可左右滑动选省市

一种电动车辆电池参数的在线自适应控制方法

更新时间:2024-11-01
一种电动车辆电池参数的在线自适应控制方法 专利申请类型:发明专利;
源自:北京高价值专利检索信息库;

专利名称:一种电动车辆电池参数的在线自适应控制方法

专利类型:发明专利

专利申请号:CN202410059733.6

专利申请(专利权)人:交通运输部公路科学研究所
权利人地址:北京市海淀区西土城路8号

专利发明(设计)人:杨小娟,刘富佳,许书权,陈潮洲,邬果昉,王平

专利摘要:本发明公开了一种电动车辆电池参数的在线自适应控制方法,利用扩展卡尔曼滤波方法对SOC进行精确预测,在此基础上,基于数据融合估计方法,根据车辆电池状态参数结合车辆行驶环境信息,建立循环数据集,基于GRU神经网络实现对车辆电池参数RUL的预测,基于预测结果动态调整电池的内外部参数,实现电池的自适应充放电控制。该方法能够提高电池监测数据的准确性,为智能电动营运车辆的电池管理提供一种高效、便捷和智能化的解决方案。

主权利要求:
1.一种电动车辆电池参数的在线自适应控制方法,其特征在于,所述方法包括:步骤一、利用扩展卡尔曼滤波方法对智能电动营运车辆电池SOC进行预测;
根据初始时的SOC值,计算充放电电流与时间的积分即对应增减电量,二者之差即为当前的SOC值, ,其中, 为电池 的初始值, 表示电池的充放电效率,为充放电电流,SOC即为电池的剩余电量, 为电池可用容量;
采用卡尔曼滤波算法对SOC的计算值进行修正,建立SOC修正系统模型,xk、yk表示k时刻系统的状态向量和观测向量,则:,其中, 表示系统的状态输入量即控制向量, 表示系统
过程噪声, 表示观测噪声, 为系统状态转移矩阵, 为控制矩阵, 、 为观测矩阵,则协方差矩阵: ,式中的 表示期望, 为系统噪声协方差矩阵, 为观测噪声协方差矩阵;
初始化状态变量和协方差,进行状态估计和误差协方差预测,根据观测值对增益、状态估计和误差协方差估计进行更新,即可得到剩余电量数据SOC的修正值;
步骤二、结合SOC预测值和当前车辆电池状态参数以及车辆行驶环境信息,建立循环数据集,基于GRU神经网络实现对车辆电池参数RUL的预测;
建立车辆信息循环数据,从电池数据集中提取电池在一个充放电循环周期内的充电电压 、充放电电流I、放电时间数据 和剩余电量数据 ,从车辆行驶轨迹数据中提取车辆在一个充放电循环周期内的加速时间t1、减速时间t2、匀速时间t3和海拔变化累计值 ,建立循环数据集;
将第 个充放电循环周期设置为预测起点,设置电池寿命阈值 ,将所述循环数据集分为两部分,预测起点 之前的数据作为训练数据集,预测起点 之后的数据作为验证集,所述预测起点 表示电池经历了 个充放电循环周期,基于循环数据建立寿命阈值的非线性系统的状态空间方程: ;
建立电池容量观测值的观测方程: ,基于GRU神经网络建立训练模型,计算出状态空间方程中的模型参数;
在第 个循环周期,用GRU模型预测观测方程中 个循环周期时的电池容量预测值 ,再将电池容量观测值 与预测值 进行比较,若观测值与预测值之间的误差不满足预设阈值,将观测值 转入训练集动态修正GRU神经网络模型参数;
直到预测步长达到数据集总长度,外推至寿命阈值即可得到智能电动营运车辆电池容量退化曲线和RUL的分布;
步骤三、基于预测结果动态调整电池的内外部参数,实现电池的自适应充放电控制;
基于RUL分布的预测结果动态调整电池的充电电压 、充放电电流I,将其值调整为下一个充放电周期内,根据SOC和RUL预测值反推后的电压电流值。 说明书 : 一种电动车辆电池参数的在线自适应控制方法技术领域[0001] 本发明涉及电动车辆电池监测技术领域,特别是涉及一种电动车辆电池参数的在线自适应控制方法。背景技术[0002] 在智能电动营运车辆领域,动力电池提供整个车辆系统的运动能量。动力电池具有高能量密度、功率密度大、使用寿命等优点,但由于动力电池具有过充过放不可逆,随温度变化外特性变化剧烈等缺点,因此需要配备整套的电池管理系统以便能反馈和控制电池电池组的实时状态确保动力电池组的安全性和可靠性。