CN110703113A - 一种基于高斯过程回归的动力电池组soc估计方法 - Google Patents

Abstract

针对现有电池组SOC估计存在的精度差和计算量大的问题，本发明提供了一种基于特征参数选择和高斯过程回归(GPR)的电池组SOC在线估计方法。该方法包括以下步骤：动力电池组出厂前，对其进行充放电测试，采集充放电过程中的测量数据，利用安时积分法计算出电池组实际的SOC曲线；分别计算电流、总电压、单体电压、单体温度与SOC的相关系数，去掉相关系数低于一定阈值的数据，构建输入数据集；对输入数据集进行主成分分析，仅保留k个主要成分；选取指数平方函数作为核函数，利用得到的样本数据进行模型训练；动力电池系统使用过程中，将采集的数据导入训练好的GPR模型中进行电池组SOC估计。

Description

一种基于高斯过程回归的动力电池组SOC估计方法

技术领域

本发明属于电池技术领域，涉及一种基于高斯过程回归的动力电池组SOC估计方法。

背景技术

当前，为减少对石油的依赖和降低温室气体排放，车辆动力系统朝着电动化和混合化方向发展。动力电池组被广泛用于车辆的储能系统，通常由大量单体电池通过串并联的方式组成。电池组的荷电状态(StateofCharge，简称为SOC)是其使用过程中的重要参数，由于不能直接测量，只能通过相关算法进行估计获得。

电池组SOC的估计方法主要分为基于模型的和基于数据驱动两类。基于模型的方法主要包括等效电路模型和电化学机理模型，通常结合卡尔曼滤波、粒子滤波和滑膜观测器等实现SOC的闭环估计。但上述方法需要建立精确的电池模型，且通常只适应于单体电池的估计。由于电池组由大量单体电池组成，应用上述方法估计所有电池的SOC，计算量大，难以应用于嵌入式的电池管理系统。将电池组视为一个大单体电池，则忽略了电池单体间的不一致性，造成较大的估计误差。

基于数据驱动的方法不需要建立电池模型，可以利用电池采样数据直接估计电池的SOC。主要的数据驱动方法包括人工神经网络(ANN)、支持向量机(SVM)、相关向量机(RVM)和高斯过程回归(GPR)等。现有研究中主要利用数据驱动方法来对单体电池进行SOC估计，缺乏对电池组SOC进行有效估计的方法。

基于数据驱动的方法需要大量的样本数据进行训练，其估计精度与训练集的规模和特征参数的紧密相关。然而，针对电池组SOC估计，现有研究未给出有效的特征参数选择方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于高斯过程回归的动力电池组SOC估计方法。

为达到上述目的，本发明提供如下技术方案：

一种基于高斯过程回归的动力电池组SOC估计方法，该方法包括以下步骤：

步骤一、动力电池组出厂前，对其进行充放电测试，其中充电过程采用与实际应用场合所一致的充电方式，放电过程则采用FUDS或UDDS等典型车用工况；采集充放电过程中的电流、总电压、单体电压和单体温度数据；

充电和放电过程累计的安时数分别对应电池组的实际充电和放电容量，结合安时积分法计算出电池组实际的SOC曲线；

步骤二、利用下列公式，分别计算电流、总电压、单体电压、单体温度与SOC的相关系数：

其中x_i代表充放电过程中的电流、总电压、单体电压和单体温度中的一种采样序列，y代表充放电过程中的SOC序列，

分别为上述序列的平均值；

除电池组的电流数据外，去掉相关系数低于一定阈值的数据，得到由电流、总电压、单体电压和单体温度组成的高维数据

其中n代表样本数量，m代表特征参数的数量；

步骤三、对高维数据D进行主成分PCA分析，仅保留k个主要成分，其中k的选择需要满足：

其中S为高维数据D的协方差矩阵的特征值序列，k_min为最小特征数量的阈值，其设置是为了保持模型的高鲁棒性。记k个主要成分对应的特征向量为

则降维后的样本输入数据为D_r＝D*U；

步骤四、利用得到的样本数据{D_r,Y}进行高斯过程回归模型的训练，选取指数平方SE函数作为核函数；SE函数的表达式为：

其中x∈D_r，超参数σ_f控制核函数的幅值，超参数l＝[l₁,l₂,…,l_k]为距离计算的尺度因子；通过选取不同的尺度因子l_i，实现特征参数的自动关联测定ARD，即自动实现特征参数权重的设置；

