CN115639481A - 基于大数据预测soc的电池数据预处理系统及方法 - Google Patents

基于大数据预测soc的电池数据预处理系统及方法 Download PDF

Info

Publication number
CN115639481A
CN115639481A CN202211652943.3A CN202211652943A CN115639481A CN 115639481 A CN115639481 A CN 115639481A CN 202211652943 A CN202211652943 A CN 202211652943A CN 115639481 A CN115639481 A CN 115639481A
Authority
CN
China
Prior art keywords
battery
value
time
voltage
current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211652943.3A
Other languages
English (en)
Other versions
CN115639481B (zh
Inventor
吴道明
夏洋
孟繁雨
王少华
王健
周成
夏熊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yidong New Energy Technology Co ltd
Original Assignee
Yidong New Energy Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yidong New Energy Technology Co ltd filed Critical Yidong New Energy Technology Co ltd
Priority to CN202211652943.3A priority Critical patent/CN115639481B/zh
Publication of CN115639481A publication Critical patent/CN115639481A/zh
Application granted granted Critical
Publication of CN115639481B publication Critical patent/CN115639481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了基于大数据预测SOC的电池数据预处理系统，在电池未发生热失控故障时，判断t时刻电池温度采样值Ct是否在正常温度区间，若t时刻电池温度采样值Ct不在正常温度区间，则t时刻电池温度采样值Ct为温度伪值，确定修正后的电池温度BTt；若在电池未发生热失控故障时，t时刻电池温度采样值Ct在正常温度区间，则判断|Ct‑（Ct‑1+Ct+1）/2|是否大于设定温度阈值A；如果是则设定温度阈值A则t时刻温度采样值Ct为温度伪值；否则t时刻温度采样值Ct为正常温度值，不进行电池温度数据预处理。本发明提出结合动力电池实际工况的电池数据预处理方法，以增强预测模型的鲁棒性，提高电池SOC的预测精度。

Description

基于大数据预测SOC的电池数据预处理系统及方法
技术领域
本发明涉及动力电池技术领域，具体地指一种基于大数据预测SOC的电池数据预处理系统及方法。
背景技术
随着环境污染的加重与石化能源危机的加深，节能、环保的新能源电动汽车得到了发展与普及。而作为电动汽车动力源的动力电池，需求与要求越来越大也越来越高。锂离子电池因具备能量密度高、功率大、电压平台高、自放电率低以及无记忆效应等优势，成为主流的车用动力电池。因为电动汽车的能量全部或大部分来自动力电池，所以动力电池性能状态直接影响到整车动力性经济型安全性。电池SOC（State of Charge，电池荷电状态）是动力电池的一个关键参数，它是电池剩余能量的衡量指标，是防止电池过充、过放以及整车能量控制的重要参考依据，因而SOC的预测显得非常重要。
动力电池SOC预测方法分为传统预测方法与基于大数据的智能预测方法，传统预测方法主要有放电法、开路电压法、电化学阻抗法、安时积分法、神经网络以及卡尔曼滤波法等，目前车载BMS采用传统预测方法，由于受制于BMS的算力以及数据样本量少的缘故，电池SOC的传统预测方法精度较差。基于大数据的智能预测方法是指获取电池海量性能数据，通过大数据分析方法，导入电池神经网络模型不断进行数据训练，优化来预测电池SOC。该方法由于不断进行迭代运算且能模拟电池的非线性的外特性，精度高，目前成为研究热门的电池SOC预测方法。
目前基于大数据的动力电池SOC预测方法的技术方案一般为：首先获取电池的电压、温度、电流的海量数据，并对数据进行处理；然后将数据进行特征提取，并对数据进行划分为训练集和验证集；最后构建基于输入层、隐藏层和输出层的神经网络模型，将训练集数据作为输入层代入模型运算，输出预测值，并将输出层结果与验证集比较，根据比较差值调整模型参数，进而不断训练模型，迭代模型参数以达到最终预期的预测结果。
现有技术目前关于电池数据预处理方案就是对采集的电池电流、温度、电压数据简单进行空值、无效值剔除，没有考虑空值的补位，也没有考虑数据本身的真伪判断。这样没有经过细化预处理的电池数据导入神经网络模型，一方面会增加预测时间、影响模型的鲁棒性，另一方面也会增大预测误差、降低预测精度。
发明内容
本发明的目的就是要提供一种基于大数据预测SOC的电池数据预处理系统及方法，本发明提出结合动力电池实际工况的电池数据预处理方法，以增强预测模型的鲁棒性，提高电池SOC的预测精度。
为实现此目的，本发明所设计的一种基于大数据预测SOC的电池数据预处理系统，其特征在于：它包括电池温度预处理模块，所述电池温度预处理模块用于在电池未发生热失控故障时，判断t时刻电池温度采样值Ct是否在正常温度区间，若t时刻电池温度采样值Ct不在正常温度区间，则t时刻电池温度采样值Ct为温度伪值，对Tt和Tt ’进行几何平均处理，确定修正后的电池温度BTt，Tt为利用t-1时刻电池温度采样值Ct-1得到的电池温度计算值，Tt ’为利用t+1时刻电池温度采样值Ct+1得到的电池温度计算值，Tt根据t-1时刻到t时刻的时间段内电池充放电过程中的产热量Q1与t-1时刻电池温度采样值Ct-1计算得到，Tt ’根据 t时刻到t+1时刻的时间段内电池充放电过程中的产热量Q2与t+1时刻电池温度采样值Ct+1计算得到；
若在电池未发生热失控故障时，t时刻电池温度采样值Ct在正常温度区间，则判断|Ct-（Ct-1+Ct+1）/2|是否大于设定温度阈值A，其中，Ct-1为t前一时刻电池温度值采样值，Ct+1为t后一时刻电池温度采样值；
如果|Ct-（Ct-1+Ct+1）/2|大于设定温度阈值A则t时刻温度采样值Ct为温度伪值，对Tt和Tt ’进行几何平均处理，确定修正后的电池温度BTt；
如果|Ct-（Ct-1+Ct+1）/2|小于等于温度阈值A，则t时刻温度采样值Ct为正常温度值，不进行电池温度数据预处理。
它还包括电池电流预处理模块；
电池电流预处理模块用于判断t时刻电池电流值是否超过对应电流传感器的采样量程，若t时刻电池电流值大于对应电流传感器采样量程则该电池电流值为电流伪值；
若t时刻电池电流值小于等于对应电流传感器采样量程，则判断t时刻电池电流值的正负值是否符合对应时段电压变化趋势，如果t时刻电池电流值的正负值不符合对应时段电压变化趋势，则对应调整t时刻电池电流值的正负值；
