基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法技术

本发明专利技术公开了一种基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，包括：获取锂电池充放电历史数据；电池电压、将电流、工作温度作为支持向量机模型的输入，将SOC作为模型输出，利用支持向量机模型对锂电池SOC进行估计；确定模型参数，将估计误差控制在预设范围内；当估计值在预设范围内时，将该模型的输出SOC、经过卡尔曼滤波器进行滤波，得到精度高、动态适应性强的SOC估计值。本发明专利技术的数据处理方法和预测模型可以有效地对锂电池SOC进行估计，估计精度较高，可广泛应用于动力电池SOC估计领域中。

【技术实现步骤摘要】

本专利技术涉及电动汽车电池SOC估计
，具体涉及基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法。
技术介绍
近些年来人们对电动汽车(ElectricVehicles,EVs)快速发展日益关注。锂电池是EV的动力核心，电荷状态(StateofCharge,SOC)是锂离子电池的重要参数之一；合理地进行SOC估计是电池管理系统的重要功能之一。SOC估计方法有开路电压法、安时积分法、内阻法、神经网络法、卡尔曼滤波算法等，传统单一的估计方法有一定的局限性,普遍存在着建模难、精度低的问题。
技术实现思路
为了解决上述技术问题，本专利技术提供一种基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，该方法可以有效地解决锂电池SOC估计中建模难、精度低的问题。本专利技术解决其技术问题所采用的技术方案是：基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，包括：S1、获取锂电池充放电历史样本数据，同时对样本数据进行划分，确定与SOC相关的主要变量；S2、确定支持向量机锂电池模型的输入和输出数据；并确定影响支持向量机回归精度重要参数规则化参数C和核函数的宽度参数σ，从而建立支持向量机锂电池模型；S3、当支持向量机锂电池模型的SOC估计误差在预设范围内时，将该模型输出的SOC用卡尔曼滤波器(KalmanFilter,KF)算法进行滤波；S4、获取测试样本数据，将测试样本中的电压U、电流I、温度T作为训练后的支持向量机锂电池模型的输入，采用该训练后的模型对测试样本进行估计；为了增强其动态适应性，输出用KF算法进行滤波，进而获得精度高的SOC估计值；所述样本数据分为训练样本数据和测试样本数据，训练时所采用的锂电池样本数据包括几个完整周期充放电历史数据。进一步，当支持向量机锂电池模型的SOC估计误差的预设范围是5％～8％。进一步，所述步骤S2，包括：S21、统计获取数据，将电压U、电流I、温度T作为支持向量机模型的输入数据；SOC作为该模型的输出数据，从而建立基于支持向量机的锂电池模型。进一步，所述步骤S3，将该模型输出的SOC用卡尔曼滤波(KalmanFilter,KF)算法进行滤波，包括以下步骤：S31、计算先验状态估计值：X(k|k-1)＝AX(k-1|k-1)+BU(k)其中，k是现在状态，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优结果，U(k)为现在状态控制量。S32、计算先验状态估计值的协方差：P(k|k-1)＝AP(k-1|k-1)AT+Q其中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，AT表示A的转置矩阵。S33、对预测值进行修正：X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))其中，现在状态k的最优化估算值为X(k|k)。S34、更新修正值的协方差：P(k|k)＝(I-Kg(k)H)P(k|k-1)其中，P(k|k)为更新k状态下X(k|k)的协方差，I为1的矩阵，I＝1。当系统进入k+1状态时，P(k|k)就是步骤S32中的的P(k-1|k-1)。S35、卡尔曼增益(KalmanGain)为：Kg(k)＝P(k|k-1)HT/(HP(k|k-1)HT+R)S36、返回步骤S31，循环执行步骤S31至S35，以实时更新卡尔曼滤波状态向量估计值X(k|k)。S37、为了增强模型的动态适应性，以支持向量机模型输出的SOC作为KF的测量方程：f(k+1)＝SOC(k)+vS38、将对电流安时积分所获得SOC作为KF的状态方程：SOC(k+1)=SOC(k)-I*dtQmax+w]]>其中，I是电流，Qmax是最大容量，f(k+1)是支持向量机模型在时刻k+1输出的SOC值，v是测量噪声，w是状态噪声。进一步，所述步骤S4，包括：S41、用样本数据中的训练样本中的电压、电流、温度作为支持向量机模型的输入，SOC作为输出；S42、用测试样本中的电压、电流、温度作为模型的输入，采用训练后的模型对该输入进行预测。为了进一步提高预测精度、增强模型的动态适应性，将支持向量机锂电池模型输出经KF滤波处理。本专利技术的有益效果是：与现有技术相比，本专利技术通过基于支持向量机模型和卡尔曼滤波算法对锂电池SOC估计，结合电动汽车在实际工况下的锂电池数据估计SOC值，能够以任意的精度逼近任意非线性映射，可适用于多种不同的动力电池，建模简单；同时本方法考虑外部噪声的影响，利用KF算法，可以有效的提高SOC估计精度和预测的稳定性。附图说明图1是本专利技术所采用锂电池的支持向量机模型结构示意图。图2是本专利技术所采用的基于支持向量机模型和卡尔曼滤波算法的锂电池SOC估计结构示意图。具体实施方式下面结合具体实施例对本专利技术做进一步说明。参照图1、图2，基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，包括：S1、获取锂电池充放电历史样本数据，同时对样本数据进行划分，确定与SOC相关的主要变量；S2、确定支持向量机锂电池模型的输入和输出数据；并确定影响支持向量机回归精度重要参数规则化参数C和核函数的宽度参数σ，从而建立基于支持向量机锂电池模型；S3、当支持向量机锂电池模型的SOC估计误差在预设范围内时，将该模型输出的SOC用卡尔曼滤波(KalmanFilter,KF)算法进行滤波；S4、获取测试样本数据，将测试样本中的电压U、电流I、温度T作为训练后的支持向量机锂电池模型的输入，采用该训练后的模型对测试样本进行估计；为了增强其动态适应性，输出用KF算法进行滤波，进而获得精度高的SOC估计值；所述样本数据分为训练样本数据和测试样本数据。训练时所采用的锂电池样本数据包括几个完整周期充放电历史数据。具体地，步骤S2包括S21～S22；S21、统计获取的数据，将电压U、电流I、温度T作为支持向量机模型的输入数据；将SOC作为该模型的输出数据，从而建立支持向量机的锂电池模型。所述支持向量机模型被归结为一类非线性回归问题，用来拟合训练样本输入xi和输出yi之间的关系表达式为：其中，训练样本集为X＝{(xi,yi)本文档来自技高网...

