技術(shù)特征：

1.一種基于深度學習CKF的應急燈電池SOC估計方法，其特征在于先建立應急燈電池系統(tǒng)離散狀態(tài)空間模型，然后采用深度學習CKF對電池SOC進行估算；

其中的應急燈電池系統(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，

$\left\{\begin{array}{c}x\left(k\right)={\[S_c\left(k\right),U\left(k\right)\]}^T\\ A=\left[\begin{array}{cc}1& 0\\ 0& e^{-\frac{\mathrm{\Δ}t}{RC}}\end{array}\right],B={\left[\begin{array}{cc}-\frac{{\mathrm{\η}}_0\mathrm{\Δ}t}{Q_0}& R(1-e^{-\frac{\mathrm{\Δ}t}{RC}})\end{array}\right]}^T\\ w\left(k\right)={\left[\begin{array}{cc}{w}_1\left(k\right)& w_2\left(k\right)\end{array}\right]}^T\\ z\left(k\right)=V_{out}\left(k\right)\\ h\[x\left(k\right)\]=V_o\left(k\right)-k_0/S_c\left(k\right)-k_1{S}_c\left(k\right)+k_{2}ln\left(S_c\right(k\left)\right)+k_{3}ln(1-S_c(k\left)\right)-U\left(k\right)\\ D=-R_0\end{array}\right.$

上式中，Δt為采樣周期，k為離散采樣時刻，上標T表示矩陣轉(zhuǎn)置運算；S_c(k)為k時刻電池的荷電狀態(tài)，U(k)為k時刻電池極化電容的電壓，i(k)為k時刻的瞬時電流；R為電池極化內(nèi)阻，C為極化電容，η₀為庫侖系數(shù)，Q₀表示電池的標稱容量；V_out(k)為k時刻電池的負載電壓，V_o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；

采用深度學習CKF對電池SOC進行估算包括濾波器初始化、時間更新過程、測量更新過程、深度學習算法優(yōu)化補償和算法結(jié)束；

所述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)；

所述時間更新過程包括：估算狀態(tài)的預測估計值及其誤差協(xié)方差陣P(k|k-1)；

所述測量更新過程包括：

(1)計算測量值的預測估計值

(2)計算狀態(tài)與測量值的互協(xié)方差矩陣P_xz(k|k)；

(3)計算新息協(xié)方差P_zz(k|k-1)，增益陣K(k)、最優(yōu)估計及其誤差協(xié)方差P(k|k)；

所述深度學習算法優(yōu)化補償包括：

(1)選取狀態(tài)預測估計值和增益陣K(k)的各分量作為深度學習訓練的輸入?yún)?shù)，并選取電池SOC估計誤差ΔS_c(k)為輸出參數(shù)；

(2)采用層疊自動編碼器的深度學習模型進行學習訓練；

(3)利用誤差補償值ΔS_c(k)對進行修正補償，輸出結(jié)果；

所述算法結(jié)束為：首先判斷濾波算法是否繼續(xù)執(zhí)行，如果是，返回時間更新過程；否則，結(jié)束算法。