如果t时刻电池电流值的正负值符合对应时段电压变化趋势，则进行电池充电模式的判断；
在电池外部充电模式下，判断t时刻电池电流值是否大于外部充电机的峰值输出电流值，若大于则该电池电流值为电流伪值，若小于等于则进行电池外部充电模式中恒流充电模式、恒压充电模式和恒功率充电模式的判断；
在恒流充电模式下，判断t时刻电池电流值是否在[(1-ξEC)IEC, (1+ξEC)IEC]区间内，IEC为外部充电机输出电流、ξEC为外部充电机电流控制系数，若不在则该电池电流值为伪值，若在则该电池电流值正常，不进行预处理；
在恒压充电模式和恒功率充电模式下，若t时刻电池电流值比前一时刻电池电流值大、比后一时刻电池电流值小则该电流数据为伪值，否则电池电流值正常，不进行预处理；
在行车回馈充电模式下，比较当前电池电流值与外部的峰值回馈电流，若大于则该电池电流值为伪值，否则判断当前电池电流值在预设时间段内的变化趋势，如果当前电池电流值在预设时间段内的变化趋势满足车辆运行工况下的理论电池电流值变化趋势，则当前电池电流值正常，不进行预处理，如果当前电池电流值在预设时间段内的变化趋势不满足车辆运行工况下的理论电池电流值变化趋势，则该电池电流值为电流伪值；
行车放电模式下，比较当前电池电流值与外部的峰值输出电流和，若大于则该电流数据为伪值，否则判断当前电池电流值在预设时间段内的变化趋势，如果当前电池电流值在预设时间段内的变化趋势满足车辆运行工况下的理论电池电流值变化趋势，则当前电池电流值正常，不进行预处理，如果当前电池电流值在预设时间段内的变化趋势不满足车辆运行工况下的理论电池电流值变化趋势，则该电池电流值为电流伪值。
它还包括电池电压预处理模块，所述电池电压预处理模块用于将t时刻电池电压与正极材料对应的标准电压范围进行比较，如果t时刻电池电压不在正极材料对应的标准电压范围内则该电池电压为电压伪值，如果t时刻电池电压在正极材料对应的标准电压范围内则判断电池充放电模式；
在电池外部充电模式或行车回馈充电模式下，判断t时刻电池电压是否处于电池电压上升趋势中，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池行车放电模式下，判断t时刻电池电压是否处于电池电压下降趋势中，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池外部充电或行车回馈充电结束后静置模式下，如果t时刻电池电压处于电池外部充电或行车回馈充电结束后静置的3h内，则判断t时刻电池电压是否处于下降趋势，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；如果t时刻电池电压处于电池外部充电或行车回馈充电结束后静置3h外，则判断t时刻电池电压是否处于稳定不变状态，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池行车放电结束后静置模式下，如果t时刻电池电压处于电池行车放电结束后静置的3h内，则判断t时刻电池电压是否处于上升趋势，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；如果t时刻电池电压处于电池行车放电结束后静置的3h外，则判断t时刻电池电压是否处于稳定不变状态，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值。
本发明的有益效果：
本发明基于动力电池实际工况和性能，对电池温度、电压、电流进行了真伪判断，该真伪判断方式不需要额外增加硬件，判断方式可以用脚本批量处理、高效可靠，同时针对伪值进行了修正的预处理方法，预处理方法均基于电池充放电工况时的外特性，这样处理得到的数据准确度高，提升了数据质量，在一定程度上能减少电池SOC预测时间和提高电池SOC的预测精度。
附图说明
图1为本发明的原理示意图；
图2为本发明中电池温度数据预处理流程图；
图3为电池电流数据预处理流程图；
图4为电池电压数据预处理流程图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明：
如图1所示一种基于大数据预测SOC的电池数据预处理系统，它包括电池温度预处理模块，所述电池温度预处理模块用于在电池未发生热失控故障时，判断t时刻电池温度采样值Ct是否在正常温度区间，若t时刻电池温度采样值Ct不在正常温度区间，则t时刻电池温度采样值Ct为温度伪值，对Tt和Tt ’进行几何平均处理，确定修正后的电池温度BTt，Tt为利用t前一时刻（t-1时刻）电池温度采样值Ct-1得到的电池温度计算值，Tt ’为利用t后一时刻（t+1时刻）电池温度采样值Ct+1得到的电池温度计算值，Tt根据t-1时刻到t时刻的时间段内电池充放电过程中的产热量Q1与t-1时刻电池温度采样值Ct-1计算得到，Tt ’根据t时刻到t+1时刻的时间段内电池充放电过程中的产热量Q2与t+1时刻电池温度采样值Ct+1计算得到；
若在电池未发生热失控故障时，t时刻电池温度采样值Ct在正常温度区间，则判断|Ct-（Ct-1+Ct+1）/2|是否大于设定温度阈值A，其中，Ct-1为t前一时刻电池温度值采样值，Ct+1为t后一时刻电池温度采样值；
如果|Ct-（Ct-1+Ct+1）/2|大于设定温度阈值A则t时刻温度采样值Ct为温度伪值，对Tt和Tt ’进行几何平均处理，确定修正后的电池温度BTt；
如果|Ct-（Ct-1+Ct+1）/2|小于等于温度阈值A，则t时刻温度采样值Ct为正常温度值，不进行电池温度数据预处理，如图2所示。电池充放电时电池温度变化是渐变的，而不是突变的，所以Ct与Ct-1、Ct+1的平均值间的差值理论很小，这样判断出的Ct真伪状态准确度更高。
上述技术方案中，电池温度预处理模块用于在电池发生热失控故障时不进行电池温度数据预处理，并进行报警。电池发生热失控时，电池发生剧烈的化学反应，电池温度会发生跃变，电池体系材料不一样，跃变幅度也不尽相同，没有明显规律，故这种情况下不对电池温度数据进行预处理。
上述技术方案中，所述电池温度预处理模块对Tt和Tt ’进行几何平均处理，确定修正后的电池温度BTt的具体方式为：
首先，利用公式Q1=
Figure 105801DEST_PATH_IMAGE001
=c*m*ΔT1=c*m*（Tt-Ct-1）和Q2=
Figure 413154DEST_PATH_IMAGE002
=c*m*ΔT2= c*m*（Ct+1- Tt ’）计算Tt和Tt ’，其中，Q1为t时刻电池充放电过程中的产热量、Q2为t+1时刻电 池充放电过程中的产热量、c为电池比热容、m为电池质量，t为t时刻，V为电池总电压，I为电 池充放电电流，ΔT1为t-1到t时间段内的电池温升值，ΔT2为t到t+1时间段内的电池温升 值；然后，将Tt与Tt ’进行几何平均处理
Figure 130575DEST_PATH_IMAGE003
，对
Figure 509472DEST_PATH_IMAGE003
数值小数点后一位进行四舍五入处 理得到的整数作为该时刻修正后的电池温度BTt，本设计根据电池充放电时热性能即热量Q =P*t、P=V*I，V为电池电压、I为电流、t为时间，采用热学理论公式Q=c*m*ΔT（c为电池比热 容、m为电池质量、ΔT为电池温升）计算，计算值精度高。
上述技术方案中，它还包括电池电流预处理模块；
电池电流预处理模块用于判断t时刻电池电流值是否超过对应电流传感器的采样量程，若t时刻电池电流值大于对应电流传感器采样量程则该电池电流值为电流伪值（每个电流传感器有采样量程规格，如CAB300型号电流传感器最大采样电流值为300A、CAB500型号电流传感器最大采样电流值为500A，若电池电流值大于对应电流传感器量程则该电流数据为伪值）；
