本發(fā)明涉及電動(dòng)汽車電池SOC估計(jì)技術(shù)領(lǐng)域，具體涉及基于支持向量機(jī)模型和卡爾曼濾波的鋰電池SOC估計(jì)方法。

背景技術(shù)：

近些年來(lái)人們對(duì)電動(dòng)汽車(Electric Vehicles,EVs)快速發(fā)展日益關(guān)注。鋰電池是EV的動(dòng)力核心，電荷狀態(tài)(State of Charge,SOC)是鋰離子電池的重要參數(shù)之一；合理地進(jìn)行SOC估計(jì)是電池管理系統(tǒng)的重要功能之一。

SOC估計(jì)方法有開路電壓法、安時(shí)積分法、內(nèi)阻法、神經(jīng)網(wǎng)絡(luò)法、卡爾曼濾波算法等，傳統(tǒng)單一的估計(jì)方法有一定的局限性,普遍存在著建模難、精度低的問題。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述技術(shù)問題，本發(fā)明提供一種基于支持向量機(jī)模型和卡爾曼濾波的鋰電池SOC估計(jì)方法，該方法可以有效地解決鋰電池SOC估計(jì)中建模難、精度低的問題。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

基于支持向量機(jī)模型和卡爾曼濾波的鋰電池SOC估計(jì)方法，包括：

S1、獲取鋰電池充放電歷史樣本數(shù)據(jù)，同時(shí)對(duì)樣本數(shù)據(jù)進(jìn)行劃分，確定與SOC相關(guān)的主要變量；

S2、確定支持向量機(jī)鋰電池模型的輸入和輸出數(shù)據(jù)；并確定影響支持向量機(jī)回歸精度重要參數(shù)規(guī)則化參數(shù)C和核函數(shù)的寬度參數(shù)σ，從而建立支持向量機(jī)鋰電池模型；

S3、當(dāng)支持向量機(jī)鋰電池模型的SOC估計(jì)誤差在預(yù)設(shè)范圍內(nèi)時(shí)，將該模型輸出的SOC用卡爾曼濾波器(Kalman Filter,KF)算法進(jìn)行濾波；

S4、獲取測(cè)試樣本數(shù)據(jù)，將測(cè)試樣本中的電壓U、電流I、溫度T作為訓(xùn)練后的支持向量機(jī)鋰電池模型的輸入，采用該訓(xùn)練后的模型對(duì)測(cè)試樣本進(jìn)行估計(jì)；為了增強(qiáng)其動(dòng)態(tài)適應(yīng)性，輸出用KF算法進(jìn)行濾波，進(jìn)而獲得精度高的SOC估計(jì)值；

所述樣本數(shù)據(jù)分為訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)，訓(xùn)練時(shí)所采用的鋰電池樣本數(shù)據(jù)包括幾個(gè)完整周期充放電歷史數(shù)據(jù)。

進(jìn)一步，當(dāng)支持向量機(jī)鋰電池模型的SOC估計(jì)誤差的預(yù)設(shè)范圍是5％～8％。

進(jìn)一步，所述步驟S2，包括：

S21、統(tǒng)計(jì)獲取數(shù)據(jù)，將電壓U、電流I、溫度T作為支持向量機(jī)模型的輸入數(shù)據(jù)；SOC作為該模型的輸出數(shù)據(jù)，從而建立基于支持向量機(jī)的鋰電池模型。

進(jìn)一步，所述步驟S3，將該模型輸出的SOC用卡爾曼濾波(Kalman Filter,KF)算法進(jìn)行濾波，包括以下步驟：

S31、計(jì)算先驗(yàn)狀態(tài)估計(jì)值：

X(k|k-1)＝AX(k-1|k-1)+BU(k)

其中，k是現(xiàn)在狀態(tài)，X(k|k-1)是利用上一狀態(tài)預(yù)測(cè)的結(jié)果，X(k-1|k-1)是上一狀態(tài)最優(yōu)結(jié)果，U(k)為現(xiàn)在狀態(tài)控制量。

S32、計(jì)算先驗(yàn)狀態(tài)估計(jì)值的協(xié)方差：

P(k|k-1)＝AP(k-1|k-1)A^T+Q

其中，P(k|k-1)是X(k|k-1)對(duì)應(yīng)的協(xié)方差，P(k-1|k-1)是X(k-1|k-1)對(duì)應(yīng)的協(xié)方差，A^T表示A的轉(zhuǎn)置矩陣。

S33、對(duì)預(yù)測(cè)值進(jìn)行修正：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))

其中，現(xiàn)在狀態(tài)k的最優(yōu)化估算值為X(k|k)。

S34、更新修正值的協(xié)方差：

P(k|k)＝(I-Kg(k)H)P(k|k-1)

其中，P(k|k)為更新k狀態(tài)下X(k|k)的協(xié)方差，I為1的矩陣，I＝1。當(dāng)系統(tǒng)進(jìn)入k+1狀態(tài)時(shí)，P(k|k)就是步驟S32中的的P(k-1|k-1)。

