1.一种基于深度学习CKF的应急灯电池SOC估计方法,其特征在于先建立应急灯电池系统离散状态空间模型,然后采用深度学习CKF对电池SOC进行估算;
其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,
上式中,Δt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;
采用深度学习CKF对电池SOC进行估算包括滤波器初始化、时间更新过程、测量更新过程、深度学习算法优化补偿和算法结束;
所述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);
所述时间更新过程包括:估算状态的预测估计值及其误差协方差阵P(k|k-1);
所述测量更新过程包括:
(1)计算测量值的预测估计值
(2)计算状态与测量值的互协方差矩阵Pxz(k|k);
(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);
所述深度学习算法优化补偿包括:
(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的输入参数,并选取电池SOC估计误差ΔSc(k)为输出参数;
(2)采用层叠自动编码器的深度学习模型进行学习训练;
(3)利用误差补偿值ΔSc(k)对进行修正补偿,输出结果;
所述算法结束为:首先判断滤波算法是否继续执行,如果是,返回时间更新过程;否则,结束算法。