若t时刻电池电流值小于等于对应电流传感器采样量程，则判断t时刻电池电流值的正负值是否符合对应时段电压变化趋势，如果t时刻电池电流值的正负值不符合对应时段电压变化趋势，则对应调整t时刻电池电流值的正负值，电流值具有方向性，行业上规定电池放电时电流为正值、电池充电时电流为负值。电池放电时电压呈下降趋势，充电时电压呈上升趋势；
如果t时刻电池电流值的正负值符合对应时段电压变化趋势，则进行电池充电模式的判断；
在电池外部充电模式下，判断t时刻电池电流值是否大于外部充电机的峰值输出电流值，若大于则该电池电流值为电流伪值，若小于等于则进行电池外部充电模式中恒流充电模式、恒压充电模式和恒功率充电模式的判断；
在恒流充电模式下，判断t时刻电池电流值是否在[(1-ξEC)IEC, (1+ξEC)IEC]区间内，IEC为外部充电机输出电流、ξEC为外部充电机电流控制系数，若不在则该电池电流值为伪值，若在则该电池电流值正常，不进行预处理；
在恒压充电模式和恒功率充电模式下，电池电流不断递减，若t时刻电池电流值比前一时刻电池电流值大、比后一时刻电池电流值小则该电流数据为伪值，否则电池电流值正常，不进行预处理；
在行车回馈充电模式下，比较当前电池电流值与外部（发电机、车载空调与PTC（Positive Temperature Coeficient正温度系数热敏电阻））的峰值回馈电流（发电机、车载空调与PTC加权电流），若大于则该电池电流值为伪值，否则判断当前电池电流值在预设时间段内的变化趋势，如果当前电池电流值在预设时间段内的变化趋势满足车辆运行工况下的理论电池电流值变化趋势，则当前电池电流值正常，不进行预处理，如果当前电池电流值在预设时间段内的变化趋势不满足车辆运行工况下的理论电池电流值变化趋势，则该电池电流值为电流伪值；行车模式时，车辆运行工况一般是“起步加速-均速-减速”这样不断重复循环，电池电流对应理论变化是增大-不变-减小，若不符合则该电流数据为伪值；
行车放电模式下，比较当前电池电流值与外部（驱动电机、DCDC、车载空调与PTC）的峰值输出电流和（驱动电机、DCDC、车载空调与PTC的累加电流），若大于则该电流数据为伪值，否则判断当前电池电流值在预设时间段内的变化趋势，如果当前电池电流值在预设时间段内的变化趋势满足车辆运行工况下的理论电池电流值变化趋势，则当前电池电流值正常，不进行预处理，如果当前电池电流值在预设时间段内的变化趋势不满足车辆运行工况下的理论电池电流值变化趋势，则该电池电流值为电流伪值，这样设计使得电流采样值的真伪判断更加准确。因为是根据动力电池装车后充电和放电时车辆所有相关的发电及用电的最大负载电流和来判断，不会造成过判断，也不会造成欠判断，相对合理。
上述技术方案中，电池电流预处理模块用于在电池外部充电模式下，对电流伪值 进行如下修正处理：首先，分别计算出外部充电机输出电流和电池电流在刨掉电流伪值后 的平均值
Figure 792686DEST_PATH_IMAGE004
、
Figure 287252DEST_PATH_IMAGE005
；然后按照公式BIt=
Figure 272395DEST_PATH_IMAGE005
/
Figure 940136DEST_PATH_IMAGE004
* IECt得到t时刻的电池电流值BIt，IECt 为t时刻外部充电机输出电流;
行车回馈充电模式或行车放电模式模式下，对电流伪值进行如下修正处理：首先，利用公式I=ΔV/R分别计算出t、t-1、t+1时刻电流算术值Ict、Ic(t-1)、Ic(t+1)；其中，I为电池充放电电流，ΔV为电池总电压变化值，R为电池内阻，然后，按照公式ξ=It /Ic，分别算出t-1、t+1时刻电流折算系数ξI(t-1)和ξI(t+1)，ξ为电流折算系数，It为t时刻的电流采样值，Ic为t时刻的电流计算值，计算t-1时刻电流折算系数ξI(t-1)和t+1时刻电流折算系数ξI(t+1)的平均值ξI，最后，计算t时刻修正后的电池电流BIt=Ict*ξI。
t时刻电池电流值大于对应电流传感器采样量程则该电池电流值为电流伪值，对于量程为-500A~500A的电流传感器，电流值为负代表电池充电，电流值为正代表电池放电，如果t时刻电流值为501A，首先判断电池的工况，如果是静置，将此时刻的电流值修正为0，如果是充电，将此时刻的电流值修正为-500A，如果是放电，将此时刻的电流值修正为500A。如图3所示。根据电流传感器的最大量程能够将越界的电流伪值准确筛选出来，同时结合电池工况进行修正，不会造成过判断，也不会造成欠判断，相对合理。
上述技术方案中，它还包括电池电压预处理模块，所述电池电压预处理模块用于将t时刻电池电压与正极材料对应的标准电压范围进行比较，如果t时刻电池电压不在正极材料对应的标准电压范围内则该电池电压为电压伪值，如果t时刻电池电压在正极材料对应的标准电压范围内则判断电池充放电模式，按照正极材料体系，锂离子电池分为三元锂电池、磷酸铁锂电池和锰酸锂电池。正常情况下，三元锂电池的电压范围为2.5~4.3V，磷酸铁锂电池的电压范围为2~3.65V，锰酸锂电池的电压范围为2.5~4.2V；
在电池外部充电模式或行车回馈充电模式下，判断t时刻电池电压是否处于电池电压上升趋势中，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池行车放电模式下，判断t时刻电池电压是否处于电池电压下降趋势中，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池外部充电或行车回馈充电结束后静置模式下，如果t时刻电池电压处于电池外部充电或行车回馈充电结束后静置的3h内，则判断t时刻电池电压是否处于下降趋势，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；如果t时刻电池电压处于电池外部充电或行车回馈充电结束后静置3h外，则判断t时刻电池电压是否处于稳定不变状态，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
电池外部充电或行车回馈充电时电池电压呈上升趋势，电池行车放电时电池电压呈下降趋势，电池外部充电或行车回馈充电结束后静置3h内电压呈下降趋势、3h外电压稳定不变，电池行车放电结束后静置3h内电池呈上升趋势、3h外稳定不变，若不符合则电池电压数据为伪值；
在电池行车放电结束后静置模式下，如果t时刻电池电压处于电池行车放电结束后静置的3h内，则判断t时刻电池电压是否处于上升趋势，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；如果t时刻电池电压处于电池行车放电结束后静置的3h外，则判断t时刻电池电压是否处于稳定不变状态，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值。
上述技术方案中，所述电池电压预处理模块用于对电池电压伪值进行如下修正处 理：根据电池等效电路原理，电池在静置状态下为零输入响应，电池在静置状态下t时刻的 电池电压BUt为BUt=U0*
Figure 77857DEST_PATH_IMAGE006
、U0为电池初始电压、𝞽为时间常数，e为自然常数；根据等效电路 原理，电池充放电为零状态响应，电池充放电状态下t时刻的电池电压先验值Uct为Uct=Us* （1-
Figure 805641DEST_PATH_IMAGE006
