• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 9
    • 下载费用:30 金币  

    重庆时时彩后二选胆: 一种基于深度学习CKF的应急灯电池SOC估计方法.pdf

    关 键 词:
    一种 基于 深度 学习 CKF 应急灯 电池 SOC 估计 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201610619319.1

    申请日:

    2016.07.29

    公开号:

    CN106354991A

    公开日:

    2017.01.25

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 授权|||实质审查的生效IPC(主分类):G06F 19/00申请日:20160729|||公开
    IPC分类号: G06F19/00(2011.01)I; G06N3/08 主分类号: G06F19/00
    申请人: 宁波飞拓电器有限公司
    发明人: 杜明; 管冰蕾; 汤显峰; 邵岳军
    地址: 315324 浙江省宁波市慈溪市周巷镇企业路546号
    优先权:
    专利代理机构: 浙江杭州金通专利事务所有限公司 33100 代理人: 王佳健
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201610619319.1

    授权公告号:

    ||||||

    法律状态公告日:

    2019.03.22|||2017.03.01|||2017.01.25

    法律状态类型:

    授权|||实质审查的生效|||公开

    摘要

    本发明涉及电池技术领域的一种基于深度学习CKF的应急灯电池SOC估计方法,该方法通过以下步骤实现:首先建立应急灯电池系统的离散状态空间模型;然后采用深度学习CKF对电池的SOC值进行滤波估计。本发明提出的方法通过对有关参量的深度学习训练,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。

    权利要求书

    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,
    <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>x</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mrow> <mo>&lsqb;</mo> <msub> <mi>S</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>U</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow> <mi>T</mi> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>A</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <mrow> <mi>&Delta;</mi> <mi>t</mi> </mrow> <mrow> <mi>R</mi> <mi>C</mi> </mrow> </mfrac> </mrow> </msup> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <mi>B</mi> <mo>=</mo> <msup> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <mo>-</mo> <mfrac> <mrow> <msub> <mi>&eta;</mi> <mn>0</mn> </msub> <mi>&Delta;</mi> <mi>t</mi> </mrow> <msub> <mi>Q</mi> <mn>0</mn> </msub> </mfrac> </mrow> </mtd> <mtd> <mrow> <mi>R</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <mrow> <mi>&Delta;</mi> <mi>t</mi> </mrow> <mrow> <mi>R</mi> <mi>C</mi> </mrow> </mfrac> </mrow> </msup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mi>T</mi> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>w</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>w</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>w</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mi>T</mi> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>z</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>V</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>h</mi> <mo>&lsqb;</mo> <mi>x</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&rsqb;</mo> <mo>=</mo> <msub> <mi>V</mi> <mi>o</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>k</mi> <mn>0</mn> </msub> <mo>/</mo> <msub> <mi>S</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <msub> <mi>S</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mi>l</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mi>S</mi> <mi>c</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>k</mi> <mn>3</mn> </msub> <mi>l</mi> <mi>n</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>S</mi> <mi>c</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mi>U</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>D</mi> <mo>=</mo> <mo>-</mo> <msub> <mi>R</mi> <mn>0</mn> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced>
    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。

    说明书

    一种基于深度学习CKF的应急灯电池SOC估计方法

    技术领域

    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
    ?;?,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(State of
    Charge,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???br />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??ǘ瞬ǚǘ許OC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。

    发明内容

    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(cubature Kalman filter,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,

    <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>x</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mrow> <mo>&lsqb;</mo> <msub> <mi>S</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>U</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow> <mi>T</mi> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>A</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <mrow> <mi>&Delta;</mi> <mi>t</mi> </mrow> <mrow> <mi>R</mi> <mi>C</mi> </mrow> </mfrac> </mrow> </msup> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <mi>B</mi> <mo>=</mo> <msup> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <mo>-</mo> <mfrac> <mrow> <msub> <mi>&eta;</mi> <mn>0</mn> </msub> <mi>&Delta;</mi> <mi>t</mi> </mrow> <msub> <mi>Q</mi> <mn>0</mn> </msub> </mfrac> </mrow> </mtd> <mtd> <mrow> <mi>R</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <mrow> <mi>&Delta;</mi> <mi>t</mi> </mrow> <mrow> <mi>R</mi> <mi>C</mi> </mrow> </mfrac> </mrow> </msup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mi>T</mi> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>w</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>w</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>w</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mi>T</mi> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>z</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>V</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>h</mi> <mo>&lsqb;</mo> <mi>x</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&rsqb;</mo> <mo>=</mo> <msub> <mi>V</mi> <mi>o</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>k</mi> <mn>0</mn> </msub> <mo>/</mo> <msub> <mi>S</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <msub> <mi>S</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mi>ln</mi> <mrow> <mo>(</mo> <msub> <mi>S</mi> <mi>c</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>k</mi> <mn>3</mn> </msub> <mi>ln</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>S</mi> <mi>c</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mi>U</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>D</mi> <mo>=</mo> <mo>-</mo> <msub> <mi>R</mi> <mn>0</mn> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced>

