CN108490361A - 一种基于云端反馈的荷电状态SoC计算方法 - Google Patents

Abstract

本发明提出一种基于云端反馈的自适应的BMS内部SoC计算方法，包括以下步骤：第一步，初始参数设定，包括额定电荷量、额定电流、OCV‑SoC曲线。第二步，采集并上传电池电压、电流、温度、充放电倍率等实时数据。第三步，云端使用实时数据修正电池模型和OCV‑SoC曲线，并将其反馈至BMS。第四步，BMS根据云端反馈的参数进行自调整，并对电压和SoC建立优化的扩展卡尔曼滤波模型计算出当前SoC。本发明考虑多种因素对SoC的影响，在保证在线SoC的前提下，提高了SoC计算的实时性和精准度，保证了电池储能的高效利用和安全使用。

Description

一种基于云端反馈的荷电状态SoC计算方法

技术领域

本发明涉及电池SoC的计算方法，特别涉及一种基于云端反馈的SoC计算方法。

背景技术

随着新能源技术的发展，电池储能的需求日益增加。因而，电池的有效、安全利用也日益为人们所关注。SoC，即荷电状态(State of Charge)，反映了电池实时剩余电荷量。SoC的实时精准计算对于最大化电池利用率和保证安全使用电池都至关重要。

SoC受到多种因素影响，包括电池温度、充放电倍率、自放电、老化程度等。因而，SoC计算往往难以兼顾实时性和精准度。目前SoC的计算方法较多，包括安时积分法、开路电压法、放电实验法、神经网络法和卡尔曼滤波法等。安时积分法简单快速，但会将误差累积，且无法消除；开路电压法需等待电池静置一段时间才能准确计算SoC，不满足实时性要求；放电实验法须中断电池工作，只适合在实验研究中使用；神经网络法需要大量数据进行训练，也不太适用于实际工程；卡尔曼滤波法的精准度受到电池模型的影响较大，需要选择合理的电池模型。在实际应用中，主要方法还是基于安时积分法完成，包括Ah-内阻法、Ah-Peukert法、Ah-开路电压法等。

发明内容

为解决上述问题，本发明提出了一种基于云端反馈的SoC计算方法。目的是在保证在线计算SoC的前提下，通过在云端完成修正计算参数，和建立扩展卡尔曼滤波模型计算实时SoC，提高SoC计算的精准度和实时性。

本发明综合考虑多种因素对SoC的影响，在具备较强计算能力的云端动态修正SoC计算参数，具体包括电池模型和OCV-SoC曲线，然后将参数反馈到BMS。BMS对SoC、内阻压降等建立扩展卡尔曼滤波模型，从而计算出SoC。本发明考虑多种因素对SoC的影响，并在云端根据这些因素对计算参数进行修正，既将计算任务从BMS转移出来，又可提高SoC的精准度和保证SoC计算的实时性。同时，本发明本身使用扩展卡尔曼滤波模型进行建模，既实现了在线SoC计算，又可避免安时积分法所带来的累积误差，进一步提高SoC的计算精准度。

本发明提出的一种基于基于云端反馈的SoC计算方法，包括以下步骤：

步骤一，电池参数初始化，并将初始值写入电池管理系统BMS和云端；

步骤二，将电池温度、充放电倍率和电池健康度SoH的取值区间分别等分为若干个区间，每个区间就表示一个状态；

步骤三，实时采集电池数据，并将数据上传到云端；

步骤四，在云端判断电池温度、充放电电倍率、SoH是否发生状态切换；若是，则继续步骤五；否则，直接进入步骤八；

步骤五，修正电池模型阶数和电池模型参数；

步骤六，修正OCV-SoC曲线，得到新的OCV-SoC曲线；

步骤七，将所述得到的新的OCV-SoC曲线和修正的电

池模型反馈到BMS；

步骤八，利用求出t时刻的SoC s′_t，其中，η(t)为充放电倍率，i(t)为t时刻电流，Q_N为电池的额定电量。其中，充电时电流记为负值，放电时电流记为正值；