S35、卡爾曼增益(Kalman Gain)為：

Kg(k)＝P(k|k-1)H^T/(HP(k|k-1)H^T+R)

S36、返回步驟S31，循環(huán)執(zhí)行步驟S31至S35，以實(shí)時(shí)更新卡爾曼濾波狀態(tài)向量估計(jì)值X(k|k)。

S37、為了增強(qiáng)模型的動(dòng)態(tài)適應(yīng)性，以支持向量機(jī)模型輸出的SOC作為KF的測(cè)量方程：

f_(k+1)＝SOC_(k)+v

S38、將對(duì)電流安時(shí)積分所獲得SOC作為KF的狀態(tài)方程：

${\mathrm{SOC}}_{(k+1)}={\mathrm{SOC}}_{\left(k\right)}-\frac{I*dt}{Q_{\max }}+w$

其中，I是電流，Q_max是最大容量，f_(k+1)是支持向量機(jī)模型在時(shí)刻k+1輸出的SOC值，v是測(cè)量噪聲，w是狀態(tài)噪聲。

進(jìn)一步，所述步驟S4，包括：

S41、用樣本數(shù)據(jù)中的訓(xùn)練樣本中的電壓、電流、溫度作為支持向量機(jī)模型的輸入，SOC作為輸出；

S42、用測(cè)試樣本中的電壓、電流、溫度作為模型的輸入，采用訓(xùn)練后的模型對(duì)該輸入進(jìn)行預(yù)測(cè)。為了進(jìn)一步提高預(yù)測(cè)精度、增強(qiáng)模型的動(dòng)態(tài)適應(yīng)性，將支持向量機(jī)鋰電池模型輸出經(jīng)KF濾波處理。

本發(fā)明的有益效果是：與現(xiàn)有技術(shù)相比，本發(fā)明通過(guò)基于支持向量機(jī)模型和卡爾曼濾波算法對(duì)鋰電池SOC估計(jì)，結(jié)合電動(dòng)汽車在實(shí)際工況下的鋰電池?cái)?shù)據(jù)估計(jì)SOC值，能夠以任意的精度逼近任意非線性映射，可適用于多種不同的動(dòng)力電池，建模簡(jiǎn)單；同時(shí)本方法考慮外部噪聲的影響，利用KF算法，可以有效的提高SOC估計(jì)精度和預(yù)測(cè)的穩(wěn)定性。

附圖說(shuō)明

圖1是本發(fā)明所采用鋰電池的支持向量機(jī)模型結(jié)構(gòu)示意圖。

圖2是本發(fā)明所采用的基于支持向量機(jī)模型和卡爾曼濾波算法的鋰電池SOC估計(jì)結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例對(duì)本發(fā)明做進(jìn)一步說(shuō)明。

參照?qǐng)D1、圖2，基于支持向量機(jī)模型和卡爾曼濾波的鋰電池SOC估計(jì)方法，包括：

S1、獲取鋰電池充放電歷史樣本數(shù)據(jù)，同時(shí)對(duì)樣本數(shù)據(jù)進(jìn)行劃分，確定與SOC相關(guān)的主要變量；

S2、確定支持向量機(jī)鋰電池模型的輸入和輸出數(shù)據(jù)；并確定影響支持向量機(jī)回歸精度重要參數(shù)規(guī)則化參數(shù)C和核函數(shù)的寬度參數(shù)σ，從而建立基于支持向量機(jī)鋰電池模型；

S3、當(dāng)支持向量機(jī)鋰電池模型的SOC估計(jì)誤差在預(yù)設(shè)范圍內(nèi)時(shí)，將該模型輸出的SOC用卡爾曼濾波(Kalman Filter,KF)算法進(jìn)行濾波；

S4、獲取測(cè)試樣本數(shù)據(jù)，將測(cè)試樣本中的電壓U、電流I、溫度T作為訓(xùn)練后的支持向量機(jī)鋰電池模型的輸入，采用該訓(xùn)練后的模型對(duì)測(cè)試樣本進(jìn)行估計(jì)；為了增強(qiáng)其動(dòng)態(tài)適應(yīng)性，輸出用KF算法進(jìn)行濾波，進(jìn)而獲得精度高的SOC估計(jì)值；

所述樣本數(shù)據(jù)分為訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)。訓(xùn)練時(shí)所采用的鋰電池樣本數(shù)據(jù)包括幾個(gè)完整周期充放電歷史數(shù)據(jù)。

具體地，步驟S2包括S21～S22；

S21、統(tǒng)計(jì)獲取的數(shù)據(jù)，將電壓U、電流I、溫度T作為支持向量機(jī)模型的輸入數(shù)據(jù)；將SOC作為該模型的輸出數(shù)據(jù)，從而建立支持向量機(jī)的鋰電池模型。所述支持向量機(jī)模型被歸結(jié)為一類非線性回歸問題，用來(lái)擬合訓(xùn)練樣本輸入x_i和輸出y_i之間的關(guān)系表達(dá)式為：