[0003] 电池内部电化学反应过程复杂,实车工况复杂恶劣,作为电池管理的重要控制参数RUL(电池剩余寿命)和SOC(电池剩余容量),目前其参数的获取方法很多,包括:表征参数法、基于数据驱动的方法等。基于表征参数法中的剩余容量法、基于阻抗谱法、开路电压法的估计值十分准确,但都需要在实验室环境下进行标定,否则精度无法得到保证;基于数据驱动法,通过海量的离线数据建立并训练动力电池参数与荷电状态之间的映射网络,这种方法对于解决高度非线性问题具有很好的优势且估计精度高、拟合性能强,然而训练过程十分耗时。发明内容[0004] 为解决现有技术存在的问题,本发明提供一种电动车辆电池参数的在线自适应控制方法,所述方法具体包括以下步骤:[0005] 步骤一、利用扩展卡尔曼滤波方法对智能电动营运车辆电池SOC进行预测;[0006] 步骤二、结合SOC预测值和当前车辆电池状态参数以及车辆行驶环境信息,建立循环数据集,基于GRU神经网络实现对车辆电池参数RUL的预测;[0007] 步骤三、基于预测结果动态调整电池的内外部参数,实现电池的自适应充放电控制。[0008] 进一步地,步骤一包括:[0009] 根据初始时的SOC值,计算充放电电流与时间的积分即对应增减电量,二者之差即为当前的SOC值,[0010] ,其中, 为电池SOC的初始值, 表示电池的充放电效率,为充放电电流,SOC即为电池的剩余电量, 为电池可用容量;[0011] 采用卡尔曼滤波算法对SOC的计算值进行修正,建立SOC修正系统模型,xk、yk表示k时刻系统的状态向量和观测向量,则:[0012] ,其中, 表示系统的状态输入量即控制向量, 表示系统过程噪声, 表示观测噪声, 为系统状态转移矩阵, 为控制矩阵, 、 为观测矩阵,则协方差矩阵: ,式中的 表示期望, 为系统噪声协方差矩阵, 为观测噪声协方差矩阵;[0013] 初始化状态变量和协方差,进行状态估计和误差协方差预测,根据观测值对增益、状态估计和误差协方差估计进行更新,即可得到剩余电量数据SOC的修正值。[0014] 进一步地,步骤二包括:[0015] 建立车辆信息循环数据,从电池数据集中提取电池在一个充放电循环周期内的充电电压 、充放电电流I、放电时间数据 和剩余电量数据 ,从车辆行驶轨迹数据中提取车辆在一个充放电循环周期内的加速时间t1、减速时间t2、匀速时间t3和海拔变化累计值,建立循环数据集;[0016] 将第 个充放电循环周期设置为预测起点,设置电池寿命阈值 ,将所述循环数据集分为两部分,预测起点 之前的数据作为训练数据集,预测起点 之后的数据作为验证集,所述预测起点 表示电池经历了 个充放电循环周期,基于循环数据建立寿命阈值的非线性系统的状态空间方程: ;[0017] 建立电池容量观测值的观测方程: ,基于GRU神经网络建立训练模型,计算出状态空间方程中的模型参数;[0018] 在第 个循环周期,用GRU模型预测观测方程中 个循环周期时的电池容量预测值 ,再将电池容量观测值 与预测值 进行比较,若观测值与预测值之间的误差不满足预设阈值,将观测值 转入训练集动态修正GRU神经网络模型参数;[0019] 直到预测步长达到数据集总长度,外推至寿命阈值即可得到智能电动营运车辆电池容量退化曲线和RUL的分布。[0020] 进一步地,基于RUL分布的预测结果动态调整电池的充电电压 、充放电电流I,将其值调整为下一个充放电周期内,根据SOC和RUL预测值反推后的电压电流值。[0021] 本发明与现有技术相比,具有如下的优点和有益效果:[0022] 1、本发明在计算SOC时,根据计算结果,采用卡尔曼滤波算法对SOC的计算值进行修正,建立SOC修正系统模型,解决了SOC计算存在的误差积累的问题,该估计方法对SOC的计算修正使得数据更加准确,能够更好的监测电池的衰减。[0023] 2、本发明在完成SOC计算后,结合SOC预测值和当前车辆电池状态参数以及车辆行驶环境信息,建立循环数据集,基于GRU神经网络实现对车辆电池参数RUL的预测,实现了车辆电池参数RUL实时监测和预测,并根据其结果调整充放电参数,延长电池的使用寿命。