本發(fā)明涉及鋰電池
技術(shù)領(lǐng)域：
，具體地，涉及一種基于深度學(xué)習(xí)CKF的應(yīng)急燈電池SOC估計(jì)方法。
背景技術(shù)：
：當(dāng)火災(zāi)發(fā)生時(shí)，消防應(yīng)急燈能有效引導(dǎo)被困人員疏散或展開滅火救援行動，從而降低了火災(zāi)帶來的人身和財(cái)產(chǎn)損失。應(yīng)急燈的電池管理系統(tǒng)通過對電池組進(jìn)行綜合管理和保護(hù)，達(dá)到延長電池使用壽命、提高使用效率和可靠性的目的。電池的荷電狀態(tài)(StateofCharge，SOC)的精確估算是電池管理系統(tǒng)中一項(xiàng)關(guān)鍵技術(shù)，是評估電池健康狀態(tài)以及放點(diǎn)過程的依據(jù)。目前最常用的電池SOC估算方法包括開路電壓法、安時(shí)法和卡爾曼濾波法等。開路電壓法耗時(shí)較長，無法動態(tài)估算電池SOC，因此只適用于電池非工作狀態(tài)下的預(yù)測。安時(shí)法中，如果電流測量值存在誤差，則會出現(xiàn)誤差累計(jì)放大效應(yīng)。卡爾曼濾波法對SOC的初始誤差有很強(qiáng)的修正作用，但需要精確知道電池的系統(tǒng)數(shù)學(xué)模型。在對電池實(shí)際建模過程中，電池系統(tǒng)的精確模型往往無法獲得，因此直接使用卡爾曼濾波方法會產(chǎn)生較大的估計(jì)誤差。技術(shù)實(shí)現(xiàn)要素：針對現(xiàn)有應(yīng)急燈電池SOC估計(jì)方法的不足，本發(fā)明首先建立了應(yīng)急燈電池的數(shù)學(xué)模型，然后以容積卡爾曼濾波(cubatureKalmanfilter，CKF)為基礎(chǔ)，結(jié)合深度學(xué)習(xí)技術(shù)提供一種基于深度學(xué)習(xí)CKF的應(yīng)急燈電池SOC估計(jì)方法。為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于深度學(xué)習(xí)CKF的應(yīng)急燈電池SOC估計(jì)方法，包括以下步驟：1、建立應(yīng)急燈電池系統(tǒng)離散狀態(tài)空間模型；2、采用深度學(xué)習(xí)CKF對電池SOC進(jìn)行估算。所述的步驟1中的應(yīng)急燈電池系統(tǒng)離散狀態(tài)空間模型為：x(k+1)＝A·x(k)+B·i(k)+w(k)z(k)＝h[x(k)]+D·i(k)+v(k)其中，x(k)=[Sc(k),U(k)]TA=100e-ΔtRC,B=-η0ΔtQ0R(1-e-ΔtRC)Tw(k)=w1(k)w2(k)Tz(k)=Vout(k)h[x(k)]=Vo(k)-k0/Sc(k)-k1Sc(k)+k2ln(Sc(k))+k3ln(1-Sc(k))-U(k)D=-R0]]>上式中，△t為采樣周期，k為離散采樣時(shí)刻，上標(biāo)“T”表示矩陣轉(zhuǎn)置運(yùn)算；Sc(k)為k時(shí)刻電池的荷電狀態(tài)，U(k)為k時(shí)刻電池極化電容的電壓，i(k)為k時(shí)刻的瞬時(shí)電流；R為電池極化內(nèi)阻，C為極化電容，η0為庫侖系數(shù)，Q0表示電池的標(biāo)稱容量；Vout(k)為k時(shí)刻電池的負(fù)載電壓，Vo為電池充滿電后的空載電壓；k0、k1、k2、k3均為待辨識的模型參數(shù)；R0為電池歐姆內(nèi)阻；w(k)為過程噪聲向量；v(k)為電池端電壓測量噪聲。w(k)和v(k)均是均值為零方差分別為Q(k)和R(k)的高斯白噪聲。所述的步驟2中的基于深度學(xué)習(xí)CKF的電池SOC估計(jì)方法包括濾波器初始化、時(shí)間更新過程、測量更新過程、深度學(xué)習(xí)算法優(yōu)化補(bǔ)償、算法結(jié)束五部分組成。3.1濾波器初始化包括初始化系統(tǒng)狀態(tài)誤差協(xié)方差陣P(0|0)＝P(0)。