CN112858916B - 一种基于模型与数据驱动融合的电池包荷电状态估计方法 - Google Patents

Abstract

本发明涉及一种基于模型与数据驱动融合的电池包荷电状态估计方法，属于电池技术领域。用于提高动力电池在复杂工况下SOC估计的准确性。电池在实际车载使用时，其工况复杂多变，单一的基于等效电路模型或基于数据驱动的估计方法难以保证良好的估计精度。因此，结合自适应扩展卡尔曼滤波AEKF和高斯过程回归GPR的各自优点，该融合算法能够在SOC初值不准确、不同工况、不同环境温度、不同老化状态、不同电流倍率等情况下依然有较好的SOC估计精度和鲁棒性。在动态工况下，AEKF算法的SOC估计精度优于GPR算法；与之相反，在恒流工况下，GPR算法的SOC估计精度优于AEKF算法。

Description

一种基于模型与数据驱动融合的电池包荷电状态估计方法

技术领域

本发明属于电池技术领域，涉及一种基于模型与数据驱动融合的电池包荷电状态估计方法。

背景技术

对于电池包来说，电池管理系统(BMS)是保证电池包安全工作，发挥最优性能及延长使用寿命的关键部件，BMS的主要工作之一就是基于模型算法准确估计电池包SOC。由于电池包内单体间存在不一致性，且不一致性会随着电池包老化进一步恶化，所以很难建立精确的电池包模型，这为精确的估计电池包SOC带来了很大的挑战。

现有的电池单体及电池包SOC估计方法各有优缺点，最常用的方法是安时积分法，该方法计算简单且易于实现，但其估计精度依赖于电流的测量精度及准确的SOC初始值，容易产生累积计算误差。此外，SOC与开路电压(OCV)之间存在非线性的单调关系，可通过查表的方式估计SOC，然而，电池需要静置一段时间才可测得OCV，使得这一方法难以实际应用。基于模型的方法主要有等效电路模型和电化学模型，结合滤波算法，如卡尔曼滤波、粒子滤波、滑膜观测器等实现SOC估计。相反，数据驱动的方法不要求建立准确的电池模型，只需要通过样本数据即可实现准确的SOC估计，但这类方法对样本数据的数量及质量要求高，且计算量大，其算法主要包括人工神经网络、支持向量机、相关向量机及高斯过程回归等。

为了估计电池包在恒定电流、动态电流放电工况应用场景下的SOC，本发明提出了一种基于等效电路模型与数据驱动算法并行融合的方法。通过计算相应的权值，将基于一阶RC模型结合自适应扩展卡尔曼滤波算法的SOC估计方法与基于数据驱动的SOC估计方法进行并行融合，获得一种新型的电池包SOC估计方法，与单一的SOC估计方法相比，该方法不仅适用于多种工况，而且提高了SOC估计精度。

发明内容

有鉴于此，本发明的目的在于提供一种基于模型与数据驱动融合的电池包荷电状态估计方法。

为达到上述目的，本发明提供如下技术方案：

一种基于模型与数据驱动融合的电池包荷电状态估计方法，该方法包括以下步骤：

步骤一：将电池包视为大单体模型，电池包大单体模型等效于将n个单体模型进行串联，依据电路特性，求出电池包的欧姆内阻、电化学极化内阻及电容，简化为一个单体模型；选择一阶RC等效电路模型，由电压源、电阻、电容等基本电路元件组成，描述电池包外部的输入输出特性，即电流和电压关系；

步骤二：对电池包进行小电流恒流放电实验、混合脉冲功率特性实验、多倍率恒流充放电实验、FUDS放电实验及DST放电实验，记录实验数据；

步骤三：根据小电流恒流放电实验数据，用多项式拟合开路电压OCV与荷电状态SOC的关系曲线；

步骤四：建立一阶RC模型的数学表达式：

其中，C_p是极化电容，R_p是极化内阻，U_p是一阶RC网络的端电压，R_int是欧姆内阻，U_oc是电池的开路电压，U_t是电池的端电压，I是输入电流；对式(1)进行零阶保持离散化，获得电池模型的离散表达式：

U_p,k+1＝αU_p,k+(1-α)R_pI_k (2)

U_t,k+1＝U_oc-U_p,k+1-R_intI_k+1 (3)

其中，α＝exp(-Δt/τ)，将式(2)代入式(3)中，得到：

U_t,k+1＝U_oc-(αU_p,k+(1-α)R_pI_k)-R_intI_k+1 (4)

结合式(3)的表达式，消除方程中的U_p,k，得到电池的确定性模型：

其中

θ＝[α,(1-α)U_oc,-R_int,αR_int-(1-α)R_p]＝[a₁,a₂,a₃,a₄] (7)

