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

背景技術(shù)：

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

SOC估計方法有開路電壓法、安時積分法、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模型和卡爾曼濾波的鋰電池SOC估計方法，該方法可以有效地解決鋰電池SOC估計中建模難、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：

基于支持向量機模型和卡爾曼濾波的鋰電池SOC估計方法，包括：

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

S2、確定支持向量機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鋰電池模型；

S3、當支持向量機鋰電池模型的SOC估計誤差在預設(shè)范圍內(nèi)時，將該模型輸出的SOC用卡爾曼濾波器(Kalman Filter,KF)算法進行濾波；

S4、獲取測試樣本數(shù)據(jù)，將測試樣本中的電壓U、電流I、溫度T作為訓練后的支持向量機鋰電池模型的輸入，采用該訓練后的模型對測試樣本進行估計；為了增強其動態(tài)適應(yīng)性，輸出用KF算法進行濾波，進而獲得精度高的SOC估計值；

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

進一步，當支持向量機鋰電池模型的SOC估計誤差的預設(shè)范圍是5％～8％。

進一步，所述步驟S2，包括：

S21、統(tǒng)計獲取數(shù)據(jù)，將電壓U、電流I、溫度T作為支持向量機模型的輸入數(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的鋰電池模型。

進一步，所述步驟S3，將該模型輸出的SOC用卡爾曼濾波(Kalman Filter,KF)算法進行濾波，包括以下步驟：

S31、計算先驗狀態(tài)估計值：

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)預測的結(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、計算先驗狀態(tài)估計值的協(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)對應(yīng)的協(xié)方差，P(k-1|k-1)是X(k-1|k-1)對應(yīng)的協(xié)方差，A^T表示A的轉(zhuǎn)置矩陣。

S33、對預測值進行修正：

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。當系統(tǒng)進入k+1狀態(tài)時，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，以實時更新卡爾曼濾波狀態(tài)向量估計值X(k|k)。

S37、為了增強模型的動態(tài)適應(yīng)性，以支持向量機模型輸出的SOC作為KF的測量方程：

f_(k+1)＝SOC_(k)+v

S38、將對電流安時積分所獲得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)是支持向量機模型在時刻k+1輸出的SOC值，v是測量噪聲，w是狀態(tài)噪聲。

進一步，所述步驟S4，包括：

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

S42、用測試樣本中的電壓、電流、溫度作為模型的輸入，采用訓練后的模型對該輸入進行預測。為了進一步提高預測精度、增強模型的動態(tài)適應(yīng)性，將支持向量機鋰電池模型輸出經(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)明通過基于支持向量機模型和卡爾曼濾波算法對鋰電池SOC估計，結(jié)合電動汽車在實際工況下的鋰電池數(shù)據(jù)估計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力電池，建模簡單；同時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估計精度和預測的穩(wěn)定性。

附圖說明

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

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

具體實施方式

下面結(jié)合具體實施例對本發(fā)明做進一步說明。

參照圖1、圖2，基于支持向量機模型和卡爾曼濾波的鋰電池SOC估計方法，包括：

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

S2、確定支持向量機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鋰電池模型；

S3、當支持向量機鋰電池模型的SOC估計誤差在預設(shè)范圍內(nèi)時，將該模型輸出的SOC用卡爾曼濾波(Kalman Filter,KF)算法進行濾波；

S4、獲取測試樣本數(shù)據(jù)，將測試樣本中的電壓U、電流I、溫度T作為訓練后的支持向量機鋰電池模型的輸入，采用該訓練后的模型對測試樣本進行估計；為了增強其動態(tài)適應(yīng)性，輸出用KF算法進行濾波，進而獲得精度高的SOC估計值；

所述樣本數(shù)據(jù)分為訓練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)。訓練時所采用的鋰電池樣本數(shù)據(jù)包括幾個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)計獲取的數(shù)據(jù)，將電壓U、電流I、溫度T作為支持向量機模型的輸入數(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的鋰電池模型。所述支持向量機模型被歸結(jié)為一類非線性回歸問題，用來擬合訓練樣本輸入x_i和輸出y_i之間的關(guān)系表達式為：

其中，訓練樣本集為X＝{(x_i,y_i)}，i＝1，2，…，n，x_i∈R^d，y_i∈R，通過一個映射將非線性問空間問題轉(zhuǎn)化為高維中的線性問題。當擬合精度為ε時，滿足|f(x_i)-y_i|≤ε，優(yōu)化目標為：

S22、將回歸問題就轉(zhuǎn)化為一個可求得全局最優(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是決定支持向量機回歸精度的重要參數(shù)，可用粒子群算法進行優(yōu)化。

具體地，所述步驟S3，包括步驟S31～S38：

S31、計算先驗狀態(tài)估計值：

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)預測的結(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、計算先驗狀態(tài)估計值的協(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)對應(yīng)的協(xié)方差，P(k-1|k-1)是X(k-1|k-1)對應(yīng)的協(xié)方差，A^T表示A的轉(zhuǎn)置矩陣。

S33、對預測值進行修正：

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。當系統(tǒng)進入k+1狀態(tài)時，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，以實時更新卡爾曼濾波狀態(tài)向量估計值X(k|k)。

S37、為了增強模型的動態(tài)適應(yīng)性，以支持向量機模型輸出的SOC作為KF的測量方程：

f_(k+1)＝SOC_(k)+v

S38、將對電流安時積分所獲得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)是支持向量機模型在時刻k+1輸出的SOC值，v是測量噪聲，w是狀態(tài)噪聲。

進一步，所述步驟S4，包括S41～S43：

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

S42、用測試樣本中的電壓、電流、溫度作為模型的輸入，采用訓練后的模型對該輸入進行預測。為了進一步提高預測精度、增強模型的動態(tài)適應(yīng)性，將支持向量機模型的輸出經(jīng)KF濾波處理。

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

以上是對本發(fā)明的較佳實施進行了具體說明，但本發(fā)明創(chuàng)造并不限于實施例，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權(quán)利要求所限定的范圍內(nèi)。