一种基于深度学习CKF的应急灯电池SOC估计方法与流程

技术特征：

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，

$\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为采样周期，k为离散采样时刻，上标T表示矩阵转置运算；S_c(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；V_out(k)为k时刻电池的负载电压，V_o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P_xz(k|k)；

(3)计算新息协方差P_zz(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ΔS_c(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ΔS_c(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。