CN106646260A - 一种基于遗传神经网络的bms系统的soc的估算方法 - Google Patents

Abstract

本发明提供一种基于遗传神经网络的BMS系统的SOC的估算方法，包括如下步骤：步骤一：对BMS系统充电，充电桩获取BMS系统内的电池的实际容量；步骤二：构建神经网络模型，获取电池容量参数特征对照表，所述电池容量参数特征对照表包括电池衰减过程中的电流、电压容量标定参数、内阻容量标定参数及OCV容量标定参数；步骤三：将步骤一中的电池实际容量与步骤二中的电池容量参数特征对照表进行对照，获取电流、电压容量标定参数内的衰减电压数据、内阻容量标定参数内的衰减内阻数据及OCV容量标定参数内的衰减OCV数据；步骤四：根据步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据计算BMS系统的SOC。

Description

一种基于遗传神经网络的BMS系统的SOC的估算方法

【技术领域】

本发明涉及电池技术领域，尤其涉及一种基于遗传神经网络的BMS系统的SOC的估算方法。

【背景技术】

电池荷电状态(State of Charge，SOC)的准确估算是电动汽车电池充放电控制和动力优化管理的重要依据，直接影响电池的使用寿命和汽车的动力性能，并能预测电动汽车的续驶里程。目前，电池管理系统(Battery Management System，BMS)的SOC的估算方法通常采用安时法，即通过检测电池的实际容量来检测电池的充放电状态，通过电池的初始特征OCV曲线(Open Circuit Voltage，开路电压)进而估算电池的SOC，随着时间的积累，电池电量不断衰减，整个OCV曲线也在变化，依靠原来的OCV曲线计算BMS系统的SOC，存在较大的误差，SOC的估算不精准。

鉴于此，实有必要提供一种新型的基于遗传神经网络的BMS系统的SOC的估算方法以克服以上缺陷。

【发明内容】

本发明的目的是提供一种估算精准的基于遗传神经网络的BMS系统的SOC的估算方法。

为了实现上述目的，本发明提供一种基于遗传神经网络的BMS系统的SOC的估算方法，包括如下步骤：

步骤一：对BMS系统充电，充电桩获取BMS系统内的电池的实际容量；

步骤二：构建神经网络模型，获取电池容量参数特征对照表，所述电池容量参数特征对照表包括电池衰减过程中的电流电压容量标定参数、内阻容量标定参数及OCV容量标定参数；

步骤三：将步骤一中的电池实际容量与步骤二中的电池容量参数特征对照表进行对照，获取电流电压容量标定参数内的衰减电压数据、内阻容量标定参数内的衰减内阻数据及OCV容量标定参数内的衰减OCV数据；

步骤四：根据步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据计算BMS系统的SOC。

在一个优选实施方式中，所述步骤二中的电压电流容量标定参数、内阻容量标定参数及OCV容量标定参数分别通过在静态条件下，电压电流的容量标定曲线、内阻容量标定曲线及OCV容量标定曲线获得数据样本。

在一个优选实施方式中，所述步骤二中电池容量参数特征对照表的获取包括如下步骤：S1：建立离散数据库；S2：提取训练样本点；S3：构建神经网络模型；S4：在线电流采集；S5：稳态电流估算；S6：获取电池容量参数特征对照表。

在一个优选实施方式中，通过所述步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据，能够获取SOC的衰减数据。

在一个优选实施方式中，所述步骤四中SOC的计算公式为：

其中，Q为电量，I为电流，SOC_k+1为k+1时刻的SOC值，SOC_k为k时刻的SOC值，C为电池的额定容量，I_k为k时刻的电流值。

相比于现有技术，本发明提供的基于遗传神经网络的BMS系统的SOC的计估算方法，通过神经网络模型重新获取衰减后的性能参数值，构建SOC的衰减模型，计算的SOC值较为精准。

【附图说明】

图1为本发明提供的基于遗传神经网络的BMS系统的SOC的估算方法的流程图；

图2为静态下，电压、电流的容量标定曲线；

图3为静态下，内阻容量的标定曲线；

图4为静态下，OCV容量标定曲线；

图5为图1所示的方法中步骤2的子步骤的流程图。

【具体实施方式】

为了使本发明的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并不是为了限定本发明。

如图1所示，本发明提供一种基于遗传神经网络的BMS系统的SOC的估算方法，包括如下步骤：

步骤一：对BMS系统充电，充电桩获取BMS系统内的电池的实际容量；

步骤二：构建神经网络模型，获取电池容量参数特征对照表，所述电池容量参数特征对照表包括电池衰减过程中的电流电压容量标定参数、内阻容量标定参数及OCV容量标定参数；

步骤三：将步骤一中的电池实际容量与步骤二中的电池容量参数特征对照表进行对照，获取电流电压容量标定参数内的衰减电压数据、内阻容量标定参数内的衰减内阻数据及OCV容量标定参数内的衰减OCV数据；