考虑噪声对于回归估计的影响，假设噪声符合均值为0的高斯白噪声，其分布为N(0,σ_n)，则最终的协方差函数为

设定超参数θ＝[σ_f,l,σ_n]初值，通过最大化对数似然函数，得到优化的超参数；

对数似然函数如下：

[0024]其中K_f是由k_f(x_i,x_j)组成的协方差矩阵，

{i,j}＝[1,2,…,n]

步骤五、利用训练好的GPR模型进行SOC估计；动力电池系统使用过程中，利用采集的电池组电流、总电压、单体电压和单体温度数据构建高维

其中N^*为测试样本数量，GPR模型的输入为

高斯过程回归的先验分布为

其中y^*为估计的SOC序列；根据贝叶斯理论，得到后验分布为：

其中均值作为估计值，±1.96cov(y^*)为95％的置信区间。

可选的，在所述步骤一中，对电池组实验数据进行预处理，得到优化的充放电数据，其中，预处理包括：异常值剔除、遗漏值填补、数据时间同步和平滑滤波。

本发明的有益效果在于：提出一种针对电池组SOC估计的数据驱动方法，以及一种电池组多特征参数选择和降维的策略。高斯过程回归引入自动关联测定(ARD)，自动实现特征参数权重的设置。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明的流程图；

图2为采用的典型充放电工况；

图3为FUDS工况下的训练结果；

图4为DST工况下的SOC估计结果；

图5为FUDS工况下电池老化后的SOC估计结果。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

下面结合附图，对本发明的技术方案进行详细说明。

如图1所示，本发明主要包括五个步骤。

步骤一：对电池组进行充放电测试，采集电流、总电压、单体电压和单体温度等数据，进行数据预处理，计算得到电池组真实的SOC。

其中充电过程采用恒流-恒压方式，放电过程采用FUDS典型车用工况，整个工况如图2所示。充电过程中，当电池组任一单体电压达到充电截止电压(如4.2V)或充电电流低于0.05C后停止充电；放电过程中，当电池组任一单体电压达到放电截止电压(如2.8V)后停止放电。

数据预处理过程中，首先要进行异常值剔除，遗漏值填补，随后根据时间戳实现数据同步(对齐)，最后进行数据的平滑滤波。

由于采用满充满放方式进行测试，因此，充放电过程累计的安时数分别对应电池组的实际充电和放电容量，结合安时积分法可计算出电池组实际的SOC曲线。安时积分公式为：

其中SOC_cha,t为充电过程中t时刻的SOC值，SOC_dis,t为放电过程中t时刻的SOC值，I_t为电流，充电为负，放电为正，C_cha,C_dis分别为充放电过程的电池组实际容量。

步骤二：根据相关系数公式：

其中x_i代表充放电过程中的电流、总电压、单体电压和单体温度中的一种采样序列，y代表充放电过程中的SOC序列，分别为上述序列的平均值。分别计算电流、总电压、单体电压、单体温度与SOC的相关系数。

除电池组的电流数据外，去掉相关系数低于0.8的数据，得到由电流、总电压、单体电压和单体温度组成的高维数据其中n代表样本数量，m代表特征参数的数量。

步骤三、对高维数据D进行主成分分析，仅保留k个主要成分，其中k的选择需要满足：

其中S为高维数据D的协方差矩阵的特征值序列，同时记k个主要成分对应的特征向量为

则降维后的样本输入数据为D_r＝D*U。

步骤四、利用得到的样本数据{D_r,Y}进行高斯过程回归模型的训练，选取指数平方(SE)函数作为核函数。SE函数的表达式为：

其中x∈D_r，超参数σ_f控制核函数的幅值，超参数l＝[l₁,l₂,…,l_k]为距离计算的尺度因子。通过选取不同的尺度因子l_i，可实现特征参数的自动关联测定(ARD)，即自动实现特征参数权重的设置。