）、Us为电池的最高电压，同时，根据物理学知识，t时刻的电池电压观测值Ut为Ut= OCVSOC，t-ItRt、OCVSOC为电池开路电压，跟电池SOC有关，根据电池电压先验值Uct和电池电压 观测值Ut利用卡尔曼滤波法计算t时刻修正后的电池电压BUt，其中，It为t时刻的电流值，如 果这个值是真值，就是采样值，如果该值判断为伪值，It即为BIt，如图4所示。根据电池的等 效电路原理及欧姆定律分别计算t时刻的电池电压计算值，这样计算出来的电压值更加接 近实际理论值，判断电压采样值真伪更加准确合理。
上述技术方案中，根据电池电压先验值Uct和电池电压观测值Ut利用卡尔曼滤波法计算t时刻修正后的电池电压BUt的具体方法为：
BUt=Uct+Kt*(Ut-Ht*Uct)
Kt=Pt* Ht T*(Ht*Pt* Ht T)-1
Kt为t时刻卡尔曼增益，Pt为t时刻的电压的真实值与预测值之间误差的方差，Ht为t时刻Uct对Ut的偏分矩阵，Ht T为Uct对Ut的偏分矩阵的转置矩阵。卡尔曼滤波法是一种利用状态方程对系统状态进行最优估算的算法。本设计利用电池的等效电路原理算出电池电压的先验值，利用欧姆定律算出电池电压的观测值，运用卡尔曼滤波思想算出t时刻的电池电压的最优值，所算出的电压值跟实际值更加接近更加准确。
一种基于大数据预测SOC的电池数据预处理方法，它包括如下步骤：
步骤1：在电池未发生热失控故障时，判断t时刻电池温度采样值Ct是否在正常温度区间，若t时刻电池温度采样值Ct不在正常温度区间，则t时刻电池温度采样值Ct为温度伪值，对Tt和Tt ’进行几何平均处理，确定修正后的电池温度BTt，Tt为利用t-1时刻电池温度采样值Ct-1得到的电池温度计算值，Tt ’为利用t+1时刻电池温度采样值Ct+1得到的电池温度计算值，Tt根据t-1时刻到t时刻的时间段内电池充放电过程中的产热量Q1与t-1时刻电池温度采样值Ct-1计算得到，Tt ’根据 t时刻到t+1时刻的时间段内电池充放电过程中的产热量Q2与t+1时刻电池温度采样值Ct+1计算得到；
若在电池未发生热失控故障时，t时刻电池温度采样值Ct在正常温度区间，则判断|Ct-（Ct-1+Ct+1）/2|是否大于设定温度阈值A，其中，Ct-1为t前一时刻电池温度值采样值，Ct+1为t后一时刻电池温度采样值；
如果|Ct-（Ct-1+Ct+1）/2|大于设定温度阈值A则t时刻温度采样值Ct为温度伪值，对Tt和Tt ’进行几何平均处理，确定修正后的电池温度BTt；
如果|Ct-（Ct-1+Ct+1）/2|小于等于温度阈值A，则t时刻温度采样值Ct为正常温度值，不进行电池温度数据预处理；
步骤2：判断t时刻电池电流值是否超过对应电流传感器的采样量程，若t时刻电池电流值大于对应电流传感器采样量程则该电池电流值为电流伪值；
若t时刻电池电流值小于等于对应电流传感器采样量程，则判断t时刻电池电流值的正负值是否符合对应时段电压变化趋势，如果t时刻电池电流值的正负值不符合对应时段电压变化趋势，则对应调整t时刻电池电流值的正负值；
如果t时刻电池电流值的正负值符合对应时段电压变化趋势，则进行电池充电模式的判断；
在电池外部充电模式下，判断t时刻电池电流值是否大于外部充电机的峰值输出电流值，若大于则该电池电流值为电流伪值，若小于等于则进行电池外部充电模式中恒流充电模式、恒压充电模式和恒功率充电模式的判断；
在恒流充电模式下，判断t时刻电池电流值是否在[(1-ξEC)IEC, (1+ξEC)IEC]区间内，IEC为外部充电机输出电流、ξEC为外部充电机电流控制系数，若不在则该电池电流值为伪值，若在则该电池电流值正常，不进行预处理；
在恒压充电模式和恒功率充电模式下，若t时刻电池电流值比前一时刻电池电流值大、比后一时刻电池电流值小则该电流数据为伪值，否则电池电流值正常，不进行预处理；
在行车回馈充电模式下，比较当前电池电流值与外部的峰值回馈电流，若大于则该电池电流值为伪值，否则判断当前电池电流值在预设时间段内的变化趋势，如果当前电池电流值在预设时间段内的变化趋势满足车辆运行工况下的理论电池电流值变化趋势，则当前电池电流值正常，不进行预处理，如果当前电池电流值在预设时间段内的变化趋势不满足车辆运行工况下的理论电池电流值变化趋势，则该电池电流值为电流伪值；
行车放电模式下，比较当前电池电流值与外部的峰值输出电流和，若大于则该电流数据为伪值，否则判断当前电池电流值在预设时间段内的变化趋势，如果当前电池电流值在预设时间段内的变化趋势满足车辆运行工况下的理论电池电流值变化趋势，则当前电池电流值正常，不进行预处理，如果当前电池电流值在预设时间段内的变化趋势不满足车辆运行工况下的理论电池电流值变化趋势，则该电池电流值为电流伪值；
步骤3：在电池外部充电模式下，对电流伪值进行如下修正处理：首先，分别计算出 外部充电机输出电流和电池电流在刨掉电流伪值后的平均值
Figure 275150DEST_PATH_IMAGE007
、
Figure 261430DEST_PATH_IMAGE005
；然后按照公式BIt =
Figure 722498DEST_PATH_IMAGE005
/
Figure 73714DEST_PATH_IMAGE007
* IECt得到t时刻的电池电流值BIt，IECt为t时刻外部充电机输出电流;
行车回馈充电模式或行车放电模式模式下，对电流伪值进行如下修正处理：首先，利用公式I=ΔV/R分别计算出t、t-1、t+1时刻电流算术值Ict、Ic(t-1)、Ic(t+1)；其中，I为电池充放电电流，ΔV为电池总电压变化值，R为电池内阻，然后，按照公式ξ=It /Ic，分别算出t-1、t+1时刻电流折算系数ξI(t-1)和ξI(t+1)，ξ为电流折算系数，It为t时刻的电流采样值，Ic为t时刻的电流计算值，计算t-1时刻电流折算系数ξI(t-1)和t+1时刻电流折算系数ξI(t+1)的平均值ξI，最后，计算t时刻修正后的电池电流BIt=Ict*ξI。
t时刻电池电流值大于对应电流传感器采样量程则该电池电流值为电流伪值，对于量程为-500A~500A的电流传感器，电流值为负代表电池充电，电流值为正代表电池放电，如果t时刻电流值为501A，首先判断电池的工况，如果是静置，将此时刻的电流值修正为0，如果是充电，将此时刻的电流值修正为-500A，如果是放电，将此时刻的电流值修正为500A；
步骤4：将t时刻电池电压与正极材料对应的标准电压范围进行比较，如果t时刻电池电压不在正极材料对应的标准电压范围内则该电池电压为电压伪值，如果t时刻电池电压在正极材料对应的标准电压范围内则判断电池充放电模式；
在电池外部充电模式或行车回馈充电模式下，判断t时刻电池电压是否处于电池电压上升趋势中，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池行车放电模式下，判断t时刻电池电压是否处于电池电压下降趋势中，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池外部充电或行车回馈充电结束后静置模式下，如果t时刻电池电压处于电池外部充电或行车回馈充电结束后静置的3h内，则判断t时刻电池电压是否处于下降趋势，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；如果t时刻电池电压处于电池外部充电或行车回馈充电结束后静置3h外，则判断t时刻电池电压是否处于稳定不变状态，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池行车放电结束后静置模式下，如果t时刻电池电压处于电池行车放电结束后静置的3h内，则判断t时刻电池电压是否处于上升趋势，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；如果t时刻电池电压处于电池行车放电结束后静置的3h外，则判断t时刻电池电压是否处于稳定不变状态，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值。