附图说明[0024] 图1为本发明的一种电动车辆电池参数的在线自适应控制方法的流程图。具体实施方式[0025] 下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下。[0026] 为了使本发明的目的,技术方案及优点更加清楚明白,结合附图及实施例,对本发明进行进一步详细说明,应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。[0027] 实施例[0028] 如图1所示,本实施提供一种电动车辆电池参数的在线自适应控制方法的流程图,具体包括如下步骤:[0029] 步骤一、利用扩展卡尔曼滤波方法对智能电动营运车辆电池SOC进行预测;[0030] 需要说明的是,步骤一中,根据初始时的SOC值,计算充放电电流与时间的积分即对应增减电量,二者之差即为当前的SOC值,[0031] ,其中, 为电池SOC的初始值, 表示电池的充放电效率,为充放电电流,SOC即为电池的剩余电量, 为电池可用容量;[0032] 采用卡尔曼滤波算法对SOC的计算值进行修正,建立SOC修正系统模型,xk、yk表示k时刻系统的状态向量和观测向量,则:[0033] ,其中, 表示系统的状态输入量即控制向量, 表示系统过程噪声, 表示观测噪声, 为系统状态转移矩阵, 为控制矩阵, 、 为观测矩阵,则协方差矩阵: ,式中的 表示期望, 为系统噪声协方差矩阵, 为观测噪声协方差矩阵;[0034] 初始化状态变量和协方差,[0035] ;[0036] 进行状态估计和误差协方差预测,[0037] ;[0038] 根据观测值对增益、状态估计和误差协方差估计进行更新,[0039][0040] 即可得到剩余电量数据SOC的修正值。[0041] 步骤二、结合SOC预测值和当前车辆电池状态参数以及车辆行驶环境信息,建立循环数据集,基于GRU神经网络实现对车辆电池参数RUL的预测;[0042] 需要说明的是,步骤二中,建立车辆信息循环数据,从电池数据集中提取电池在一个充放电循环周期内的充电电压 、充放电电流I、放电时间数据 和剩余电量数据 ,从车辆行驶轨迹数据中提取车辆在一个充放电循环周期内的加速时间t1、减速时间t2、匀速时间t3和海拔变化累计值 ,建立循环数据集;[0043] 将第 个充放电循环周期设置为预测起点,设置电池寿命阈值 ,将所述循环数据集分为两部分,预测起点 之前的数据作为训练数据集,预测起点 之后的数据作为验证集,所述预测起点 表示电池经历了 个充放电循环周期,基于循环数据建立寿命阈值的非线性系统的状态空间方程: ;[0044] 建立电池容量观测值的观测方程: ,基于GRU神经网络建立训练模型,计算出状态空间方程中的模型参数;[0045] 在第 个循环周期,用GRU模型预测观测方程中 个循环周期时的电池容量预测值 ,再将电池容量观测值 与预测值 进行比较,若观测值与预测值之间的误差不满足预设阈值,将观测值 转入训练集动态修正GRU神经网络模型参数;[0046] 需要说明的是,本发明使用的GRU神经网络属于通用神经网络,在此不赘述神经网络的具体结构,观测值与预测值之间误差的预设阈值一般设置为不超过6%。[0047] 直到预测步长达到数据集总长度,外推至寿命阈值即可得到智能电动营运车辆电池容量退化曲线和RUL的分布。[0048] 步骤三、基于预测结果动态调整电池的内外部参数,实现电池的自适应充放电控制。[0049] 基于RUL分布的预测结果动态调整电池的充电电压 、充放电电流I,将其值调整为下一个充放电周期内,根据SOC和RUL预测值反推后的电压电流值。[0050] 以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

专利地区:北京

专利申请日期:2024-01-16

专利公开日期:2024-09-03

专利公告号:CN117719390B


以上信息来自国家知识产权局,如信息有误请联系我方更正!
电话咨询
读内容
搜本页
回顶部