需在线辨识的参数为：

使用带遗忘因子的递归最小二乘算法FFRLS来在线辨识一阶RC模型的参数，计算过程如下所示：

步骤五：根据上述离散表达式，建立模型状态空间方程：

其中，X_k、u_k分别是系统第k个样本时刻的状态向量和输入向量，Y_k+1是系统第k+1个样本时刻的输出向量：

ω_k、υ_k分别是均值为0的过程噪声序列和观测噪声序列；且相应的系数矩阵具体形式为：

结合AEKF算法估计电池包SOC，并记录估计值；

步骤六：对多倍率恒流充放电实验、FUDS放电实验及DST放电实验的实验数据进行数据预处理、特征相关性分析及主成分分析，训练GPR模型，将测试集数据代入训练好的GPR模型获得电池包SOC估计值；

步骤七：根据电池包实际工况计算相应权值，对步骤五和步骤六得到的估计值进行融合，得到SOC初步融合估计结果；

步骤八：根据电池包某一工况下，由步骤五计算得到的误差协方差及步骤六计算得到的置信区间计算相应权值，对步骤五和步骤六得到的估计值进行融合，得到SOC初步融合估计结果；

步骤九：根据步骤七及步骤八的估计结果，计算相应的权值，进行二次融合，得到二次融合后的SOC估计结果，比较步骤七、步骤八及步骤九的估计结果，选择最准确的估计结果作为电池包的SOC最终估计结果。

可选的，所述步骤六中，数据预处理包括异常值删除、补充遗漏值、时间同步处理、数据归一化处理及数据集分类。

本发明的有益效果在于：

1、提出了基于等效电路模型与数据驱动算法并行融合的电池包SOC估计方法，与单一的估计算法相比，该融合算法在恒流工况及动态工况下均可取得良好的估计精度及鲁棒性。

2、提出了基于恒流工况及动态工况的权值计算方法，通过判断工况，依据工况合理设置相应的权重值，使得融合算法取得最佳的估计结果。

3、提出了基于自适应扩展卡尔曼滤波的误差协方差矩阵及GPR置信区间的权值计算方法，使得融合算法取得最佳的估计结果

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为融合算法流程图；

图2为电池包大单体模型(NS1P)示意图；

图3为电池包实验流程图；

图4为基于一阶RC模型的SOC估计流程图；

图5为基于GPR模型的SOC估计流程图。

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。

如图1所示，本发明包括九个步骤。

步骤一：将电池包视为大单体模型，如图2所示的电池包大单体模型等效于将n个单体模型进行串联，依据电路特性，求出电池包的欧姆内阻、电化学极化内阻及电容，进而简化为一个单体模型。选择一阶RC等效电路模型，由电压源、电阻、电容等基本电路元件组成，描述电池包外部的输入输出特性(电流—电压关系)。

步骤二：如图3所示，对电池包进行小电流恒流放电实验、混合脉冲功率特性实验、多倍率恒流充放电实验、FUDS放电实验及DST放电实验，记录实验数据。

步骤三：根据小电流恒流放电实验数据，用多项式拟合开路电压(OCV)与荷电状态(SOC)的关系曲线；

步骤四：建立一阶RC模型的数学表达式：

其中，C_p是极化电容，R_p是极化内阻，U_p是一阶RC网络的端电压，R_int是欧姆内阻，U_oc是电池的开路电压。对式(1)进行零阶保持离散化，可以获得电池模型的离散表达式：

U_p,k+1＝αU_p,k+(1-α)R_pI_k (2)

U_t,k+1＝U_oc-U_p,k+1-R_intI_k+1 (3)

其中，α＝exp(-Δt/τ)，将式(2)代入式(3)中，可以得到：

U_t,k+1＝U_oc-(αU_p,k+(1-α)R_pI_k)-R_intI_k+1 (4)

结合式(3)的前一步表达式，可以消除方程中的U_p,k，得到电池的确定性模型：

其中

θ＝[α,(1-α)U_oc,-R_int,αR_int-(1-α)R_p]＝[a₁,a₂,a₃,a₄] (7)