步骤5：对电池电压伪值进行如下修正处理：根据电池等效电路原理，电池在静置 状态下为零输入响应，电池在静置状态下t时刻的电池电压BUt为BUt=U0*
Figure 784181DEST_PATH_IMAGE006
、U0为电池初 始电压、𝞽为时间常数，e为自然常数；根据等效电路原理，电池充放电为零状态响应，电池充 放电状态下t时刻的电池电压先验值Uct为Uct=Us*（1-
Figure 996987DEST_PATH_IMAGE006
）、Us为电池的最高电压，同时，根 据物理学知识，t时刻的电池电压观测值Ut为Ut=OCVSOC，t-ItRt、OCVSOC为电池开路电压，根据 电池电压先验值Uct和电池电压观测值Ut利用卡尔曼滤波法计算t时刻修正后的电池电压 BUt，其中，It为t时刻的电流值，如果这个值是真值，就是采样值，如果该值判断为伪值，It即 为BIt。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于大数据预测SOC的电池数据预处理系统，其特征在于：它包括电池温度预处理模块，所述电池温度预处理模块用于在电池未发生热失控故障时，判断t时刻电池温度采样值Ct是否在正常温度区间，若t时刻电池温度采样值Ct不在正常温度区间，则t时刻电池温度采样值Ct为温度伪值，对Tt和Tt ’进行几何平均处理，确定修正后的电池温度BTt， Tt为利用t-1时刻电池温度采样值Ct-1得到的电池温度计算值，Tt ’为利用t+1时刻电池温度采样值Ct+1得到的电池温度计算值，Tt根据t-1时刻到t时刻的时间段内电池充放电过程中的产热量Q1与t-1时刻电池温度采样值Ct-1计算得到，Tt ’根据 t时刻到t+1时刻的时间段内电池充放电过程中的产热量Q2与t+1时刻电池温度采样值Ct+1计算得到；
若在电池未发生热失控故障时，t时刻电池温度采样值Ct在正常温度区间，则判断|Ct-（Ct-1+Ct+1）/2|是否大于设定温度阈值A，其中，Ct-1为t前一时刻电池温度值采样值，Ct+1为t后一时刻电池温度采样值；
如果|Ct-（Ct-1+Ct+1）/2|大于设定温度阈值A则t时刻温度采样值Ct为温度伪值，对Tt和Tt ’进行几何平均处理，确定修正后的电池温度BTt；
如果|Ct-（Ct-1+Ct+1）/2|小于等于温度阈值A，则t时刻温度采样值Ct为正常温度值，不进行电池温度数据预处理。
2.根据权利要求1所述的基于大数据预测SOC的电池数据预处理系统，其特征在于：电池温度预处理模块用于在电池发生热失控故障时不进行电池温度数据预处理，并进行报警。
3.根据权利要求1所述的基于大数据预测SOC的电池数据预处理系统，其特征在于：所述电池温度预处理模块对Tt和Tt ’进行几何平均处理，确定修正后的电池温度BTt的具体方式为：
首先，利用公式Q1=
Figure 941041DEST_PATH_IMAGE001
=c*m*ΔT1=c*m*（Tt-Ct-1）和Q2=
Figure 948311DEST_PATH_IMAGE002
=c*m*ΔT2= c* m*（Ct+1- Tt ’）计算Tt和Tt ’，其中，Q1为t时刻电池充放电过程中的产热量、Q2为t+1时刻电池 充放电过程中的产热量、c为电池比热容、m为电池质量，t为t时刻，V为电池总电压，I为电池 充放电电流，ΔT1为t-1到t时间段内的电池温升值，ΔT2为t到t+1时间段内的电池温升值； 然后，将Tt与Tt ’进行几何平均处理
Figure 146075DEST_PATH_IMAGE003
。
4.根据权利要求3所述的基于大数据预测SOC的电池数据预处理系统，其特征在于：对
Figure 208577DEST_PATH_IMAGE003
数值小数点后一位进行四舍五入处理得到的整数作为该时刻修正后的电池温度 BTt。
5.根据权利要求1所述的基于大数据预测SOC的电池数据预处理系统，其特征在于：它还包括电池电流预处理模块；
电池电流预处理模块用于判断t时刻电池电流值是否超过对应电流传感器的采样量程，若t时刻电池电流值大于对应电流传感器采样量程则该电池电流值为电流伪值；
若t时刻电池电流值小于等于对应电流传感器采样量程，则判断t时刻电池电流值的正负值是否符合对应时段电压变化趋势，如果t时刻电池电流值的正负值不符合对应时段电压变化趋势，则对应调整t时刻电池电流值的正负值；
如果t时刻电池电流值的正负值符合对应时段电压变化趋势，则进行电池充电模式的判断；
在电池外部充电模式下，判断t时刻电池电流值是否大于外部充电机的峰值输出电流值，若大于则该电池电流值为电流伪值，若小于等于则进行电池外部充电模式中恒流充电模式、恒压充电模式和恒功率充电模式的判断；
在恒流充电模式下，判断t时刻电池电流值是否在[(1-ξEC)IEC, (1+ξEC)IEC]区间内，IEC为外部充电机输出电流、ξEC为外部充电机电流控制系数，若不在则该电池电流值为伪值，若在则该电池电流值正常，不进行预处理；
在恒压充电模式和恒功率充电模式下，若t时刻电池电流值比前一时刻电池电流值大、比后一时刻电池电流值小则该电流数据为伪值，否则电池电流值正常，不进行预处理；
在行车回馈充电模式下，比较当前电池电流值与外部的峰值回馈电流，若大于则该电池电流值为伪值，否则判断当前电池电流值在预设时间段内的变化趋势，如果当前电池电流值在预设时间段内的变化趋势满足车辆运行工况下的理论电池电流值变化趋势，则当前电池电流值正常，不进行预处理，如果当前电池电流值在预设时间段内的变化趋势不满足车辆运行工况下的理论电池电流值变化趋势，则该电池电流值为电流伪值；
行车放电模式下，比较当前电池电流值与外部的峰值输出电流和，若大于则该电流数据为伪值，否则判断当前电池电流值在预设时间段内的变化趋势，如果当前电池电流值在预设时间段内的变化趋势满足车辆运行工况下的理论电池电流值变化趋势，则当前电池电流值正常，不进行预处理，如果当前电池电流值在预设时间段内的变化趋势不满足车辆运行工况下的理论电池电流值变化趋势，则该电池电流值为电流伪值。
6.根据权利要求5所述的基于大数据预测SOC的电池数据预处理系统，其特征在于：电 池电流预处理模块用于在电池外部充电模式下，对电流伪值进行如下修正处理：首先，分别 计算出外部充电机输出电流和电池电流在刨掉电流伪值后的平均值
Figure 113079DEST_PATH_IMAGE004
、
Figure 806098DEST_PATH_IMAGE005
；然后按照 公式BIt=
Figure 225578DEST_PATH_IMAGE005
/
Figure 576925DEST_PATH_IMAGE004
* IECt得到t时刻的电池电流值BIt，IECt为t时刻外部充电机输出电流;
行车回馈充电模式或行车放电模式模式下，对电流伪值进行如下修正处理：首先，利用公式I=ΔV/R分别计算出t、t-1、t+1时刻电流算术值Ict、Ic(t-1)、Ic(t+1)；其中，I为电池充放电电流，ΔV为电池总电压变化值，R为电池内阻，然后，按照公式ξ=It /Ic，分别算出t-1、t+1时刻电流折算系数ξI(t-1)和ξI(t+1)，ξ为电流折算系数，It为t时刻的电流采样值，Ic为t时刻的电流计算值，计算t-1时刻电流折算系数ξI(t-1)和t+1时刻电流折算系数ξI(t+1)的平均值ξI，最后，计算t时刻修正后的电池电流BIt=Ict*ξI；
