向量φ(k)=[Y(k-1),Y(k-2),I(k),I(k-1),I(k-2)]T,AFFRLS估算公式为:式中e(k)为修正误差,Y(k)为输入数据量,Kk为增益,P(k)为误差协方差,λ为遗忘因子,取值范围在0.95~1,λmax为最大λ值,λmin为最小λ值,e0为预设基准误差,round(·)为取整函数。

6.据权利要求1所述的基于变窗口自适应无迹卡尔曼滤波的锂离子电池SOC预测方法,其特征在于:步骤3通过自适应遗传算法,取多组数据进行训练的方法,包括以下步骤:步骤S3-1:将噪声协方差匹配的窗口大小L作为AGA种群中个体,随机构造初代种群;

步骤S3-2:将测量数据作为训练数据,取前50组数据;

步骤S3-3:将L更新到AUKF,迭代更新观测预测值,更新误差新息序列;

步骤S3-4:进行AGA选择交叉变异操作,获得新种群;

步骤S3-5:由自适应公式更新过程噪声协方差和测量噪声协方差;

步骤S3-6:判断是否满足终止条件,满足则输出最佳L值,并进行下一步,不满足返回步骤S3-3直至迭代结束;

步骤S3-7:将L值输入到AUKF算法中参数迭代运算,由交叠式分组Allan方差分析公式计算误差新息序列倒数10组数据的方差值σ0。

7.据权利要求1所述的基于变窗口自适应无迹卡尔曼滤波的锂离子电池SOC预测方法,其特征在于:步骤5更新锂电池二阶RC等效电路模型状态空间方程,由AUKF进行SOC的预测并更新误差新息序列的方法,包括以下步骤:步骤S5-1:初始化AUKF中噪声协方差矩阵R0、Q0,误差协方差矩阵P0,状态向量x0;

步骤S5-2:判断L>0是否成立,判断此时AGA寻优结果已经输入到AUKF算法中;

步骤S5-3:由AFFRLS更新的模型参数,开始SOC的预测;

步骤S5-4: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S5-5: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P-x;

步骤S5-6:再次对步骤S5-4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S5-7:计算观测预测值、观测误差协方差矩阵P-y、互协方差矩阵Pxy,计算卡尔曼增益Kk;

步骤S5-8:更新误差新息序列,进行步骤6相应操作;

步骤S5-9:更新L值,由自适应公式更新过程噪声协方差和测量噪声协方差;

步骤S5-10:更新状态预测值x(k)和状态误差协方差Px(k);

步骤S5-11:令k=k+1,输出SOC预测值,并返回步骤S5-3继续AUKF算法迭代,直至迭代结束。

8.据权利要求7所述的基于变窗口自适应无迹卡尔曼滤波的锂离子电池SOC预测方法,其特征在于:步骤5-2基于AGA进行AUKF噪声协方差匹配窗口长度L的自动寻优,AGA的寻优包含以下内容:(1)AGA初始化,包含种群个体大小、终止代数、交叉和变异概率的上下限,编码方式采用实数编码,选择操作采用轮盘赌法和最佳保留策略;

(2)计算个体适应度值,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;

(3)AGA计算适应度值需要调用AUKF的迭代运算,种群中个体大小选20,终止代数为10;

(4)构造的轮盘赌法扇区总面积S为:

式中,i为第i个体,L为个体大小;

个体被选中的概率J为:

J(i)=1/(fit(i)*S)

由轮盘赌法将优势个体保留,劣势个体淘汰;

(5)交叉策略,采用算数交叉,在交叉概率下对选择的个体进行交叉操作,算术交叉公式为:α、β为随机数,取值在0-1,xa、xb为两个染色体;

交叉概率计算公式为:

i代表第i个个体,Fmax、Fmin分别为适应度函数最大、最小值,Pcmin为交叉概率最小值,F(i)越接近最小值,PC越小,相对的F(i)越接近最大值,PC越接近1;

(6)变异策略采用非均匀变异,公式如下:

式中,M、N为寻优参数左右边界,γ为(0,1)范围随机数,k取值在(0,1),d为随机数0或1;

式中km为变异概率最大取值,g(i)为当前算法迭代次数,gmax为终止代数。

9.据权利要求7所述的基于变窗口自适应无迹卡尔曼滤波的锂离子电池SOC预测方法,其特征在于:步骤5-4中由UT变换构造sigma点,对称采样方法如下:其中其中U、V为正交矩阵,S为对角矩阵,为状态向量均值,n为状态向量维度,Pk为状态向量协方差。

10.据权利要求1所述的基于变窗口自适应无迹卡尔曼滤波的锂离子电池SOC预测方法,其特征在于:步骤6将误差新息序列,通过Allan方差分析法得到方差波动情况,按照设定规则更新L长度的方法,包括以下步骤:步骤S6-1:由交叠式分组Allan方差分析公式计算当前数据组方差值;

步骤S6-2:与步骤S3-7的方差进行比较,倍数大于a倍,L值减1;倍数小于1/a倍,L值加1;其他情况,L不变;

步骤S6-3:将L值更新到步骤S5-9,作为下一次噪声协方差匹配的窗口大小参数AUKF预测运算。