由上式可知，需在线辨识的参数为：

本发明中，使用带遗忘因子的递归最小二乘算法(FFRLS)来在线辨识一阶RC模型的参数，FFRLS的准确性和鲁棒性已被大量研究验证，它的计算过程如下所示：

步骤五：根据上述离散表达式，建立模型状态空间方程：

其中，X_k、u_k分别是系统第k个样本时刻的状态向量和输入向量，Y_k+1是系统第k+1个样本时刻的输出向量：

ω_k、υ_k分别是均值为0的过程噪声序列和观测噪声序列；且相应的系数矩阵具体形式为：

如图4所示，结合AEKF算法估计电池包SOC，并记录估计值；

步骤六：对多倍率恒流充放电实验、FUDS放电实验及DST放电实验的实验数据进行数据预处理(包括异常值删除、补充遗漏值、时间同步处理、数据归一化处理及数据集分类)、特征相关性分析及主成分分析。如图5所示，训练GPR模型，将测试集数据代入训练好的GPR模型获得电池包SOC估计值；

步骤七：根据电池包实际工况计算相应权值，对上述步骤五、步骤六得到的估计值进行融合，得到SOC初步融合估计结果；

步骤八：根据电池包某一工况下，由步骤五计算得到的误差协方差及步骤六计算得到的置信区间计算相应权值，对上述步骤五、步骤六得到的估计值进行融合，得到SOC初步融合估计结果；

步骤九：根据步骤七及步骤八的估计结果，计算相应的权值，进行二次融合，得到二次融合后的SOC估计结果，比较步骤七、步骤八及步骤九的估计结果，选择最准确的估计结果作为电池包的SOC最终估计结果。

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)

1.一种基于模型与数据驱动融合的电池包荷电状态估计方法，其特征在于：该方法包括以下步骤：

步骤一：将电池包视为大单体模型，电池包大单体模型等效于将n个单体模型进行串联，依据电路特性，求出电池包的欧姆内阻、电化学极化内阻及电容，简化为一个单体模型；选择一阶RC等效电路模型，由电压源、电阻、电容组成，描述电池包外部的输入输出特性，即电流和电压关系；

步骤二：对电池包进行小电流恒流放电实验、混合脉冲功率特性实验、多倍率恒流充放电实验、FUDS放电实验及DST放电实验，记录实验数据；

步骤三：根据小电流恒流放电实验数据，用多项式拟合开路电压OCV与荷电状态SOC的关系曲线；

步骤四：建立一阶RC模型的数学表达式：

其中，C_p是极化电容，R_p是极化内阻，U_p是一阶RC网络的端电压，R_int是欧姆内阻，U_oc是电池的开路电压，U_t是电池的端电压，I是输入电流；对式(1)进行零阶保持离散化，获得电池模型的离散表达式：

U_p,k+1＝αU_p,k+(1-α)R_pI_k (2)

U_t,k+1＝U_oc-U_p,k+1-R_intI_k+1 (3)

其中，α＝exp(-Δt/τ)，将式(2)代入式(3)中，得到：

U_t,k+1＝U_oc-(αU_p,k+(1-α)R_pI_k)-R_intI_k+1 (4)

结合式(3)的表达式，消除方程中的U_p,k，得到电池的确定性模型：

其中

θ＝[α,(1-α)U_oc,-R_int,αR_int-(1-α)R_p]＝[a₁,a₂,a₃,a₄] (7)

需在线辨识的参数为：

使用带遗忘因子的递归最小二乘算法FFRLS来在线辨识一阶RC模型的参数，计算过程如下所示：

步骤五：根据上述离散表达式，建立模型状态空间方程：

其中，X_k、u_k分别是系统第k个样本时刻的状态向量和输入向量，Y_k+1是系统第k+1个样本时刻的输出向量：

ω_k、υ_k分别是均值为0的过程噪声序列和观测噪声序列；且相应的系数矩阵具体形式为：

结合AEKF算法估计电池包SOC，并记录估计值；

步骤六：对多倍率恒流充放电实验、FUDS放电实验及DST放电实验的实验数据进行数据预处理、特征相关性分析及主成分分析，训练GPR模型，将测试集数据代入训练好的GPR模型获得电池包SOC估计值；

步骤七：根据电池包实际工况计算相应权值，对步骤五和步骤六得到的估计值进行融合，得到SOC初步融合估计结果；

步骤八：根据电池包某一工况下，由步骤五计算得到的误差协方差及步骤六计算得到的置信区间计算相应权值，对步骤五和步骤六得到的估计值进行融合，得到SOC初步融合估计结果；

步骤九：根据步骤七及步骤八的估计结果，计算相应的权值，进行二次融合，得到二次融合后的SOC估计结果，比较步骤七、步骤八及步骤九的估计结果，选择最准确的估计结果作为电池包的SOC最终估计结果。

2.根据权利要求1所述的一种基于模型与数据驱动融合的电池包荷电状态估计方法，其特征在于：所述步骤六中，数据预处理包括异常值删除、补充遗漏值、时间同步处理、数据归一化处理及数据集分类。