3.2時(shí)間更新過程，估算狀態(tài)的預(yù)測估計(jì)值及其誤差協(xié)方差陣P(k|k-1)；3.3測量更新過程，具體包括：3.3.1計(jì)算測量值的預(yù)測估計(jì)值3.3.2計(jì)算狀態(tài)與測量值的互協(xié)方差矩陣Pxz(k|k)；3.3.3計(jì)算新息協(xié)方差Pzz(k|k-1)，增益陣K(k)、最優(yōu)估計(jì)及其誤差協(xié)方差P(k|k)；3.4深度學(xué)習(xí)算法優(yōu)化補(bǔ)償3.4.1選取狀態(tài)預(yù)測估計(jì)值和增益陣K(k)的各分量作為深度學(xué)習(xí)訓(xùn)練網(wǎng)絡(luò)的輸入?yún)?shù)；選取電池SOC估計(jì)誤差△Sc(k)為輸出參數(shù)；3.4.2基于層疊自動編碼器的深度學(xué)習(xí)模型進(jìn)行學(xué)習(xí)訓(xùn)練，得到電池SOC誤差補(bǔ)償值△Sc(k)；3.4.3利用誤差補(bǔ)償值△Sc(k)對進(jìn)行修正補(bǔ)償，輸出結(jié)果。3.5判斷濾波算法是否繼續(xù)執(zhí)行，若是，返回3.2；否則，結(jié)束算法。本發(fā)明有益效果：利用深度學(xué)習(xí)技術(shù)具有強(qiáng)大的自學(xué)習(xí)能力，通過對有關(guān)參量的學(xué)習(xí)訓(xùn)練，能對CKF估計(jì)值進(jìn)行優(yōu)化補(bǔ)償，提高電池SOC估計(jì)精度。同時(shí)，深度學(xué)習(xí)網(wǎng)絡(luò)的自適應(yīng)能力解決了CKF方法在模型不精確情況下引發(fā)的估計(jì)發(fā)散問題，增強(qiáng)了電池SOC估計(jì)算法的穩(wěn)定性。附圖說明圖1為本發(fā)明方法流程圖。圖2深度學(xué)習(xí)層疊自編碼網(wǎng)絡(luò)結(jié)構(gòu)圖。具體實(shí)施方式下面結(jié)合附圖和實(shí)施例對本發(fā)明做進(jìn)一步說明。如圖1所示，一種基于深度學(xué)習(xí)CKF的應(yīng)急燈電池SOC估計(jì)方法，包括以下步驟：步驟1建立電池系統(tǒng)離散狀態(tài)空間模型。記△t為采樣周期，k為離散時(shí)刻，Sc(k)為k時(shí)刻電池的荷電狀態(tài)，i(k)為k時(shí)刻的瞬時(shí)電流；η0為庫侖系數(shù)，(可通過電池充放電試驗(yàn)獲得，放電情況下為1)，Q0表示電池的標(biāo)稱容量，則電池SOC的狀態(tài)方程為：Sc(k+1)=Sc(k)-η0ΔtQ0i(k)+w1(k)---(1)]]>記U(k)為k時(shí)刻電池極化電容C上的電壓，則有：U(k+1)=e-ΔtRCU(k)+R(1-e-ΔtRC)i(k)+w2(k)---(2)]]>其中，w1(k)和w2(k)均為高斯隨機(jī)噪聲。若令x(k)＝[Sc(k),U(k)]T，w(k)＝[w1(k),w2(k)]T，上標(biāo)“T”表示矩陣轉(zhuǎn)置運(yùn)算，那么電池系統(tǒng)的狀態(tài)方程可寫為x(k+1)＝A·x(k)+B·i(k)+w(k)(3)記Vout(k)為k時(shí)刻電池的負(fù)載電壓，Vo為電池充滿電后的空載電壓，則輸出方程為Vout(k)=Vo(k)-k0/Sc(k)-k1Sc(k)+k2ln(Sc(k))+k3ln(1-Sc(k))-R0i(k)-U(k)+v(k)---(4)]]>其中，R0是電池的歐姆內(nèi)阻，k0、k1、k2、k3為待辨識的模型參數(shù)，這五個(gè)參數(shù)可以通過離線的最小二乘辨識方法確定；電池端電壓測量噪聲v(k)是均值為零方差為R(k)的高斯白噪聲。令z(k)＝Uout(k)，h[x(k)]＝Vo(k)-k0/Sc(k)-k1Sc(k)+k2ln(Sc(k))+k3ln(1-Sc(k))-U(k)，D＝-R0，則離散觀測方程可表示為z(k)＝h[x(k)]+D·i(k)+v(k)(5)式(3)和式(5)即構(gòu)成了應(yīng)急燈電池系統(tǒng)的離散狀態(tài)空間模型。步驟2采用深度學(xué)習(xí)CKF對電池SOC進(jìn)行估算。假設(shè)系統(tǒng)過程噪聲w(k)，測量噪聲方差互不相關(guān)，且獨(dú)立于系統(tǒng)初始狀態(tài)。下面，基于式(3)和(5)構(gòu)成的電池系統(tǒng)狀態(tài)空間模型，詳述深度學(xué)習(xí)CKF對電池SOC估計(jì)的具體實(shí)施步驟：步驟2.1設(shè)置濾波初始條件：P(0|0)＝P(0)。