CN110554324A - 一种soc和soh联合估计方法 - Google Patents

Abstract

本发明公开一种SOC和SOH联合估计方法，包括：利用实验所测数据，得到训练样本集，其中，训练样本集中的每个训练样本包括平均SOC、环境温度、电流、累计电荷量以及对应的SOH，基于训练样本集，训练BP神经网络估计SOH；基于当前SOH，每隔第一预设时间，利用UKF算法估算SOC，并当总时间达到第二预设时间，基于当前传感器采集到的环境温度、电流以及SOC估计算法获得的SOC和累计电荷量，采用所述神经网络，估算SOH，实现SOC和SOH的联合估计。本发明在SOC和SOH的估计过程中充分考虑到两者之间的耦合关系及各种老化因素(如温度、电流等)的影响，同时根据SOC和SOH变化快慢差异采用双时估计，在保证估算精度不下降的前提下，提高计算效率，且能够很好地进行智能识别。

Description

一种SOC和SOH联合估计方法

技术领域

本发明属于电池储能领域，更具体地，涉及一种SOC和SOH联合估计方法。

背景技术

随着新能源技术的发展，储能技术越来越重要，电池是储能技术中的核心组成部分，电池的研究有着重要的意义。SOC与SOH是电池管理系统中基本参数，其准确性不仅影响了整个BMS的控制效果，还会影响整个电池的使用寿命，如何准确估计出SOC与SOH是电池研究中的热点及难点。

SOC是电池剩余电量和电池最大可放出电量之比，随着充放电过程而在0～1之间改变；SOH是电池目前最大可用容量和出厂时最大容量之比，随着电池日积月累地循环放电老化而从1退化到0.8(一般认为电池SOH达到0.8时需要更换)，SOC和SOH无法用传感器直接测出。目前一些前沿的技术，如卡尔曼滤波(如EKF,UKF等)、粒子滤波和神经网络等，已被引入到SOC或SOH估计中，并在一定条件下获得优越的估计效果。但单一估计SOC或SOH可能出现误差发散问题。基于锂电池老化的化学机理及前人大量的实验结果，在长期的电池使用过程中，SOC和SOH各影响因素相互耦合，两者相互影响。要想实现较为准确的估计算法必须对SOC与SOH之间的耦合关系要有充分的考虑。因此，有国内外研究人员提出了采用双EKF等双重估计器的方法实现SOC和SOH的联合估计，这些方法通过对实时电流、电压等的采样来同时更新SOC和SOH。但这种方法的预测精度还不理想。

发明内容

本发明提供一种SOC和SOH联合估计方法，用以解决现有SOC和SOH的估算方法中没有全面考虑SOC和SOH的耦合关系及温度影响而导致电池随着充放电的深入估算精度退化的技术问题。

本发明解决上述技术问题的技术方案如下：一种SOC和SOH联合估计方法，包括：

步骤1、通过对锂电池进行循环充放电实验，得到训练样本集，其中，所述训练样本集中的每个训练样本包括SOC和环境温度；

步骤2、基于所述训练样本集，训练SOH估算神经网络；

步骤3、基于待测锂电池的当前SOH，每隔第一预设时间，估算该锂电池的SOC，并当总时间达到第二预设时间，基于所述SOC和环境温度，采用所述神经网络，估算SOH，实现SOC和SOH的联合估计。

本发明的有益效果是：本发明利用神经网络估计算法建立了SOC与SOH之间的非线性关系，两因素之间高度非线性耦合，如果用基于电化学机理的模型法求解SOH计算量大、在线估计困难，因此本发明采用估算神经网络避免了利用机理建模带来的复杂计算的问题，更可以方便的将算法移植到实时的控制器，减少对控制器的性能要求。另外，估算SOC时也利用当前的SOH，因此，本发明对锂电池的SOC与SOH的估计不是单独进行的，在SOC和SOH的估计过程中充分考虑到两者之间的耦合关系，并且在锂电池的全程运行范围内实时进行SOC/SOH检测，两个估计算法在估计过程中相互更新，以获得更好的跟踪精度。其中，由于SOH的变化是大时间尺度，在短期内不会改变，因此本联合估计算法采用双时估计，第一预设时间为SOC估计时间，将其作为基准周期，每隔N个基准周期，估算SOH，在保证估算精度不下降的前提下，提高计算效率。

