CN115754741A - 储能系统的soc估算方法及装置、设备及存储介质 - Google Patents

储能系统的soc估算方法及装置、设备及存储介质 Download PDF

Info

Publication number
CN115754741A
CN115754741A CN202211561106.XA CN202211561106A CN115754741A CN 115754741 A CN115754741 A CN 115754741A CN 202211561106 A CN202211561106 A CN 202211561106A CN 115754741 A CN115754741 A CN 115754741A
Authority
CN
China
Prior art keywords
model
soc estimation
estimation result
moment
energy storage
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.)
Pending
Application number
CN202211561106.XA
Other languages
English (en)
Inventor
束洪春
李文龙
王广雪
韩一鸣
李建男
王锐
姚宇
马海心
陈靖
何业福
时波涛
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202211561106.XA priority Critical patent/CN115754741A/zh
Publication of CN115754741A publication Critical patent/CN115754741A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明实施例公开了一种储能系统的SOC估算方法及装置、设备及存储介质，方法包括：获取储能系统至少包括实时的电流数据、电压数据以及极柱的温度数据的实际运行参数；利用实际运行参数以及储能系统的充放电滞回特性确定储能系统的高频等效模型以及中低频等效模型；分别对高频等效模型以及中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定k时刻高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果；根据第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻储能系统的目标SOC估算结果。通过上述方式，融合两个不同频段的等效模型的SOC估算结果，得到储能系统的目标SOC估算结果，提高SOC估算准确度。