步骤四：根据步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据计算BMS系统的SOC。

如图2、图3及图4所示，所述步骤二中的电压电流容量标定参数、内阻容量标定参数及OCV容量标定参数分别通过在静态条件下，电压电流的容量标定曲线、内阻容量标定曲线及OCV容量标定曲线获得数据样本。

本发明中所指的静态条件下是指在实验室中对若干电池进行若干次充放电测试，对若干电池在整个生命周期内的电压、电流、内阻及OCV进行监测，绘制电压电流的容量标定曲线、内阻容量标定曲线及OCV容量标定曲线。

如图5所示，所述步骤二中电池容量参数特征对照表的获取包括如下步骤：S1：建立离散数据库；S2：提取训练样本点；S3：构建神经网络模型；S4：在线电流采集；S5：稳态电流估算；S6：获取电池容量参数特征对照表。

通过建立离散数据库，提取出数据样本点，搭建神经网络模型。

进一步的，通过所述步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据，能够获取SOC的衰减数据。

进一步的，所述步骤四中SOC的计算公式为：

其中，Q为电量，I为电流，SOC_k+1为k+1时刻的SOC值，SOC_k为k时刻的SOC值，C为电池的额定容量，I_k为k时刻的电流值；公式(1)中，t₀到t₁时刻，电流I随着时间的推移是不断变化的，将不断变化的电流在时间上做积分，得到电量Q；公式(2)中k+1时刻的SOC会参照k时刻的SOC加上k时刻电池SOC的衰减值。根据公式(1)及公式(2)计算出不同时刻电池容量的衰减程度，建立电池容量衰减模型。

通过电动汽车的每一次充电，得到电流池容量的衰减数据，将电流容量的衰减数据放入构建好的神经网络，充电电池容量的实际数据主动查找神经网络模型内的数据，通过神经网络的自学习算法找到对应的数据后，输入对应的模型公式，该数据的模型具有遗传的效果。

本发明提供的基于遗传神经网络的BMS系统的SOC的计估算方法，通过神经网络模型重新获取衰减后的性能参数值，构建SOC的衰减模型，计算的SOC值较为精准。

本发明并不仅仅限于说明书和实施方式中所描述，因此对于熟悉领域的人员而言可容易地实现另外的优点和修改，故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下，本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。

Claims (5)

1.一种基于遗传神经网络的BMS系统的SOC的估算方法，其特征在于：包括如下步骤：

步骤一：对BMS系统充电，充电桩获取BMS系统内的电池的实际容量；

步骤二：构建神经网络模型，获取电池容量参数特征对照表，所述电池容量参数特征对照表包括电池衰减过程中的电流电压容量标定参数、内阻容量标定参数及OCV容量标定参数；

步骤三：将步骤一中的电池实际容量与步骤二中的电池容量参数特征对照表进行对照，获取电流电压容量标定参数内的衰减电压数据、内阻容量标定参数内的衰减内阻数据及OCV容量标定参数内的衰减OCV数据；

步骤四：根据步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据计算BMS系统的SOC。

2.如权利要求1所述的基于遗传神经网络的BMS系统的SOC的估算方法，其特征在于：所述步骤二中的电压电流容量标定参数、内阻容量标定参数及OCV容量标定参数分别通过在静态条件下，电压电流的容量标定曲线、内阻容量标定曲线及OCV容量标定曲线获得数据样本。

3.如权利要求2所述的基于遗传神经网络的BMS系统的SOC的估算方法，其特征在于：在一个优选实施方式中，所述步骤二中电池容量参数特征对照表的获取包括如下步骤：S1：建立离散数据库；S2：提取训练样本点；S3：构建神经网络模型；S4：在线电流采集；S5：稳态电流估算；S6：获取电池容量参数特征对照表。

4.如权利要求3所述的基于遗传神经网络的BMS系统的SOC的估算方法，其特征在于：通过所述步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据，能够获取SOC的衰减数据。

5.如权利要求4所述的基于遗传神经网络的BMS系统的SOC的估算方法，其特征在于：所述步骤四中SOC的计算公式为：

$Q={\∫}_{t_0}^{t_1}Idt---\left(1\right)$

${\mathrm{SOC}}_{k+1}={\mathrm{SOC}}_k+\frac{\mathrm{\Δ}t}{C}{I}_k---\left(2\right)$

其中，Q为电量，I为电流，SOC_k+1为k+1时刻的SOC值，SOC_k为k时刻的SOC值，C为电池的额定容量，I_k为k时刻的电流值。