    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:

    <mrow> <msub> <mi>S</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>S</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mrow> <msub> <mi>&eta;</mi> <mn>0</mn> </msub> <mi>&Delta;</mi> <mi>t</mi> </mrow> <msub> <mi>Q</mi> <mn>0</mn> </msub> </mfrac> <mi>i</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>w</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

    记U(k)为k时刻电池极化电容C上的电压,则有:

    <mrow> <mi>U</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <mrow> <mi>&Delta;</mi> <mi>t</mi> </mrow> <mrow> <mi>R</mi> <mi>C</mi> </mrow> </mfrac> </mrow> </msup> <mi>U</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>R</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <mrow> <mi>&Delta;</mi> <mi>t</mi> </mrow> <mrow> <mi>R</mi> <mi>C</mi> </mrow> </mfrac> </mrow> </msup> <mo>)</mo> </mrow> <mi>i</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>w</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

    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

    <mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>V</mi> <mrow> <mi>o</mi> <mi>u</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>V</mi> <mi>o</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>k</mi> <mn>0</mn> </msub> <mo>/</mo> <msub> <mi>S</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <msub> <mi>S</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mi>ln</mi> <mrow> <mo>(</mo> <msub> <mi>S</mi> <mi>c</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>k</mi> <mn>3</mn> </msub> <mi>ln</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>S</mi> <mi>c</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <msub> <mi>R</mi> <mn>0</mn> </msub> <mi>i</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>U</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>v</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

    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)

    <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mi>s</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <msub> <mi>&xi;</mi> <mi>i</mi> </msub> <mo>+</mo> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>

    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

    <mrow> <msubsup> <mi>x</mi> <mi>i</mi> <mo>*</mo> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>Ax</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <mi>B</mi> <mi>i</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>

    2.2.3计算状态预测估计值

    <mrow> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>x</mi> <mi>i</mi> <mo>*</mo> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>

    2.2.4计算预测误差方差阵

    <mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>x</mi> <mi>j</mi> <mo>*</mo> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <msup> <mrow> <mo>&lsqb;</mo> <msubsup> <mi>x</mi> <mi>j</mi> <mo>*</mo> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow> <mi>T</mi> </msup> <mo>-</mo> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <msup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>T</mi> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <mi>Q</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>

    步骤2.3量测更新

    2.3.1计算积分点(i=0,1,…,m)

    <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mi>S</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <msub> <mi>&xi;</mi> <mi>i</mi> </msub> <mo>+</mo> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>

    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

    <mrow> <mover> <mi>z</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>z</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>

    2.3.4计算互协方差阵

    <mrow> <msub> <mi>P</mi> <mrow> <mi>x</mi> <mi>z</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <msubsup> <mi>z</mi> <mi>i</mi> <mi>T</mi> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <msup> <mover> <mi>z</mi> <mo>^</mo> </mover> <mi>T</mi> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>

    2.3.5计算测量新息协方差阵Pzz(k|k-1)

    <mrow> <msub> <mi>P</mi> <mrow> <mi>z</mi> <mi>z</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>m</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>z</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <msubsup> <mi>z</mi> <mi>i</mi> <mi>T</mi> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mover> <mi>z</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <msup> <mover> <mi>z</mi> <mo>^</mo> </mover> <mi>T</mi> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>+</mo> <mi>R</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>

    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)

    <mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <mi>K</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&lsqb;</mo> <mi>z</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mover> <mi>z</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>P</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mi>K</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <msup> <mrow> <mo>&lsqb;</mo> <msub> <mi>P</mi> <mrow> <mi>z</mi> <mi>z</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>|</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msup> <mrow> <mo>&lsqb;</mo> <mi>K</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow> <mi>T</mi> </msup> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow>

    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:

    <mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>y</mi> <mo>=</mo> <msup> <mi>&omega;</mi> <mi>T</mi> </msup> <mi>u</mi> <mo>+</mo> <mi>b</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>y</mi> </mrow> </msup> </mrow> </mfrac> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>17</mn> <mo>)</mo> </mrow> </mrow>

    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?;诓愕远嗦肫鞯纳疃妊澳P?br />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。

    关于本文
    本文标题:一种基于深度学习CKF的应急灯电池SOC估计方法.pdf
    链接地址://www.4mum.com.cn/p-6027202.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 时时彩任选2稳赚技巧 胆拖投注计算器360 快3大小技巧稳赚方法如下 黑彩赚钱 必中一肖 pk10免费走势图app分析 双色球普通投注摇一摇 极速时时连线走势图 快三单双计算方法 北京时时官方开奖 3D最近100期走势图开门彩 凤凰11选5稳赚计划 天天快3计划软件手机版 江苏时时代理公司 3d稳赚买法 北京pk10有赚钱的人