Description

储能系统的SOC估算方法及装置、设备及存储介质
技术领域
本发明涉及储能系统的SOC估算技术领域，尤其涉及一种储能系统的SOC估算方法及装置、设备及存储介质。
背景技术
随着全球风电和光伏等新能源的装机不断扩大，新能源发电量越来越高。然而新能源发电的功率输出存在不确定性、波动性等缺陷，大量接入会给电网运行造成冲击。储能是解决新能源发电随机性、波动性维持电网稳定运行最有效和最经济的途径之一。
在储能系统中，电化学储能因其建设周期短，建设灵活方便等优点被广泛应用在新能源发电基地。SOC作为电池管理系统中最重要且最基本的参数，是BMS的控制逻辑基础。如果无法保证SOC的精确估算，BMS系统中添加再多的保护功能也无法保证电池的稳定工作，更无法达到延长电池使用寿命的目的以及维护电网稳定，因此研究寻找精确稳定的SOC估计方法是储能电池日常维护及技术发展的首要任务。
在储能系统中通常会采用高频电力电子元件开关来控制能量流动，这就会产生高频噪声和电流纹波，使储能电池在工作时受到高频激励。现有的储能电池SOC估算方法主要以二阶RC等效电路模型为主。其存在高频噪声和电流纹波时，二阶RC模型不能很好的反映储能电池的内部反应状况，从而导致储能电池SOC估算不准确，造成严重后果。现有的储能电池SOC估算也有单独考虑应对高频时的等效电路模型，但在电池工作在中低频激励时，其高频等效电路模型又不能很好的适应中低频激励，从而导致储能电池SOC估算不准确，造成严重后果。
因此，现有技术对于储能系统的SOC估算手段的估算准确度低，仍然有待改进。
发明内容
本发明的主要目的在于提供一种储能系统的SOC估算方法及装置、设备及存储介质，可以解决现有技术中的储能系统的SOC估算手段的估算准确度低的问题。
为实现上述目的，本发明第一方面提供一种储能系统的SOC估算方法，所述方法包括：
获取所述储能系统的实际运行参数，所述实际运行参数至少包括实时的电流数据、电压数据以及极柱的温度数据；
利用所述电流数据、电压数据、温度数据以及所述储能系统的充放电滞回特性进行储能系统的等效模型建立，确定所述储能系统的高频等效模型以及中低频等效模型；
分别对所述高频等效模型以及中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定k时刻所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果；
根据所述第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻所述储能系统的目标SOC估算结果。
在一种可行实现方式中，所述交互式多模型包括输入交互模型，则所述根据所述第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻所述储能系统的目标SOC估算结果，包括：
将所述第一SOC估算结果以及第二SOC估算结果输入所述输入交互模型，确定所述输入交互模型的输入交互结果，所述输入交互结果至少包括所述高频等效模型k时刻的第一模型概率、输入交互后的第三SOC估算结果、所述中低频等效模型k时刻的第二模型概率、输入交互后的第四SOC估算结果；
利用所述电流数据、电压数据、温度数据、第三SOC估算结果以及第四SOC估算结果，得到预测的k+1时刻的高频等效模型的第五SOC估算结果、所述中低频等效模型的第六SOC估算结果、k+1时刻残差以及k+1时刻残差协方差；
根据所述第五SOC估算结果、第六SOC估算结果、第一模型概率、第二模型概率、k+1时刻残差以及k+1时刻残差协方差，得到k+1时刻所述储能系统的目标SOC估算结果。
在一种可行实现方式中，所述交互式多模型还包括输出交互模型，则所述根据所述第五SOC估算结果、第六SOC估算结果、第一模型概率、第二模型概率、k+1时刻残差以及k+1时刻残差协方差，得到k+1时刻所述储能系统的目标SOC估算结，包括：
利用所述k+1时刻残差以及k+1时刻残差协方差，确定k+1时刻所述高频等效模型的第一似然函数以及中低频等效模型的第二似然函数；
根据所述第一似然函数以及第二似然函数、第一模型概率、第二模型概率、以及预设的混合概率算法，确定k+1时刻的模型混合概率；
利用所述第一模型概率、第二模型概率、第一似然函数、第二似然函数以及所述k+1时刻的模型混合概率，确定k+1时刻所述高频等效模型的第三模型概率以及所述中低频等效模型的第四模型概率；
根据第五SOC估算结果、第六SOC估算结果、第三模型概率、第四模型概率以及所述输出交互模型，确定k+1时刻所述储能系统的目标SOC估算结果。
在一种可行实现方式中，所述根据第五SOC估算结果、第六SOC估算结果、第三模型概率、第四模型概率以及所述输出交互模型，确定k+1时刻所述储能系统的目标SOC估算结果，包括：
将所述第五SOC估算结果、第六SOC估算结果、第三模型概率、第四模型概输入所述输出交互模型，确定k+1时刻的输出交互结果；
利用所述k+1时刻的输出交互结果以及预设的SOC提取算法，确定所述k+1时刻所述储能系统的目标SOC估算结果。
在一种可行实现方式中，所述分别对所述高频等效模型以及所述中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果，包括：
采用遗忘因子递推最小二乘，分别对所述高频等效模型以及所述中低频等效模型进行实时参数辨识，确定所述高频等效模型的第一模型参数以及所述中低频等效模型的第二模型参数；
利用所述第一模型参数以及所述第二模型参数进行无迹卡尔曼滤波的SOC估算处理，确定所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果。
在一种可行实现方式中，所述输入交互模型包括如下数学表达式：
Figure BDA0003984743100000031
Figure BDA0003984743100000032
Figure BDA0003984743100000033
Figure BDA0003984743100000034
式中，
Figure BDA0003984743100000035
