本申请属于新能源，涉及电池荷电状态估计技术，具体地，提供一种基于深度学习及iakf的电池荷电状态估计方法和系统。
背景技术：
1、随着新能源汽车行业的蓬勃发展，动力电池行业备受关注，而对动力电池荷电状态(soc)的准确估算，既是电动汽车估算续航里程最基本的要求，又是提升电池利用效率和安全性能的基本保证。
2、目前对soc进行估算方法包括安时积分法、开路电压法、数据驱动法、基于模型的各类滤波算法，以及上述各类算法的联合估算等等，目前广泛使用的soc估算方法是基于模型的滤波算法，其中最常见的即为卡尔曼滤波算法，由于观测方程中的开路电压与soc值为非线性关系，故而引出ekf算法，考虑到ekf为一阶taylor展开，部分学者在此基础上提出了无迹卡尔曼滤波算法(ukf)，即利用无迹变换替代taylor展开实现非线性到线性的转换。然而，即使利用ukf算法，也仅仅相当于二阶taylor展开的精度，仍旧存在着预测误差随时间增加而逐渐增大的问题。关于上述算法的自适应算法虽然可以在一定程度上对预测状态的高斯协方差矩阵q与观测状态的高斯协方差矩阵r进行修正，然而其修正公式为一近似过程，在某些电池工况下将引入较大偏差值，此偏差在卡尔曼增益的计算过程中被进一步放大，造成soc估算出现较大的误差值甚至是发散的情况。
3、此外，还有学者提出一种智能自适应扩展卡尔曼滤波算法(iaekf)，通过实时调整eis窗口长度以自适应地更新测量和过程噪声协方差，提高状态估计精度，避免了窗口内的误差分布变化较大时出现的自适应偏差问题，然而上述算法中在每次估计中仍采用近似值确定模型参数，且其通过判断前一时刻的误差点是否为引起eis分布变化的手段变更eis的长度，并未考虑到当前时刻误差点为引起eis分布变化点时计算新息协方差时所引入的误差；其次，上述方法仍旧无法避免预测soc值向端电压转换过程中存在多项的误差，如soc与开路电压拟合误差、模型参数辨识误差等等，这些误差累积起来将极大的降低soc的估算精度。
技术实现思路
1、本申请的第一方面提供一种基于深度学习及iakf的电池荷电状态估计方法，包括以下步骤：
2、获取电池参数的实时测量值序列，所述电池参数包括电池的电流、电压及温度；
3、基于所述实时测量值序列获取电池荷电状态的预测值及观测值，其中，电池荷电状态的观测值基于深度学习网络确定；
4、基于电池荷电状态的预测值及观测值，通过iakf模型获取电池荷电状态的估计值，并基于长度可变的计算用误差新息序列的全部二次项信息对iakf模型的参数进行更新。
5、优选地，所述iakf模型的参数包括计算用误差新息序列的长度m，监测用误差新息序列的长度n，电池荷电状态的预测值的协方差q、电池荷电状态的观测值的协方差r，电池荷电状态的估计值的协方差p、电池荷电状态的先验预测协方差ppre以及卡尔曼增益系数，且任意时刻的q、r、p及ppre为一维常数。
6、进一步地，所述iakf模型具体为：
7、
8、其中，k为估计电池荷电状态的时刻，x(k)为k时刻的电池荷电状态的估计值，xpre(k)、z(k)分别为k时刻的电池荷电状态的预测值、观测值，k为卡尔曼增益系数。
9、具体地，xpre(k)由下式确定：
10、
11、其中，x(k-1)为k-1时刻的电池荷电状态的估计值，η为电池的充放电效率，i为电流的实时测量值，c为电池的容量。
12、优选地，所述深度学习网络为lstm网络，所述lstm网络的输入为电池参数的实时测量值序列，输出为一维的电池荷电状态序列。
13、优选地，k时刻的计算用误差新息序列及监测用误差新息序列均包含k时刻的电池荷电状态的预测值与观测值的误差信息。
14、进一步地，所述基于长度可变的计算用误差新息序列的全部二次项信息对iakf模型的参数进行更新，具体包括以下步骤：
15、基于下式获取k时刻的监测用误差新息序列w'：
16、
17、基于下式分别求取w'的整体、前半段、后半段出现最大概率时对应的方差值δ2、
18、
19、如果则令m＝min[m+1,mmax]，基于下式获取k时刻的计算用误差新息序列w，
20、
21、并基于下式更新n、r及q：
22、
23、如果则令m＝2，基于下式获取k时刻的计算用误差新息序列w，
24、
25、并基于下式更新n、r及q：
26、
27、其中，th为误差分布变化阈值，h为新息协方差，r'、ppre'分别为k-1时刻r、ppre的估计值，α为电池荷电状态的观测值的误差均值，β为电流的实时测量值的随机偏差。
28、进一步地，所述w的全部二次项信息包括以下二次项：
29、
30、其中，分别为l时刻下电池荷电状态的预测值与观测值的误差值。
31、本申请的第二方面提供一种基于深度学习及iakf的电池荷电状态估计系统，包括处理器及可读存储介质，所述可读存储介质中存储有可执行程序，所述处理器通过执行所述可执行程序实现前述的基于深度学习及iakf的电池荷电状态估计方法。
32、本申请的实施例提供的基于深度学习及iakf的电池荷电状态估计方法及系统，将深度学习网络输出的soc值作为卡尔曼滤波的观测值，从而有效的避免预测soc值向观测端电压值转换过程中产生的误差，同时降低状态方程的维度、较大程度上降低计算的复杂度并赋予卡尔曼滤波公式中参数新的物理意义，通过监测最新预测与观测soc差值点是否为引起eis分布变化点的方式建立该点处r、q值与h的关系，并基于此关系通过智能自适应判断准则分类修正自适应滤波公式，由此增加soc估算的精度与鲁棒性。
1.一种基于深度学习及iakf的电池荷电状态估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习及iakf的电池荷电状态估计方法，其特征在于：
3.根据权利要求2所述的基于深度学习及iakf的电池荷电状态估计方法，其特征在于，所述iakf模型具体为：
4.根据权利要求3所述的基于深度学习及iakf的电池荷电状态估计方法，其特征在于，xpre(k)由下式确定：
5.根据权利要求1所述的基于深度学习及iakf的电池荷电状态估计方法，其特征在于：
6.根据权利要求3所述的基于深度学习及iakf的电池荷电状态估计方法，其特征在于：
7.根据权利要求6所述的基于深度学习及iakf的电池荷电状态估计方法，其特征在于，所述基于长度可变的计算用误差新息序列的全部二次项信息对iakf模型的参数进行更新，具体包括以下步骤：
8.根据权利要求7所述的基于深度学习及iakf的电池荷电状态估计方法，其特征在于，所述w的全部二次项信息包括以下二次项：
9.一种基于深度学习及iakf的电池荷电状态估计系统，包括处理器及可读存储介质，所述可读存储介质中存储有可执行程序，所述处理器通过执行所述可执行程序实现如权利要求1所述的基于深度学习及iakf的电池荷电状态估计方法。