考虑噪声对于回归估计的影响，假设噪声符合均值为0的高斯白噪声，其分布为N(0,σ_n)，则最终的协方差函数为

设定超参数初值，σ_f＝1，l＝[1,1,…,1]，σ_n＝-1，通过最大化对数似然函数，得到优化后的超参数。

对数似然函数如下：

[0024]其中K_f是由k_f(x_i,x_j)组成的协方差矩阵，

{i,j}＝[1,2,…,n]，优化方法采用共轭梯度法。

步骤五、利用训练好的GPR模型进行SOC估计。动力电池系统使用过程中，利用采集的电池组电流、总电压、单体电压和单体温度数据构建高维

其中N^*为测试样本数量，GPR模型的输入为

高斯过程回归的先验分布为

其中

y^*为估计的SOC序列。根据贝叶斯理论，可以得到后验分布为

其中均值

作为估计值，±1.96cov(y^*)为95％的置信区间。

图3为FUDS工况下训练的SOC结果，其中训练值和实际值基本重合，说明模型已被充分训练，可以进行下一步的SOC估计。

图4和图5分别为DST工况和FUDS工况老化电池的估计结果，其中估计值和实际值存在较小误差，说明提出的方法对不同工况和不同老化状态具有较高的适应性。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于高斯过程回归的动力电池组SOC估计方法，其特征在于：该方法包括以下步骤：

步骤一、动力电池组出厂前，对其进行充放电测试，其中充电过程采用与实际应用场合所一致的充电方式，放电过程则采用FUDS或UDDS等典型车用工况；采集充放电过程中的电流、总电压、单体电压和单体温度数据；

充电和放电过程累计的安时数分别对应电池组的实际充电和放电容量，结合安时积分法计算出电池组实际的SOC曲线；

步骤二、利用下列公式，分别计算电流、总电压、单体电压、单体温度与SOC的相关系数：

其中x_i代表充放电过程中的电流、总电压、单体电压和单体温度中的一种采样序列，y代表充放电过程中的SOC序列，

分别为上述序列的平均值；

除电池组的电流数据外，去掉相关系数低于一定阈值的数据，得到由电流、总电压、单体电压和单体温度组成的高维数据

其中n代表样本数量，m代表特征参数的数量；

步骤三、对高维数据D进行主成分PCA分析，仅保留k个主要成分，其中k的选择需要满足：

其中S为高维数据D的协方差矩阵的特征值序列，k_min为最小特征数量的阈值，其设置是为了保持模型的高鲁棒性；同时记k个主要成分对应的特征向量为

则降维后的样本输入数据为D_r＝D*U；

步骤四、利用得到的样本数据{D_r,Y}进行高斯过程回归模型的训练，选取指数平方SE函数作为核函数；SE函数的表达式为：

其中x∈D_r，超参数σ_f控制核函数的幅值，超参数l＝[l₁,l₂,…,l_k]为距离计算的尺度因子；通过选取不同的尺度因子l_i，实现特征参数的自动关联测定ARD，即自动实现特征参数权重的设置；

考虑噪声对于回归估计的影响，假设噪声符合均值为0的高斯白噪声，其分布为N(0,σ_n)，则最终的协方差函数为

设定超参数θ＝[σ_f,l,σ_n]初值，通过最大化对数似然函数，得到优化的超参数；

对数似然函数如下：

其中K_f是由k_f(x_i,x_j)组成的协方差矩阵，

{i,j}＝[1,2,…,n]

步骤五、利用训练好的GPR模型进行SOC估计；动力电池系统使用过程中，利用采集的电池组电流、总电压、单体电压和单体温度数据构建高维

其中N^*为测试样本数量，GPR模型的输入为

高斯过程回归的先验分布为

其中

y^*为估计的SOC序列；根据贝叶斯理论，得到后验分布为：

其中均值

作为估计值，±1.96cov(y^*)为95％的置信区间。

2.根据权利要求1所述的一种基于高斯过程回归的动力电池组SOC估计方法，其特征在于：在所述步骤一中，对电池组实验数据进行预处理，得到优化的充放电数据，其中，预处理包括：异常值剔除、遗漏值填补、数据时间同步和平滑滤波。

Images