上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤3包括：

步骤3.1、每隔第一预设时间，基于当前SOH、电池电流和电池端电压，估算SOC；

步骤3.2、当总时间达到第二预设时间，计算所述第二预设时间内的所有SOC变化的平均SOC；

步骤3.3、基于当前的所述平均SOC、环境温度和电池电流，采用所述SOH估算神经网络，估算得到SOH。

本发明的进一步有益效果是：SOH受温度、平均SOC、放电倍率等因素的共同影响，且各因素之间高度非线性耦合，神经网络估计算法建立了电流、环境温度以及SOC与SOH之间的非线性关系。利用大量电池测试数据快速训练出较为准确的神经网络算法，周期性更新电池SOH，利用所测数据以及平均SOH估计值，在小时间尺度上用UKF算法估计电池SOC的值。UKF的输入量为端电压、电流、SOH(UKF算法不需要温度)。

进一步，所述步骤3.3包括：

基于电池电流，计算锂电池的放电倍率；

基于当前的所述平均SOC、环境温度和所述放电倍率，采用所述SOH估算神经网络，估算得到SOH。

进一步，所述步骤3中，所述估算SOC，具体为：采用UKF估计算法估算SOC。

本发明的进一步有益效果是：采用UKF和神经网络算法来联合估计SOC和SOH，实现锂电池在全程运行范围内的实时SOC/SOH检测。采用了UKF估计算法，UKF算法利用观察到的负载电压和估计的负载电压的差值不断更新协方差矩阵和卡尔曼增益矩阵，卡尔曼增益矩阵为观察值和估计值分配不同的权重，以获得最值得信赖的SOC，从而减小了估算误差，提高了估算精度

进一步，所述步骤3中，所述基于当前SOH，每隔第一预设时间，估算SOC，具体为：

基于当前SOH，计算实际容量C-real；

每隔第一预设时间，基于所述实际容量C-real，采用UKF估计算法中的状态更新方程，估算SOC，其中，所述状态更新方程为基于SOC和SOH之间的耦合关系建立的包括实际容量C-real参数的方程。

本发明的进一步有益效果是：本方法充分考虑到SOC与SOH之间的耦合关系，将这种耦合关系添加到估计算法中。每隔一定的时间，对电池SOH进行更新，由公式得出实际容量C_real，并联合UKF算法的SOC状态更新方程，得出SOC。

进一步，所述SOH的初始值为锂电池的初始工作时的SOH值。

本发明还提供一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一种SOC和SOH联合估计方法。

附图说明

图1为本发明实施例提供的一种SOC和SOH联合估计方法的流程框图；

图2为本发明利用联合估计算法估计锂电池SOC与SOH示意图；

图3为本发明实施例提供的SOC和SOH联合估计方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

实施例一

一种SOC和SOH联合估计方法100，如图1所示，包括：

步骤110、通过对锂电池进行循环充放电实验，得到训练样本集，其中，训练样本集中的每个训练样本包括SOC；

步骤120、基于训练样本集，训练SOH估算神经网络；

步骤130、基于当前SOH，每隔第一预设时间，估算SOC，并当总时间达到第二预设时间，基于当前SOC，采用神经网络，估算SOH，实现SOC和SOH的联合估计。

需要说明的是，训练好的SOH估算神经网络包括：输入层，输出层，以及隐藏层。隐藏层有很多的节点，每个节点有一定的权值，训练就是为了确定神经网络隐藏层节点的权值，训练好的模型权值是固定的，当要使用模型预测SOH时，就是输入量输入模型，然后输入量乘以各节点的权值，最终得到输出。

步骤110具体可为：实时采集锂电池的电压、电流、工作环境温度及循环周期下的最大放电容量，用安时积分法，辅助实时估算，获取当前SOC，得到训练样本集。步骤130中，基于当前SOC、累计电荷量等，采用神经网络，估算SOH，实现SOC和SOH的联合估计。

由于除了SOC和SOH之间密不可分的关系外，SOC和SOH联合估计还需要考虑温度的影响。大量锂电池老化实验发现，过高/低的温度导致电池内部寄生副反应、SEI膜生成，造成电池容量损失、内阻增大。因此，本方法首先神经网络估计算法建立了SOC与SOH之间的非线性关系，两因素之间高度非线性耦合，如果用基于电化学机理的模型法求解SOH计算量大、在线估计困难，因此本发明采用估算神经网络避免了利用机理建模带来的复杂计算的问题，更可以方便的将算法移植到实时的控制器，减少对控制器的性能要求。另外，估算SOC时也利用当前的SOH，因此，本发明对锂电池的SOC与SOH的估计不是单独进行的，在SOC和SOH的估计过程中充分考虑到两者之间的耦合关系，并且在锂电池的全程运行范围内实时进行SOC/SOH检测，两个估计算法在估计过程中相互更新，以获得更好的跟踪精度。其中，由于SOH的变化是大时间尺度，在短期内不会改变，因此本联合估计算法采用双时估计，第一预设时间为SOC估计时间，将其作为基准周期，每隔N个基准周期，估算SOH，在保证估算精度不下降的前提下，提高计算效率。

