本发明涉及锂电池
技术领域：
，具体地，涉及一种基于深度学习CKF的应急灯电池SOC估计方法。
背景技术：
：当火灾发生时，消防应急灯能有效引导被困人员疏散或展开灭火救援行动，从而降低了火灾带来的人身和财产损失。应急灯的电池管理系统通过对电池组进行综合管理和保护，达到延长电池使用寿命、提高使用效率和可靠性的目的。电池的荷电状态(StateofCharge，SOC)的精确估算是电池管理系统中一项关键技术，是评估电池健康状态以及放点过程的依据。目前最常用的电池SOC估算方法包括开路电压法、安时法和卡尔曼滤波法等。开路电压法耗时较长，无法动态估算电池SOC，因此只适用于电池非工作状态下的预测。安时法中，如果电流测量值存在误差，则会出现误差累计放大效应。卡尔曼滤波法对SOC的初始误差有很强的修正作用，但需要精确知道电池的系统数学模型。在对电池实际建模过程中，电池系统的精确模型往往无法获得，因此直接使用卡尔曼滤波方法会产生较大的估计误差。技术实现要素：针对现有应急灯电池SOC估计方法的不足，本发明首先建立了应急灯电池的数学模型，然后以容积卡尔曼滤波(cubatureKalmanfilter，CKF)为基础，结合深度学习技术提供一种基于深度学习CKF的应急灯电池SOC估计方法。为了实现上述目的，本发明采用如下技术方案：一种基于深度学习CKF的应急灯电池SOC估计方法，包括以下步骤：1、建立应急灯电池系统离散状态空间模型；2、采用深度学习CKF对电池SOC进行估算。所述的步骤1中的应急灯电池系统离散状态空间模型为：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为采样周期，k为离散采样时刻，上标“T”表示矩阵转置运算；Sc(k)为k时刻电池的荷电状态，U(k)为k时刻电池极化电容的电压，i(k)为k时刻的瞬时电流；R为电池极化内阻，C为极化电容，η0为库仑系数，Q0表示电池的标称容量；Vout(k)为k时刻电池的负载电压，Vo为电池充满电后的空载电压；k0、k1、k2、k3均为待辨识的模型参数；R0为电池欧姆内阻；w(k)为过程噪声向量；v(k)为电池端电压测量噪声。w(k)和v(k)均是均值为零方差分别为Q(k)和R(k)的高斯白噪声。所述的步骤2中的基于深度学习CKF的电池SOC估计方法包括滤波器初始化、时间更新过程、测量更新过程、深度学习算法优化补偿、算法结束五部分组成。3.1滤波器初始化包括初始化系统状态误差协方差阵P(0|0)＝P(0)。3.2时间更新过程，估算状态的预测估计值及其误差协方差阵P(k|k-1)；3.3测量更新过程，具体包括：3.3.1计算测量值的预测估计值3.3.2计算状态与测量值的互协方差矩阵Pxz(k|k)；3.3.3计算新息协方差Pzz(k|k-1)，增益阵K(k)、最优估计及其误差协方差P(k|k)；3.4深度学习算法优化补偿3.4.1选取状态预测估计值和增益阵K(k)的各分量作为深度学习训练网络的输入参数；选取电池SOC估计误差△Sc(k)为输出参数；3.4.2基于层叠自动编码器的深度学习模型进行学习训练，得到电池SOC误差补偿值△Sc(k)；3.4.3利用误差补偿值△Sc(k)对进行修正补偿，输出结果。3.5判断滤波算法是否继续执行，若是，返回3.2；否则，结束算法。本发明有益效果：利用深度学习技术具有强大的自学习能力，通过对有关参量的学习训练，能对CKF估计值进行优化补偿，提高电池SOC估计精度。同时，深度学习网络的自适应能力解决了CKF方法在模型不精确情况下引发的估计发散问题，增强了电池SOC估计算法的稳定性。附图说明图1为本发明方法流程图。图2深度学习层叠自编码网络结构图。具体实施方式下面结合附图和实施例对本发明做进一步说明。如图1所示，一种基于深度学习CKF的应急灯电池SOC估计方法，包括以下步骤：步骤1建立电池系统离散状态空间模型。记△t为采样周期，k为离散时刻，Sc(k)为k时刻电池的荷电状态，i(k)为k时刻的瞬时电流；η0为库仑系数，(可通过电池充放电试验获得，放电情况下为1)，Q0表示电池的标称容量，则电池SOC的状态方程为：Sc(k+1)=Sc(k)-η0ΔtQ0i(k)+w1(k)---(1)]]>记U(k)为k时刻电池极化电容C上的电压，则有：U(k+1)=e-ΔtRCU(k)+R(1-e-ΔtRC)i(k)+w2(k)---(2)]]>其中，w1(k)和w2(k)均为高斯随机噪声。