步骤九，使用电池模型u(k)+a₁u(k-1)+…+a_nu(k-n)＝b₀i(k)+b₁i(k-1)+…+b_mi(k-m)+e，利用i(t),i(t-1)… i(1)计算出t时刻的u，记为u_t′；

步骤十，使用s′_t通过OCV-SoC曲线计算该SoC值所对应的开路电压u″_t，根据e(t)＝u_t-(u″_t+u′_t)，算出e(t)，u_t为测量到的电池端电压；

步骤十一，建立扩展卡尔曼滤波模型：x_k+1＝f(x_k,i_k)+w_k，y_k＝h(x_k,i_i)+v_k。其中，w_k和v_k为协方差，服从高斯正态分布，x_k＝(s_k,s'_k,s'_k-1)，s'_k，s'_k-1为对应时刻经过计算得出的SoC。从而可求得当前SoC＝s_k。

本发明在保证在线SoC的前提下，提高了SoC计算的实时性和精准度，保证了电池储能的高效利用和安全使用。

附图说明

图1是电池模型等效电路图。

图2是本发明的总体执行流程图。

图3是BMS使用优化的扩展卡尔曼滤波模型计算SoC的总体流程图。

图4是云端修正计算参数的总体流程图。

具体实施方式

本发明提出一种基于云端反馈的SoC计算方法，参考附图2，具体实施方式包括以下步骤：

步骤一，参数初始化，并将初始值写入BMS(电池管理系统)和云端。初始参数包括：电池额定电荷量Q_N、电池额定电流I_N、电池电压上限电池电压下限电池电流上限和OCV-SoC曲线f(u_k，g(s_k,t_k,η_k,λ_k))＝0，记为f(·)。其中，OCV-SoC曲线是电池的开路电压-SoC关系曲线，具体为u_k＝g(s_k,t_k,η_k,λ_k)，其中s_k为k时刻的SoC，t_k为k时刻的温度，η_k为k时刻的充放电倍率，λ_k为k时刻的SoH(State of Health)，u_k为k时刻的开路电压。记参数初始值为向量

步骤二，状态划分。

按照区间长度为5，将电池温度(取值范围：-10℃～100℃)等分为22个区间，每个区间则是一个状态。具体，[-10，-5)℃为状态T₀，[-5，-0)℃为状态T₁，依此类推。

同理，按照区间长度为0.1，将SoH(取值范围为0～1)等分为10个区间；按照区间长度为0.1，将充放电倍率(趋势范围为0～1)等分为10个区间。每个区间就表示一个状态。

步骤三，采集数据。以0.1秒为间隔，实时采集电池端电压U(t)、电流I(t)、电池温度T(t)、充放电荷量累积值Q(t)、充放电倍率η(t)、SoH(State of Health)λ(t)、电压上限电压下限电流上限记为 并将P(t)上传到云端。

步骤四，云端将数据保存，并判断电池温度T(t)、充放电电倍率η(t)、SoHλ(t)是否发生状态转移若是，则继续以下步骤。否则，直接进入步骤八，使用原参数计算SoC。

本步骤中，判断是否发生状态转移的具体办法是：以电池温度T(t)为例，如果上一次的电池温度为-6℃(T₀)，属于[-10，-5)℃状态中，而本次为-4℃(T₁)，属于[-5，0)℃的状态，则认为发生了状态转移；如果上一次的电池温度为-6℃(T₀)，而本次电池温度为-5.5℃(T₀)，则认为没有发生状态转移。