优选的，步骤130包括：

每隔第一预设时间，基于当前SOH、电池电流和电池端电压，估算SOC；当总时间达到第二预设时间，计算第二预设时间内的所有SOC变化的平均SOC，并基于当前的平均SOC、环境温度、电池电流，采用SOH估算神经网络，估算得到SOH。

第一预设时间小于第二预设时间，每一个第二预设时间为一个周期T，计算该周期内所有与SOC的平均值，即基于公式得到周期内平均SOC，基于平均SOC和累计放电量(在SOC估计过程中计算出来的)、采样获得的电流和温度，采用所述神经网络，估算SOH，实现SOC和SOH的联合估计。

利用联合估计算法估计锂电池SOC与SOH方法如图2所示：

通过传感器采集锂电池电压、电流、环境温度，SOC估计器利用采集到的电压电流估计以及SOH估计出当前真实的SOC以及累计电荷量，SOH估计器利用已经训练好的神经网络模型，输入环境温度、电流、累计电荷量等参数估计出当前的SOH。

例如，对SOH估算采用了神经网络估算方法，其迭代算法为Lenberg-Marquardt方法,具有38层隐藏神经元。神经网络估算方法将电池的电压、电流、环境温度以及SOC作为输入量，输出为电池当前的SOH。

SOH受温度、SOC、放电倍率等因素的共同影响，且各因素之间高度非线性耦合，神经网络估计算法建立了电流、环境温度以及SOC与SOH之间的非线性关系。利用大量实验所得数据训练出较为准确的神经网络算法，然后结合实际采集到的电池电压、电流、温度，利用神经网络所训练好的模型周期性更新电池SOH，利用所测数据以及SOH估计值，在小时间尺度上用UKF算法估计电池SOC的值。UKF的输入量为电压、电流、SOH(ukf算法不需要温度)。

优选的，基于当前的SOC、环境温度、电池电流，采用所述SOH估算神经网络，估算得到SOH，具体为：基于电池电流，计算锂电池的放电倍率；基于当前的SOC、环境温度和放电倍率，采用SOH估算神经网络，估算得到SOH。

优选的，步骤130中，估算SOC，具体为：采用UKF估计算法估算SOC。

采用UKF和神经网络算法来联合估计SOC和SOH，实现锂电池在全程运行范围内的实时SOC/SOH检测。采用了UKF估计算法(迭代公式是目前已经成熟的只要有转态方程和观测方程就能利用算法)，UKF算法利用观察到的负载电压和估计的负载电压的差值不断更新协方差矩阵和卡尔曼增益矩阵，卡尔曼增益矩阵为观察值和估计值分配不同的权重，以获得最值得信赖的SOC，从而减小了估算误差，提高了估算精度

优选的，步骤130中，基于当前SOH，每隔第一预设时间，估算SOC，具体为：基于当前SOH，计算实际容量C-real；每隔第一预设时间，基于所述实际容量C-real，采用UKF估计算法中的状态更新方程，估算SOC，其中，状态更新方程为基于SOC和SOH之间的耦合关系建立的包括实际容量C-real参数的方程。

需要说明的是，上述状态更新方程包括UKF的状态方程和观测方程根据SOC的安时积分法定义式及2RC等效电路基尔霍夫定律，分别可列为：

上式中，T_s为采样时间，η为库伦倍率，其定义方程为C_real为实际电池最大容量，W_k为噪声，U_b为活化极化阻抗分压，U_p浓差极化阻抗分压，R_b活化极化电阻，C_b活化极化容抗，R_p浓差极化电阻，C_p浓差极化容抗，R^o为欧姆内阻。UKF的输入量为电压、电流、SOH(ukf算法不需要温度)。

本方法充分考虑到SOC与SOH之间的耦合关系，将这种耦合关系添加到估计算法中。每隔一定的时间，对电池SOH进行更新，由公式得出实际容量C_real，并联合UKF算法的SOC状态更新方程，得出SOC。

为了更好的说明本发明，现在举例说明，如图3所示，SOC与SOH联合估计的具体步骤为：

(1)首先是计时，令t＝0，计时主要是因为电池的SOH变化的周期长，如果每一次采样都对SOH进行估计的话，浪费了计算资源，增加了估算时间。因此本发明采用周期性更新电池SOH的方法，设置周期时间为T。

(2)采集电池的的温度、电压和电流。将这些量作为SOC与SOH联合估计算法的输入量。

(3)是否要进行SOH的更新看t是否等于T，当t等于T时，表示SOH需要更新，这时会将采集到的温度、放电倍率(由电流换算得到)以及UKF算法所得到的SOC量，传入已经训练好的SOH估算神经网络中，得到更新的SOH值。