其中，訓(xùn)練樣本集為X＝{(x_i,y_i)}，i＝1，2，…，n，x_i∈R^d，y_i∈R，通過(guò)一個(gè)映射將非線性問空間問題轉(zhuǎn)化為高維中的線性問題。當(dāng)擬合精度為ε時(shí)，滿足|f(x_i)-y_i|≤ε，優(yōu)化目標(biāo)為：

S22、將回歸問題就轉(zhuǎn)化為一個(gè)可求得全局最優(yōu)解得凸二次規(guī)劃問題。引入松弛變量ξ_i、后可得：

其中約束條件為由拉格朗日乘子法可解得：

其中，x_i為支持向量，K(x_i,x)為核函數(shù)，常采用徑向基函數(shù)K(xi,x)＝exp(-||x-x_i||/σ²)。規(guī)則化參數(shù)C和核函數(shù)的寬度參數(shù)σ是決定支持向量機(jī)回歸精度的重要參數(shù)，可用粒子群算法進(jìn)行優(yōu)化。

具體地，所述步驟S3，包括步驟S31～S38：

S31、計(jì)算先驗(yàn)狀態(tài)估計(jì)值：

X(k|k-1)＝AX(k-1|k-1)+BU(k)

其中，k是現(xiàn)在狀態(tài)，X(k|k-1)是利用上一狀態(tài)預(yù)測(cè)的結(jié)果，X(k-1|k-1)是上一狀態(tài)最優(yōu)的結(jié)果，U(k)為現(xiàn)在狀態(tài)的控制量。

S32、計(jì)算先驗(yàn)狀態(tài)估計(jì)值的協(xié)方差：

P(k|k-1)＝AP(k-1|k-1)A^T+Q

其中，P(k|k-1)是X(k|k-1)對(duì)應(yīng)的協(xié)方差，P(k-1|k-1)是X(k-1|k-1)對(duì)應(yīng)的協(xié)方差，A^T表示A的轉(zhuǎn)置矩陣。

S33、對(duì)預(yù)測(cè)值進(jìn)行修正：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))

其中，現(xiàn)在狀態(tài)k的最優(yōu)化估算值為X(k|k)。

S34、更新修正值的協(xié)方差：

P(k|k)＝(I-Kg(k)H)P(k|k-1)

其中，P(k|k)為更新k狀態(tài)下X(k|k)的協(xié)方差，I為1的矩陣，I＝1。當(dāng)系統(tǒng)進(jìn)入k+1狀態(tài)時(shí)，P(k|k)就是步驟S42中的的P(k-1|k-1)。

S35、卡爾曼增益為：

Kg(k)＝P(k|k-1)H^T/(HP(k|k-1)H^T+R)

S36、返回步驟S31，循環(huán)執(zhí)行步驟S31至S35，以實(shí)時(shí)更新卡爾曼濾波狀態(tài)向量估計(jì)值X(k|k)。

S37、為了增強(qiáng)模型的動(dòng)態(tài)適應(yīng)性，以支持向量機(jī)模型輸出的SOC作為KF的測(cè)量方程：

f_(k+1)＝SOC_(k)+v

S38、將對(duì)電流安時(shí)積分所獲得SOC作為KF的狀態(tài)方程：

${\mathrm{SOC}}_{(k+1)}={\mathrm{SOC}}_{\left(k\right)}-\frac{I*dt}{Q_{\max }}+w$

其中，I是電流，Q_max是最大容量，f_(k+1)是支持向量機(jī)模型在時(shí)刻k+1輸出的SOC值，v是測(cè)量噪聲，w是狀態(tài)噪聲。

進(jìn)一步，所述步驟S4，包括S41～S43：

S41、用樣本數(shù)據(jù)中的訓(xùn)練樣本作為中的電壓、電流、溫度作為支持向量機(jī)模型的輸入，SOC作為模型的輸出。

S42、用測(cè)試樣本中的電壓、電流、溫度作為模型的輸入，采用訓(xùn)練后的模型對(duì)該輸入進(jìn)行預(yù)測(cè)。為了進(jìn)一步提高預(yù)測(cè)精度、增強(qiáng)模型的動(dòng)態(tài)適應(yīng)性，將支持向量機(jī)模型的輸出經(jīng)KF濾波處理。

本發(fā)明的鋰電池SOC估計(jì)方法，通過(guò)建立鋰電池的支持向量機(jī)模型，降低了訓(xùn)練樣本數(shù)量，能夠以任意精度逼近任意非線性函數(shù)，同時(shí)考慮到外部噪聲的影響，模型輸出經(jīng)過(guò)KF濾波處理，能直接反映SOC的動(dòng)態(tài)特性，可以有效提高估計(jì)數(shù)據(jù)的精度和穩(wěn)定性。

以上是對(duì)本發(fā)明的較佳實(shí)施進(jìn)行了具體說(shuō)明，但本發(fā)明創(chuàng)造并不限于實(shí)施例，熟悉本領(lǐng)域的技術(shù)人員在不違背本發(fā)明精神的前提下還可做出種種的等同變形或替換，這些等同的變形或替換均包含在本申請(qǐng)權(quán)利要求所限定的范圍內(nèi)。