[发明专利]基于极限学习和扩展卡尔曼滤波的荷电量估算方法及设备

权利要求书

1.一种基于极限学习和扩展卡尔曼滤波的荷电量估算方法，其特征在于，包括：步骤1：基于锂电池测试平台，在不同温度下对锂离子电池进行特性实验，包括：容量测试、HPPC测试、开路电压OCV测试以及动态工况测试FUDS，实验过程中采集实时的实验数据，包括环境温度、电池本体温度、电池端电压以及电流，其中容量测试的数据用来计算锂电池的真实SOC；HPPC测试和OCV测试数据用来建立与ELM对比的等效电路模型ECM；FUDS测试数据用来训练、验证和测试ELM电池模型，还用来测试SOC估算精度；步骤2：构建ELM神经网络，输入层包含三个神经元，分别为当前时刻t的电流值、SOC值，以及上一时刻t-1的端电压值；输出层包含一个神经元，即SOC；隐藏层神经元的激活函数采用双曲正切函数，隐藏层神经元个数在下一步骤中采用试错法确定；步骤3：利用ELM训练电池模型，首先使用30℃下的FUDS测试数据构建训练数据集，训练数据集的输入包括当前时刻t的电流值I(t)、真实SOC值SOC(t)，以及上一时刻t-1的端电压值V(t-1)，输出为当前时刻t的端电压值V(t),其中真实SOC值根据安时积分法计算：

其中SOC(t₀)为实验开始前的SOC初值，SOC(t)为当前时刻的SOC值，C_m是由容量测试校准的在该温度下的电池容量，其余输入与输出量为设备采集的实时数据，接着将训练集的数据进行归一化处理，提高训练速度和精度，利用构建的训练数据集训练ELM模型；步骤4：测试训练好的ELM电池模型，根据步骤2，将10℃和50℃下的FUDS测试数据构建成测试数据集，将测试数据集输入到已构建的ELM电池模型中，对比模型输出电压与实测的电池端电压，并使用均方根误差RMSE和平均绝对误差MAE来定量衡量ELM电池模型的精确度；步骤5：构建基于扩展卡尔曼滤波算法的SOC估算方法，首先定义x_k＝[SOC_k,V_k-1]为系统的状态变量，包括当前时刻的SOC和上一时刻的端电压，y_k为系统输出，即当前时刻的端电压，则系统的状态空间方程为：

x_k+1＝f(x_k,u_k)+w_k

y_k＝g(x_k,u_k)+v_k

其中w_k和v_k表示高斯噪声，u_k为系统的输入，f(x_k,u_k)表示状态方程，g(x_k,u_k)为量测方程，即由ELM训练的电池模型，进行扩展卡尔曼滤波的循环；步骤6：基于10℃、30℃或50℃下的FUDS测试数据，利用已构建的ELM-EKF方法对SOC进行估算，将预测SOC与真实SOC进行对比，计算MAE和RMSE，进行性能评估。

2.根据权利要求1所述的基于极限学习和扩展卡尔曼滤波的荷电量估算方法，其特征在于，所述利用构建的训练数据集训练ELM模型，包括：对隐藏层参数随机进行初始化，使用前向传播原理计算隐藏层的输出；为了得到连接隐藏层与输出层之间的权值β_i，要保证ELM的训练误差最小，因此可以将Hβ与训练集中的输出之间的最小化平方差作为目标函数，能够使得目标函数最小的解即为最优解，目标函数如下：

min||Hβ-T||²,β∈R^L*m

其中T为训练集中的输出，L和M分别表示隐藏层和输出层中的神经元个数，通过线性和矩阵论推倒可得β的计算如下：

β＝(H^TH)^-1H^T·T

隐藏层的参数和输出层的权值即可确定，即ELM训练完成，训练ELM不需要像训练BP或者RBF神经网络那样进行不断的迭代，ELM神经网络具有更快的训练速度和更好的收敛性能。