(4)将SOH值和温度、电压、电流等输入量，传入UKF估计算法中，对电池的SOC进行估计，到这一轮的估算结束，从电池的电压，电流，温度等量中估计出当前电池的SOH与SOC。

(5)如果还需要继续更新电池的状态，那么重复(1)到(4)步骤。

锂电池SOC与SOH是无法用传感器直接测量的,并且与环境有很大关系，且SOC与SOH之间存在者较为紧密的耦合关系，为了提高估算精度，提出一种基于模型(UKF)和数据驱动(神经网络)的方法来联合估计SOH和SOC。联合估计算法每隔一定时间，利用经过训练的神经网络实时的估计出锂电池当前的SOH，在得到了电池SOH,电池电特性数据后，利用UKF算法对SOC进行估计。由于SOH是实时动态更新的，消除了SOH衰减带来的累计误差，并且在估计中考虑到电池温度的影响，提高SOC估计的精确性，又能还能充分体现锂电池大时间尺度上的SOH变化。仿真结果表明，该组合算法能够很好地智能识别和重建退化模型。此外，即使在噪声和不确定性下，它也能快速收敛，最终达到满意的精度间的密切关系。与流行的双EKF和单存的UKF算法相比，本联合算法具有更高的精度和更快的收敛速度，在广泛的条件下，SOC和SOH的估计误差在统计上分别小于0.4％和0.21％。

利用大量实验所测数据，得到训练样本集，其中，训练样本集中的每个训练样本包括平均SOC、环境温度、电流、累计电荷量以及对应的SOH，基于训练样本集，训练BP神经网络估计SOH；基于当前SOH，每隔第一预设时间，利用UKF算法估算SOC，并当总时间达到第二预设时间，基于当前传感器采集到的环境温度、电流和SOC估计算法获得的SOC和累计电荷量，采用所述神经网络，估算SOH，实现SOC和SOH的联合估计。本发明在SOC和SOH的估计过程中充分考虑到两者之间的耦合关系及各种老化因素(如温度、电流等)的影响，设计两个估计算法在估计过程中相互更新，以获得更好的跟踪精度。除此以外，根据SOC和SOH变化快慢差异，采用双时估计，在保证估算精度不下降的前提下，提高计算效率，且能够很好地进行智能识别。

实施例二

一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上实施例一所述的任一种SOC和SOH联合估计方法。

相关技术方案同实施例一，在此不再赘述。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种SOC和SOH联合估计方法，其特征在于，包括：

步骤1、通过对锂电池进行循环充放电实验，得到训练样本集，其中，所述训练样本集中的每个训练样本包括SOC和环境温度；

步骤2、基于所述训练样本集，训练SOH估算神经网络；

步骤3、基于待测锂电池的当前SOH，每隔第一预设时间，估算该锂电池的SOC，并当总时间达到第二预设时间，基于所述SOC和环境温度，采用所述神经网络，估算SOH，实现SOC和SOH的联合估计。

2.根据权利要求1所述的一种SOC和SOH联合估计方法，其特征在于，所述步骤3包括：

步骤3.1、每隔第一预设时间，基于当前SOH、电池电流和电池端电压，估算SOC；

步骤3.2、当总时间达到第二预设时间，计算所述第二预设时间内的所有SOC变化的平均SOC；

步骤3.3、基于当前的所述平均SOC、环境温度和电池电流，采用所述SOH估算神经网络，估算得到SOH。

3.根据权利要求2所述的一种SOC和SOH联合估计方法，其特征在于，所述步骤3.3包括：

基于电池电流，计算锂电池的放电倍率；

基于当前的所述平均SOC、环境温度和所述放电倍率，采用所述SOH估算神经网络，估算得到SOH。

4.根据权利要求1至3任一项所述的一种SOC和SOH联合估计方法，其特征在于，所述步骤3中，所述估算SOC，具体为：采用UKF估计算法估算SOC。

5.根据权利要求4所述的一种SOC和SOH联合估计方法，其特征在于，所述步骤3中，所述基于当前SOH，每隔第一预设时间，估算SOC，具体为：

基于当前SOH，计算实际容量C-real；

每隔第一预设时间，基于所述实际容量C-real，采用UKF估计算法中的状态更新方程和观测方程，估算SOC，其中，所述状态更新方程为基于SOC和SOH之间的耦合关系建立的包括实际容量C-real参数的方程。

6.根据权利要求5所述的一种SOC和SOH联合估计方法，其特征在于，所述SOH的初始值为锂电池的初始工作时的SOH值。

7.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述如权利要求1至6任一项所述的一种SOC和SOH联合估计方法。