t时刻电池电流值大于对应电流传感器采样量程则该电池电流值为电流伪值，电流值为负代表电池充电，电流值为正代表电池放电，如果t时刻电流值大于对应电流传感器采样量程，首先判断电池的工况，如果是静置，将此时刻的电流值修正为0，如果是充电，将此时刻的电流值修正为负的电流传感器采样最大量程，如果是放电，将此时刻的电流值修正为正的电流传感器采样最大量程。
7.根据权利要求1所述的基于大数据预测SOC的电池数据预处理系统，其特征在于：它还包括电池电压预处理模块，所述电池电压预处理模块用于将t时刻电池电压与正极材料对应的标准电压范围进行比较，如果t时刻电池电压不在正极材料对应的标准电压范围内则该电池电压为电压伪值，如果t时刻电池电压在正极材料对应的标准电压范围内则判断电池充放电模式；
在电池外部充电模式或行车回馈充电模式下，判断t时刻电池电压是否处于电池电压上升趋势中，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池行车放电模式下，判断t时刻电池电压是否处于电池电压下降趋势中，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池外部充电或行车回馈充电结束后静置模式下，如果t时刻电池电压处于电池外部充电或行车回馈充电结束后静置的3h内，则判断t时刻电池电压是否处于下降趋势，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；如果t时刻电池电压处于电池外部充电或行车回馈充电结束后静置3h外，则判断t时刻电池电压是否处于稳定不变状态，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池行车放电结束后静置模式下，如果t时刻电池电压处于电池行车放电结束后静置的3h内，则判断t时刻电池电压是否处于上升趋势，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；如果t时刻电池电压处于电池行车放电结束后静置的3h外，则判断t时刻电池电压是否处于稳定不变状态，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值。
8.根据权利要求7所述的基于大数据预测SOC的电池数据预处理系统，其特征在于：所 述电池电压预处理模块用于对电池电压伪值进行如下修正处理：根据电池等效电路原理， 电池在静置状态下为零输入响应，电池在静置状态下t时刻的电池电压BUt为BUt=U0*
Figure 116359DEST_PATH_IMAGE006
、 U0为电池初始电压、𝞽为时间常数，e为自然常数；根据等效电路原理，电池充放电为零状态 响应，电池充放电状态下t时刻的电池电压先验值Uct为Uct=Us*（1-
Figure 527749DEST_PATH_IMAGE006
）、Us为电池的最高电 压，同时，根据物理学知识，t时刻的电池电压观测值Ut为Ut=OCVSOC，t-ItRt、OCVSOC为电池开路 电压，根据电池电压先验值Uct和电池电压观测值Ut利用卡尔曼滤波法计算t时刻修正后的 电池电压BUt，其中，It为t时刻的电流值，如果这个值是真值，就是采样值，如果该值判断为 伪值，It即为BIt。
9.根据权利要求8所述的基于大数据预测SOC的电池数据预处理系统，其特征在于：根据电池电压先验值Uct和电池电压观测值Ut利用卡尔曼滤波法计算t时刻修正后的电池电压BUt的具体方法为：
BUt=Uct+Kt*(Ut-Ht*Uct)
Kt=Pt* Ht T*(Ht*Pt* Ht T)-1
Kt为t时刻卡尔曼增益，Pt为t时刻的电压的真实值与预测值之间误差的方差，Ht为t时刻Uct对Ut的偏分矩阵，Ht T为Uct对Ut的偏分矩阵的转置矩阵。
10.一种基于大数据预测SOC的电池数据预处理方法，其特征在于，它包括如下步骤：
步骤1：在电池未发生热失控故障时，判断t时刻电池温度采样值Ct是否在正常温度区间，若t时刻电池温度采样值Ct不在正常温度区间，则t时刻电池温度采样值Ct为温度伪值，对Tt和Tt ’进行几何平均处理，确定修正后的电池温度BTt，Tt为利用t-1时刻电池温度采样值Ct-1得到的电池温度计算值，Tt ’为利用t+1时刻电池温度采样值Ct+1得到的电池温度计算值，Tt根据t-1时刻到t时刻的时间段内电池充放电过程中的产热量Q1与t-1时刻电池温度采样值Ct-1计算得到，Tt ’根据 t时刻到t+1时刻的时间段内电池充放电过程中的产热量Q2与t+1时刻电池温度采样值Ct+1计算得到；
若在电池未发生热失控故障时，t时刻电池温度采样值Ct在正常温度区间，则判断|Ct-（Ct-1+Ct+1）/2|是否大于设定温度阈值A，其中，Ct-1为t前一时刻电池温度值采样值，Ct+1为t后一时刻电池温度采样值；
如果|Ct-（Ct-1+Ct+1）/2|大于设定温度阈值A则t时刻温度采样值Ct为温度伪值，对Tt和Tt ’进行几何平均处理，确定修正后的电池温度BTt；
如果|Ct-（Ct-1+Ct+1）/2|小于等于温度阈值A，则t时刻温度采样值Ct为正常温度值，不进行电池温度数据预处理；
步骤2：判断t时刻电池电流值是否超过对应电流传感器的采样量程，若t时刻电池电流值大于对应电流传感器采样量程则该电池电流值为电流伪值；
若t时刻电池电流值小于等于对应电流传感器采样量程，则判断t时刻电池电流值的正负值是否符合对应时段电压变化趋势，如果t时刻电池电流值的正负值不符合对应时段电压变化趋势，则对应调整t时刻电池电流值的正负值；
如果t时刻电池电流值的正负值符合对应时段电压变化趋势，则进行电池充电模式的判断；
在电池外部充电模式下，判断t时刻电池电流值是否大于外部充电机的峰值输出电流值，若大于则该电池电流值为电流伪值，若小于等于则进行电池外部充电模式中恒流充电模式、恒压充电模式和恒功率充电模式的判断；
在恒流充电模式下，判断t时刻电池电流值是否在[(1-ξEC)IEC, (1+ξEC)IEC]区间内，IEC为外部充电机输出电流、ξEC为外部充电机电流控制系数，若不在则该电池电流值为伪值，若在则该电池电流值正常，不进行预处理；
在恒压充电模式和恒功率充电模式下，若t时刻电池电流值比前一时刻电池电流值大、比后一时刻电池电流值小则该电流数据为伪值，否则电池电流值正常，不进行预处理；
在行车回馈充电模式下，比较当前电池电流值与外部的峰值回馈电流，若大于则该电池电流值为伪值，否则判断当前电池电流值在预设时间段内的变化趋势，如果当前电池电流值在预设时间段内的变化趋势满足车辆运行工况下的理论电池电流值变化趋势，则当前电池电流值正常，不进行预处理，如果当前电池电流值在预设时间段内的变化趋势不满足车辆运行工况下的理论电池电流值变化趋势，则该电池电流值为电流伪值；
行车放电模式下，比较当前电池电流值与外部的峰值输出电流和，若大于则该电流数据为伪值，否则判断当前电池电流值在预设时间段内的变化趋势，如果当前电池电流值在预设时间段内的变化趋势满足车辆运行工况下的理论电池电流值变化趋势，则当前电池电流值正常，不进行预处理，如果当前电池电流值在预设时间段内的变化趋势不满足车辆运行工况下的理论电池电流值变化趋势，则该电池电流值为电流伪值；
步骤3：在电池外部充电模式下，对电流伪值进行如下修正处理：首先，分别计算出外部 充电机输出电流和电池电流在刨掉电流伪值后的平均值
Figure 700105DEST_PATH_IMAGE004