【技术保护点】
基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，其特征在于，包括如下步骤：S1、获取锂电池充放电历史样本数据，同时对样本数据进行划分，确定与SOC相关的主要变量；S2、确定支持向量机锂电池模型的输入、输出数据和模型主要参数，从而建立基于支持向量机锂电池模型；S3、当支持向量机锂电池模型的SOC估计误差在预设范围内时，将该模型输出的SOC用卡尔曼滤波(Kalman Filter,KF)算法进行滤波；S4、获取测试样本数据，将测试样本中的电压U、电流I、温度T作为训练后的支持向量机锂电池模型的输入，采用该训练后的模型对测试样本进行估计；为了增强其动态适应性，输出用KF算法进行滤波，进而获得精度高的SOC估计值；所述样本数据分为训练样本数据和测试样本数据。训练时所采用的锂电池样本数据包括若干个完整周期充放电历史数据。

【技术特征摘要】
1.基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，其特征在于，包括如下步骤：S1、获取锂电池充放电历史样本数据，同时对样本数据进行划分，确定与SOC相关的主要变量；S2、确定支持向量机锂电池模型的输入、输出数据和模型主要参数，从而建立基于支持向量机锂电池模型；S3、当支持向量机锂电池模型的SOC估计误差在预设范围内时，将该模型输出的SOC用卡尔曼滤波(KalmanFilter,KF)算法进行滤波；S4、获取测试样本数据，将测试样本中的电压U、电流I、温度T作为训练后的支持向量机锂电池模型的输入，采用该训练后的模型对测试样本进行估计；为了增强其动态适应性，输出用KF算法进行滤波，进而获得精度高的SOC估计值；所述样本数据分为训练样本数据和测试样本数据。训练时所采用的锂电池样本数据包括若干个完整周期充放电历史数据。2.根据权利要求1所述的基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述步骤S3中所述预设范围为5％～8％。3.根据权利要求1所述的基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述锂电池充放电历史样本数据包括每秒的数据，所述每秒的数据包括电压、电流、环境温度和SOC。4.根据权利要求3所述的基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述步骤S2中所述的支持向量机锂电池模型的输入数据为电压、电流和温度，输出数据为SOC、，数据主要参数为影响支持向量机回归精度重要参数规则化参数C和核函数的宽度参数σ。5.根据权利要求1所述基于支持向量机模型和卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述步骤S3中卡尔曼滤波(KF)算法包括：S31、计算先验状态估计值：X(k|k-1)＝AX(k-1|k-1)+BU(k)其中，k是现在的系统状态，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在...

【专利技术属性】
技术研发人员：张增棵，卜凡涛，
申请(专利权)人：华晨汽车集团控股有限公司，
类型：发明
国别省市：辽宁;21