步驟2.2時(shí)間更新2.2.1計(jì)算積分點(diǎn)(i＝0,1,…,m)xi(k-1|k-1)=s(k-1|k-1)ξi+x^(k-1|k-1)---(6)]]>其中，為(k-1)時(shí)刻狀態(tài)的估計(jì)值，S(k-1|k-1)為P(k-1|k-1)的均方根矩陣。ξi為第i個(gè)容積積分點(diǎn)，m＝4為積分點(diǎn)個(gè)數(shù)。2.2.2計(jì)算傳播后的積分點(diǎn)xi*(k|k-1)=Axi(k-1|k-1)+Bi(k)---(7)]]>2.2.3計(jì)算狀態(tài)預(yù)測估計(jì)值x^(k|k-1)=1mΣi=1mxi*(k|k-1)---(8)]]>2.2.4計(jì)算預(yù)測誤差方差陣P(k|k-1)=1mΣj=1mxj*(k|k-1)[xj*(k|k-1)]T-x^(k|k-1)x^T(k|k-1)+Q(k-1)---(9)]]>步驟2.3量測更新2.3.1計(jì)算積分點(diǎn)(i＝0,1,…,m)xi(k|k-1)=S(k|k-1)ξi+x^(k|k-1)---(10)]]>其中S(k|k-1)為P(k|k-1)的均方根矩陣。2.3.2計(jì)算傳播后的積分點(diǎn)zi(k|k-1)＝h(xi(k|k-1))+Di(k)(11)2.3.3估計(jì)測量預(yù)測值z^(k|k-1)=1mΣi=1mzi(k|k-1)---(12)]]>2.3.4計(jì)算互協(xié)方差陣Pxz(k|k)=1mΣi=1mxi(k|k-1)ziT(k|k-1)-x^(k|k-1)z^T(k|k-1)---(13)]]>2.3.5計(jì)算測量新息協(xié)方差陣Pzz(k|k-1)Pzz(k|k-1)=1mΣi=1mzi(k|k-1)ziT(k|k-1)-z^(k|k-1)z^T(k|k-1+R(k)---(14)]]>2.3.6計(jì)算濾波增益陣K(k)K(k)＝Pxz(k|k-1)[Pzz(k|k-1)]-1(15)2.3.7計(jì)算最優(yōu)估計(jì)及其誤差協(xié)方差陣P(k|k)x^(k|k)=x^(k|k-1)+K(k)[z(k)-z^(k|k-1)]P(k|k)=P(k|k-1)-K(k)[Pzz(k|k-1)]-1[K(k)]T---(16)]]>步驟2.4深度學(xué)習(xí)算法優(yōu)化補(bǔ)償2.4.1選取訓(xùn)練輸入?yún)?shù)和輸出參數(shù)選取狀態(tài)預(yù)測估計(jì)值和增益陣K(k)的各分量作為深度學(xué)習(xí)訓(xùn)練網(wǎng)絡(luò)的輸入?yún)?shù)。選取電池SOC估計(jì)誤差為輸出參數(shù)，其中Sc(k)為電池實(shí)際放電測試中獲得的SOC真實(shí)值，為利用CKF方法估計(jì)的SOC值，即式(16)中狀態(tài)估計(jì)值的第一分量。2.4.2深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練如圖2所示，本實(shí)施例中深度學(xué)習(xí)網(wǎng)絡(luò)模型采取層疊自動編碼器結(jié)構(gòu)，即包括輸入層、兩層隱藏層、輸出層。模型的求解采用梯度下降法，并采用Sigmoid函數(shù)作為隱藏層的變換核函數(shù)：y=ωTu+bf(y)=11+e-y---(17)]]>其中，ω是網(wǎng)絡(luò)層連接權(quán)值；b為神經(jīng)元閾值。層疊自動編碼器的各層參數(shù)可以通過逐層貪婪訓(xùn)練來獲得，訓(xùn)練時(shí)將前一層自動編碼器的隱藏層輸出作為后一層自動編碼器的輸入。基于層疊自動編碼器的深度學(xué)習(xí)模型進(jìn)行學(xué)習(xí)訓(xùn)練，可得到電池SOC誤差補(bǔ)償值△Sc(k)。2.4.3電池SOC估計(jì)補(bǔ)償利用誤差補(bǔ)償值△Sc(k)對進(jìn)行修正補(bǔ)償，并將△Sc(k)+作為最終SOC估計(jì)值輸出結(jié)果。步驟2.5判斷濾波算法是否繼續(xù)執(zhí)行，若是，返回步驟2.2；否則，結(jié)束算法。當(dāng)前第1頁1 2 3