、
Figure 841760DEST_PATH_IMAGE005
；然后按照公式BIt=
Figure 986434DEST_PATH_IMAGE005
/
Figure 568725DEST_PATH_IMAGE004
* IECt得到t时刻的电池电流值BIt，IECt为t时刻外部充电机输出电流;
行车回馈充电模式或行车放电模式模式下，对电流伪值进行如下修正处理：首先，利用公式I=ΔV/R分别计算出t、t-1、t+1时刻电流算术值Ict、Ic(t-1)、Ic(t+1)；其中，I为电池充放电电流，ΔV为电池总电压变化值，R为电池内阻，然后，按照公式ξ=It /Ic，分别算出t-1、t+1时刻电流折算系数ξI(t-1)和ξI(t+1)，ξ为电流折算系数，It为t时刻的电流采样值，Ic为t时刻的电流计算值，计算t-1时刻电流折算系数ξI(t-1)和t+1时刻电流折算系数ξI(t+1)的平均值ξI，最后，计算t时刻修正后的电池电流BIt=Ict*ξI；
t时刻电池电流值大于对应电流传感器采样量程则该电池电流值为电流伪值，电流值为负代表电池充电，电流值为正代表电池放电，如果t时刻电流值大于对应电流传感器采样量程，首先判断电池的工况，如果是静置，将此时刻的电流值修正为0，如果是充电，将此时刻的电流值修正为负的电流传感器采样最大量程，如果是放电，将此时刻的电流值修正为正的电流传感器采样最大量程；
步骤4：将t时刻电池电压与正极材料对应的标准电压范围进行比较，如果t时刻电池电压不在正极材料对应的标准电压范围内则该电池电压为电压伪值，如果t时刻电池电压在正极材料对应的标准电压范围内则判断电池充放电模式；
在电池外部充电模式或行车回馈充电模式下，判断t时刻电池电压是否处于电池电压上升趋势中，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池行车放电模式下，判断t时刻电池电压是否处于电池电压下降趋势中，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池外部充电或行车回馈充电结束后静置模式下，如果t时刻电池电压处于电池外部充电或行车回馈充电结束后静置的3h内，则判断t时刻电池电压是否处于下降趋势，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；如果t时刻电池电压处于电池外部充电或行车回馈充电结束后静置3h外，则判断t时刻电池电压是否处于稳定不变状态，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
在电池行车放电结束后静置模式下，如果t时刻电池电压处于电池行车放电结束后静置的3h内，则判断t时刻电池电压是否处于上升趋势，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；如果t时刻电池电压处于电池行车放电结束后静置的3h外，则判断t时刻电池电压是否处于稳定不变状态，若处于则t时刻电池电压正常，不进行电池电压预处理，若不处于则t时刻电池电压为电压伪值；
步骤5：对电池电压伪值进行如下修正处理：根据电池等效电路原理，电池在静置状态 下为零输入响应，电池在静置状态下t时刻的电池电压BUt为BUt=U0*
Figure 212065DEST_PATH_IMAGE006
、U0为电池初始电 压、𝞽为时间常数，e为自然常数；根据等效电路原理，电池充放电为零状态响应，电池充放电 状态下t时刻的电池电压先验值Uct为Uct=Us*（1-
Figure 905214DEST_PATH_IMAGE006
）、Us为电池的最高电压，同时，根据物 理学知识，t时刻的电池电压观测值Ut为Ut=OCVSOC，t-ItRt、OCVSOC为电池开路电压，根据电池 电压先验值Uct和电池电压观测值Ut利用卡尔曼滤波法计算t时刻修正后的电池电压BUt，其 中，It为t时刻的电流值，如果这个值是真值，就是采样值，如果该值判断为伪值，It即为BIt。
CN202211652943.3A 2022-12-22 2022-12-22 基于大数据预测soc的电池数据预处理系统及方法 Active CN115639481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211652943.3A CN115639481B (zh) 2022-12-22 2022-12-22 基于大数据预测soc的电池数据预处理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211652943.3A CN115639481B (zh) 2022-12-22 2022-12-22 基于大数据预测soc的电池数据预处理系统及方法

Publications (2)

Publication Number Publication Date
CN115639481A true CN115639481A (zh) 2023-01-24
CN115639481B CN115639481B (zh) 2023-04-25

Family

ID=84948943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211652943.3A Active CN115639481B (zh) 2022-12-22 2022-12-22 基于大数据预测soc的电池数据预处理系统及方法

Country Status (1)

Country Link
CN (1) CN115639481B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117110903A (zh) * 2023-10-23 2023-11-24 羿动新能源科技有限公司 一种动力电池的soc的合理性判断方法
CN117214741A (zh) * 2023-11-09 2023-12-12 杭州高特电子设备股份有限公司 一种电池采集温度异常的诊断方法和电池系统
CN117890799A (zh) * 2024-03-15 2024-04-16 广汽埃安新能源汽车股份有限公司 电池荷电状态的获取方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070120537A1 (en) * 2005-11-30 2007-05-31 Panasonic Ev Energy Co., Ltd. Controller for rechargeable battery and temperature estimation method and deterioration determination method for rechargeable battery
JP2009099375A (ja) * 2007-10-17 2009-05-07 Sony Corp 電池パックおよび温度推定方法
CN102792175A (zh) * 2010-10-05 2012-11-21 丰田自动车株式会社 蓄电元件的状态推定方法及状态推定装置
JP2014232649A (ja) * 2013-05-29 2014-12-11 日産自動車株式会社 電池温度推定装置及び電池温度推定方法
US20170184680A1 (en) * 2015-12-29 2017-06-29 Samsung Electronics Co., Ltd. Sensor management apparatus and method