若令x(k)＝[Sc(k),U(k)]T，w(k)＝[w1(k),w2(k)]T，上标“T”表示矩阵转置运算，那么电池系统的状态方程可写为x(k+1)＝A·x(k)+B·i(k)+w(k)(3)记Vout(k)为k时刻电池的负载电压，Vo为电池充满电后的空载电压，则输出方程为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是电池的欧姆内阻，k0、k1、k2、k3为待辨识的模型参数，这五个参数可以通过离线的最小二乘辨识方法确定；电池端电压测量噪声v(k)是均值为零方差为R(k)的高斯白噪声。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，则离散观测方程可表示为z(k)＝h[x(k)]+D·i(k)+v(k)(5)式(3)和式(5)即构成了应急灯电池系统的离散状态空间模型。步骤2采用深度学习CKF对电池SOC进行估算。假设系统过程噪声w(k)，测量噪声方差互不相关，且独立于系统初始状态。下面，基于式(3)和(5)构成的电池系统状态空间模型，详述深度学习CKF对电池SOC估计的具体实施步骤：步骤2.1设置滤波初始条件：P(0|0)＝P(0)。步骤2.2时间更新2.2.1计算积分点(i＝0,1,…,m)xi(k-1|k-1)=s(k-1|k-1)ξi+x^(k-1|k-1)---(6)]]>其中，为(k-1)时刻状态的估计值，S(k-1|k-1)为P(k-1|k-1)的均方根矩阵。ξi为第i个容积积分点，m＝4为积分点个数。2.2.2计算传播后的积分点xi*(k|k-1)=Axi(k-1|k-1)+Bi(k)---(7)]]>2.2.3计算状态预测估计值x^(k|k-1)=1mΣi=1mxi*(k|k-1)---(8)]]>2.2.4计算预测误差方差阵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)]]>步骤2.3量测更新2.3.1计算积分点(i＝0,1,…,m)xi(k|k-1)=S(k|k-1)ξi+x^(k|k-1)---(10)]]>其中S(k|k-1)为P(k|k-1)的均方根矩阵。2.3.2计算传播后的积分点zi(k|k-1)＝h(xi(k|k-1))+Di(k)(11)2.3.3估计测量预测值z^(k|k-1)=1mΣi=1mzi(k|k-1)---(12)]]>2.3.4计算互协方差阵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计算测量新息协方差阵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计算滤波增益阵K(k)K(k)＝Pxz(k|k-1)[Pzz(k|k-1)]-1(15)2.3.7计算最优估计及其误差协方差阵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)]]>步骤2.4深度学习算法优化补偿2.4.1选取训练输入参数和输出参数选取状态预测估计值和增益阵K(k)的各分量作为深度学习训练网络的输入参数。选取电池SOC估计误差为输出参数，其中Sc(k)为电池实际放电测试中获得的SOC真实值，为利用CKF方法估计的SOC值，即式(16)中状态估计值的第一分量。2.4.2深度学习网络训练如图2所示，本实施例中深度学习网络模型采取层叠自动编码器结构，即包括输入层、两层隐藏层、输出层。模型的求解采用梯度下降法，并采用Sigmoid函数作为隐藏层的变换核函数：y=ωTu+bf(y)=11+e-y---(17)]]>其中，ω是网络层连接权值；b为神经元阈值。层叠自动编码器的各层参数可以通过逐层贪婪训练来获得，训练时将前一层自动编码器的隐藏层输出作为后一层自动编码器的输入。基于层叠自动编码器的深度学习模型进行学习训练，可得到电池SOC误差补偿值△Sc(k)。2.4.3电池SOC估计补偿利用误差补偿值△Sc(k)对进行修正补偿，并将△Sc(k)+作为最终SOC估计值输出结果。步骤2.5判断滤波算法是否继续执行，若是，返回步骤2.2；否则，结束算法。当前第1页1 2 3