本步骤中，之所以判断是否发生状态切换，是因为实际应用中并不需要每次都进行计算参数的修正，只需要参数偏离到达一定程度才进行修正。

步骤五，修正电池模型。此步骤基于电池模型一般形式：u(k)+a₁u(k-1)+…+a_nu(k-n)＝b₀i(k)+b₁i(k-1)+…+b_mi(k-m)+e，其中k为数据采集序号，即u(k)为第k次采集到的电池电压，i(k)为第k次采集到的流过电池的电流，e为误差，u为电池端电压，i为流过电池的电流，a₁，a₂，…a_n和b₀，b₁，b₂…b_m为电池模型参数，m,n为电池模型阶数。本步骤具体分成两步完成：

①电池模型阶数的修正。使用Akaike Information Criterion(AIC)准则AIC＝log(V)+2d/N修正电池模型阶数，d是电池模型参数的个数，N是采集到的电池实时数据集元素的个数，V是代价函数，其中，选择具有最小AIC值的电池模型阶数作为修正后的电池模型阶数。。

②修正电池模型参数。针对电池模型u(k)+a₁u(k-1)+…+a_nu(k-n)＝b₀i(k)+b₁i(k-1)+…+b_mi(k-m)+e，引入向量其中令则可得迭代矩阵

其中N为采集到的电池实时数据集元素的个数，令电池模型误差使用采集的N个电流和电压设置为Φ^j的值，将其每个行向量作为的一组取值代入中进行迭代，直到到达某个可以接受的程度，此时a₁，a₂…a_n和b₁，b₂…b_m即为所求电池模型参数。

步骤六，修正OCV-SoC曲线。对于OCV-SoC曲线f(s_k,t_k,η_k,λ_k,u_k)＝0，其中s_k为k时刻的SoC，t_k为k时刻的温度，η_k为k时刻的充放电倍率，λ_k为k时刻的SoH，u_k为k时刻的开路电压，先将f(s_k,t_k,η_k,λ_k,u_k)＝0投影到各维度，然后在各维度上，利用不同状态区间上的基准OCV-SoC曲线进行缩放和插值，得到新的开路电压-SoC曲线。

步骤七，将所述得到的新的OCV-SoC曲线和修正的电池模型反馈到BMS。

步骤八，利用求出t时刻的SoC s′_t，其中，η(t)为充放电倍率，i(t)为t时刻电流，Q_N为电池的额定电量。其中，充电时电流记为负值，放电时电流记为正值。

步骤九，使用电池模型u(k)+a₁u(k-1)+…+a_nu(k-n)＝b₀i(k)+b₁i(k-1)+…+b_mi(k-m)+e，利用i(t),i(t-1)…i(1)计算出t时刻的u，记为u_t′。

步骤十，使用s′_t通过OCV-SoC曲线计算该SoC值所对应的开路电压u″_t。根据e(t)＝u_t-(u″_t+u′_t)，算出e(t)，u_t为测量到的电池端电压。

步骤十一，建立扩展卡尔曼滤波模型：x_k+1＝f(x_k,i_k)+w_k，y_k＝h(x_k,i_i)+v_k。其中，w_k和v_k为协方差，服从高斯正态分布，x_k＝(s_k,s'_k,s'_k-1)，s'_k，s'_k-1为对应时刻经过计算得出的SoC。从而可求得当前SoC＝s_k。

上述实例为本发明较佳的实施方式，但本发明的实施方式并不受上述实例的限制，其他任何未背离本发明的精神实质和原理下所作的修改、修饰、替代、组合、简化，均应为等效的置换方式，都应包含在本发明的保护范围之内。

Claims (5)

1.一种基于云端反馈的荷电状态SoC的计算方法，包括以下步骤：

步骤一，电池参数初始化，并将初始值写入电池管理系统BMS和云端；

步骤二，将电池温度、充放电倍率和电池健康度SoH的取值区间分别等分为若干个区间，每个区间就表示一个状态；

步骤三，实时采集电池数据，并将数据上传到云端；

步骤四，在云端判断电池温度、充放电电倍率、SoH是否发生状态切换；若是，则继续步骤五；否则，直接进入步骤八；

步骤五，修正电池模型阶数和电池模型参数；

步骤六，修正OCV-SoC曲线，得到新的OCV-SoC曲线；

步骤七，将所述得到的新的OCV-SoC曲线和修正的电池模型反馈到BMS；

步骤八，利用求出t时刻的SoC s_t′，其中，η(t)为充放电倍率，i(t)为t时刻电流，Q_N为电池的额定电量，其中，充电时电流记为负值，放电时电流记为正值；