WO2022032102A1 (en) * 2020-08-06 2022-02-10 Front End Analytics Llc Apparatus and method for electronic determination of system data integrity
WO2022126526A1 (zh) * 2020-12-17 2022-06-23 浙江吉利控股集团有限公司 一种电池温度预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070120537A1 (en) * 2005-11-30 2007-05-31 Panasonic Ev Energy Co., Ltd. Controller for rechargeable battery and temperature estimation method and deterioration determination method for rechargeable battery
JP2009099375A (ja) * 2007-10-17 2009-05-07 Sony Corp 電池パックおよび温度推定方法
CN102792175A (zh) * 2010-10-05 2012-11-21 丰田自动车株式会社 蓄电元件的状态推定方法及状态推定装置
JP2014232649A (ja) * 2013-05-29 2014-12-11 日産自動車株式会社 電池温度推定装置及び電池温度推定方法
US20170184680A1 (en) * 2015-12-29 2017-06-29 Samsung Electronics Co., Ltd. Sensor management apparatus and method
WO2022032102A1 (en) * 2020-08-06 2022-02-10 Front End Analytics Llc Apparatus and method for electronic determination of system data integrity
WO2022126526A1 (zh) * 2020-12-17 2022-06-23 浙江吉利控股集团有限公司 一种电池温度预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何复兴: "基于数据驱动的锂离子电池荷电状态及健康状态估计研究" *
宋万清等, 中国铁道出版社 *
邱艳: "基于数据驱动的车用锂离子电池故障诊断方法与应用研究" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117110903A (zh) * 2023-10-23 2023-11-24 羿动新能源科技有限公司 一种动力电池的soc的合理性判断方法
CN117110903B (zh) * 2023-10-23 2024-01-30 羿动新能源科技有限公司 一种动力电池的soc的合理性判断方法
CN117214741A (zh) * 2023-11-09 2023-12-12 杭州高特电子设备股份有限公司 一种电池采集温度异常的诊断方法和电池系统
CN117214741B (zh) * 2023-11-09 2024-05-28 杭州高特电子设备股份有限公司 一种电池采集温度异常的诊断方法和电池系统
CN117890799A (zh) * 2024-03-15 2024-04-16 广汽埃安新能源汽车股份有限公司 电池荷电状态的获取方法、装置、电子设备及存储介质
CN117890799B (zh) * 2024-03-15 2024-05-31 广汽埃安新能源汽车股份有限公司 电池荷电状态的获取方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN115639481B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN115639481B (zh) 基于大数据预测soc的电池数据预处理系统及方法
Meng et al. An automatic weak learner formulation for lithium-ion battery state of health estimation
CN111208438B (zh) 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法
CN112464571B (zh) 基于多约束条件粒子群优化算法的锂电池组参数辨识方法
CN109239602B (zh) 一种动力电池的欧姆内阻的估算方法
CN112163372B (zh) 一种动力电池的soc估算方法
CN113128672B (zh) 一种基于迁移学习算法的锂离子电池组soh估计方法
CN112858929A (zh) 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法
CN110542866B (zh) 一种预估电池剩余电量参数的方法
CN115494400B (zh) 一种基于集成学习的锂电池析锂状态在线监控方法
CN108614221B (zh) 一种锂离子电池化成工序的评价方法
Geng et al. State of charge estimation method for lithium-ion batteries in all-electric ships based on LSTM neural network
Pan et al. Exponential Smoothing and Particle Filter
CN113702836A (zh) 一种基于emd-gru锂离子电池荷电状态估计方法
Cui et al. Online identification and reconstruction of open-circuit voltage for capacity and electrode aging estimation of lithium-ion batteries
CN115469229A (zh) 一种不间断电源锂电池荷电状态估算方法
CN115906613A (zh) 一种基于粒子群和自适应模糊神经网络的电池组均衡方法
CN108583326A (zh) 一种电动汽车电池组均衡控制方法
CN115117974A (zh) 一种电池组的均衡控制方法、装置、电池系统和存储介质
CN115101836A (zh) 一种云-端融合的电池系统管理方法及装置
CN113759258B (zh) 一种动力电池soc估计方法、装置及纯电动汽车
CN113420444A (zh) 一种基于参数在线辨识的锂离子电池soc估计方法
Chen et al. A hybrid DNN-KF model for real-time SOC estimation of lithium-ion batteries under different ambient temperatures
CN112946480A (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN113805061B (zh) 一种锂亚硫酰氯体系锂原电池的soc预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant