1.一种基于机理与数据融合驱动的锂电池SOC-SOH联合估计方法,其特征在于,包括如下步骤:步骤1:分别构建锂电池SOC值和当前最大可用容量的时序的多维数据集,利用Takens嵌入方法重构从初始时刻到k-1时刻的训练数据,在相空间生成d维向量;
步骤2:相空间重构,将多维数据集重构出与动力系统相同的拓扑意义的相空间;
步骤3:将重构后的最小二乘支持向量机(LSSVM,Least Square Support VectorMachines)预测模型进行离线训练;
步骤4:根据安时积分法和电池容量退化经验模型分别建立SOC和SOH估计的状态方程;通过LSSVM在线预测模型分别建立SOC和SOH估计的观测方程;
步骤4.1:根据安时积分法和电池容量退化经验模型分别建立SOC和SOH估计的IUPF状态方程;
步骤4.2:离线的LSSVM训练得到的SOC和SOH作为虚拟观测值,利用LSSVM回归模型作为观测方程;
步骤5:根据从初始时刻到k-1时刻的训练数据训练LSSVM的离线模型,使用改进的无迹粒子滤波算法(IUPF,Intermediate UPF)估计在k时刻的回归预测模型的LSSVM参数;
步骤6:IUPF算法在k时刻观测到新的数据,系统使用增量式的学习方法,仅学习和更新数据的信息,更新粒子权重,结合LSSVM在线模型给出SOC、SOH和LSSVM参数的进一步预测值,其中IUPF算法框架的状态方程和观测方程如下:其中,sk=[γk σk],γk为正则项系数,σk为核参数,sk为IUPF状态空间方程中的状态向量,ωk、ξk是相互独立的高斯白噪声;
基于安时积分法建立的SOC估计的状态方程离散化表示如下:SOCk为k时刻锂电池的SOC值;Δtk为系统采样时间;Ik为k时刻系统输入电流;
步骤7:更新后的LSSVM模型参数迭代到训练数据集,以用于k+1时刻的状态估计,从而实现电池SOC和SOH的联合预测和数据驱动模型的在线更新。
2.根据权利要求1所述的一种基于机理与数据融合驱动的锂电池SOC-SOH联合估计方法,其特征在于,基于容量衰减的经验模型建立容量的状态方程的离散化表示如下:Ck+1=ηcCk+β1exp(-β2/Δtk)+ξk式中,Ck为k时刻的电池可用容量;ξk为状态噪声;β1和β2是待确定的系数。
3.根据权利要求1所述的SOC-SOH联合估计方法,其特征在于,锂离子电池健康状态SOH的定义如下:式中,SOHk是第k时刻计算得到的SOH值,Cnew为电池出厂电容;Ccurrent为电池当前最大可用电容。
4.根据权利要求1所述的一种基于机理与数据融合驱动的锂电池SOC-SOH联合估计方法,其特征在于,LSSVM观测方程构建SOC和SOH的状态方程离散化表示如下:yk=f(xk-1,sk)+ιk
其中,sk是LSSVM参数,lk是高斯白噪声。
5.根据权利要求1所述的一种基于机理与数据融合驱动的锂电池SOC-SOH联合估计方法,其特征在于,步骤6还包括如下步骤:步骤6.1:初始化n个初始状态粒子xk;
步骤6.2:对每个采样粒子应用改进的UKF算法进行权值优化;
步骤6.3:计算粒子的重要性权重并进行归一化;
步骤6.4:利用重采样算法,对粒子进行复制和淘汰,并重新计算权重;
步骤6.5:进行相应的SOC或SOH的状态估计;
步骤6.6:进行在线估计LSSVM的参数更新。
6.一种SOC-SOH联合估计模型系统,其特征在于,所述系统用于实现权利要求1-5任一项所述的基于机理与数据融合驱动的锂电池SOC-SOH联合估计方法,包括:利用安时积分法和电池容量衰减的方式分别构建锂离子电池的SOC和当前容量的状态方程,再利用IUPF-LSSVM框架通过迭代实现在线训练数据驱动模型和电池状态参数的进一步预测,利用最优状态估计模块实现SOC值和SOH值的状态估计;
所述IUPF-LSSVM框架模块,具体用于通过迭代实现在线训练数据驱动模型和电池参数的进一步预测;
所述最优状态估计模块,输出估计得到的SOH值和SOC值。