步骤九，使用电池模型

u(k)+a₁u(k-1)+…+a_nu(k-n)＝b₀i(k)+b₁i(k-1)+…+b_mi(k-m)+e，利用i(t),i(t-1)…i(1)计算出t时刻的u，记为u_t′；

步骤十，使用s_t′通过OCV-SoC曲线计算该SoC值所对应的开路电压u_t″，根据e(t)＝u_t-(u_t″+u_t′)，算出e(t)，u_t为测量到的电池端电压；

步骤十一，建立扩展卡尔曼滤波模型：x_k+1＝f(x_k,i_k)+w_k，y_k＝h(x_k,i_i)+v_k，其中，w_k和v_k为协方差，服从高斯正态分布，x_k＝(s_k,s'_k,s'_k-1)，s'_k，s'_k-1为对应时刻经过计算得出的SoC，从而可求得当前SoC＝s_k。

2.如权利要求1所述的一种基于云端反馈的荷电状态SoC的计算方法，其中步骤一中初始化的参数包括：额定电荷量、额定电流、电压上限、电压下限、电流上限和OCV-SoC曲线。

3.如权利要求1所述的一种基于云端反馈的荷电状态SoC的计算方法，其中，在步骤三中，实时采集的数据包括：端电压、电流、电池温度、充放电荷量累积值、充放电倍率、SoH、电压上限、电压下限和电流上限。

4.如权利要求1所述的一种基于云端反馈的荷电状态SoC的计算方法，其中，在步骤五中，设定电池模型一般形式为u(k)+a₁u(k-1)+…+a_nu(k-n)＝b₀i(k)+b₁i(k-1)+…+b_mi(k-m)+e，其中k为数据采集序号，即u(k)为第k次采集到的电池电压，i(k)为第k次采集到的流过电池的电流，e为误差，u为电池端电压，i为流过电池的电流，a₁，a₂，…a_n和b₀，b₁，b₂…b_m为电池模型参数，m,n为电池模型阶数；具体包括以下两个步骤：

第一步，修正电池模型阶数，使用Akaike Information Criterion(AIC)准则AIC＝log(V)+2d/N修正电池模型阶数，d是电池模型参数的个数，N是采集到的电池实时数据集元素的个数，V是代价函数，其中，选择具有最小AIC值的电池模型阶数作为修正后的电池模型阶数；

第二步，修正电池模型参数，针对电池模型u(k)+a₁u(k-1)+…+a_nu(k-n)＝b₀i(k)+b₁i(k-1)+…+b_mi(k-m)+e，引入向量其中令则可得

迭代矩阵其中N为采集到的电池实时数据集元素的个数，令电池模型误差使用采集的N个电流和电压设置为Φ^j的值，将其每个行向量作为的一组取值代入中进行迭代，直到到达某个可以接受的程度，此时a₁，a₂…a_n和b₁，b₂…b_m即为修正的电池模型参数。

5.如权利要求1所述的一种基于云端反馈的荷电状态SoC的计算方法，其中，在步骤六中，对于OCV-SoC曲线f(s_k,t_k,η_k,λ_k,u_k)＝0，其中s_k为k时刻的SoC，t_k为k时刻的温度，η_k为k时刻的充放电倍率，λ_k为k时刻的SoH，u_k为k时刻的开路电压，先将f(s_k,t_k,η_k,λ_k,u_k)＝0投影到各维度，然后在各维度上，利用不同状态区间上的基准OCV-SoC曲线进行缩放和插值，得到新的开路电压-SoC曲线。