为模型j输入交互后的k时刻的SOC估算结果，
Figure BDA0003984743100000036
为等效模型j的k时刻的SOC估算结果；
Figure BDA0003984743100000037
为k时刻等效模型l的模型概率，
Figure BDA0003984743100000038
为k时刻等效模型j的模型概率，m为等效模型的总数，n∈N，N为k时刻的状态点x的总数，n为状态点标识，πlj为模型j切换到模型l的概率，
Figure BDA0003984743100000039
为模型j输入交互后的k时刻的SOC估算结果的协方差，
Figure BDA00039847431000000310
为等效模型l的k时刻的SOC估算结果，
Figure BDA00039847431000000311
为模型l输入交互后的k时刻的SOC估算结果的协方差。
在一种可行实现方式中，所述输出交互模型包括如下数学表达式：
Figure BDA00039847431000000312
Figure BDA00039847431000000313
式中，n∈N，N代表k+1时刻的状态点x的总数，n为状态点标识，m为等效模型总数，
Figure BDA00039847431000000314
以及Pn(k+1|k+1)为k+1时刻的输出交互结果，
Figure BDA00039847431000000315
代表k+1时刻储能系统的SOC估算结果，Pn(k+1|k+1)为k+1时刻储能系统的状态向量的协方差；
Figure BDA00039847431000000316
为等效模型j的k+1时刻的SOC估算结果，
Figure BDA00039847431000000317
为k+1时刻等效模型j的模型概率。
为实现上述目的，本发明第二方面提供一种储能系统的SOC估算装置，所述装置包括：
数据采集模块：用于获取所述储能系统的实际运行参数，所述实际运行参数至少包括实时的电流数据、电压数据以及极柱的温度数据；
模型确定模块：用于利用所述电流数据、电压数据、温度数据以及所述储能系统的充放电滞回特性进行储能系统的等效模型建立处理，确定所述储能系统的高频等效模型以及中低频等效模型；
SOC估算模块：用于分别对所述高频等效模型以及中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定k时刻所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果；
结果融合模块：用于根据所述第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻所述储能系统的目标SOC估算结果。
为实现上述目的，本发明第三方面提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如第一方面及任一可行实现方式所示步骤。
为实现上述目的，本发明第四方面提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面及任一可行实现方式所示步骤。
采用本发明实施例，具有如下有益效果：
本发明提供一种储能系统的SOC估算方法，方法包括：获取储能系统的实际运行参数，实际运行参数至少包括实时的电流数据、电压数据以及极柱的温度数据；利用电流数据、电压数据、温度数据以及储能系统的充放电滞回特性进行储能系统的等效模型建立，确定储能系统的高频等效模型以及中低频等效模型；分别对高频等效模型以及中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定k时刻高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果；根据第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻储能系统的目标SOC估算结果。通过上述方式，可以融合高频等效模型以及中低频等效模型的SOC估算结果，得到储能系统的目标SOC估算结果，有效减少由于频段对SOC估算结果的影响，提高SOC估算准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为本发明实施例中一种储能系统的SOC估算方法的流程图；
图2为本发明实施例中的实验测试电流和开路电压信号波形图；
图3为本发明实施例中的高频等效电路模型；
图4为本发明实施例中的中低频等效电路模型；
图5为本发明实施例中的储能系统充电和放电存在滞回特性图；
图6为本发明实施例中的中低频等效电路交互模型参数辨识结果；
图7为本发明实施例中的高频等效电路交互模型参数辨识结果；
图8为本发明实施例中的中低频等效电路交互模型采用UKF滤波SOC估算图及误差图；
图9为本发明实施例中的高频等效电路交互模型采用UKF滤波SOC估算图及误差图；
图10为本发明实施例中一种储能系统的SOC估算方法的另一流程图
图11为本发明实施例中的IMM-UKF系统框图；
图12为本发明实施例中的采用IMM-UKF电池SOC图及误差图；
图13为本发明实施例中一种储能系统的SOC估算装置的结构框图；
图14为本发明实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例中一种储能系统的SOC估算方法的流程图，如图1所示方法包括如下步骤：
101、获取所述储能系统的实际运行参数，所述实际运行参数至少包括实时的电流数据、电压数据以及极柱的温度数据；
102、利用所述电流数据、电压数据、温度数据以及所述储能系统的充放电滞回特性进行储能系统的等效模型建立，确定所述储能系统的高频等效模型以及中低频等效模型；
需要说明的是，本申请所示的储能系统的SOC估算方法是为了进行储能系统的实时SOC计算，以便动态掌握储能系统的SOC状态。首先，为了计算储能系统的SOC，需要建立储能系统的等效模型，本申请根据不同的频段为储能系统建立两个等效电路的交互模型，以提高建模的准确度。具体的，获取储能系统的实际运行参数，该实际运行参数用于反映储能电池的实际运行时的情况，实际运行参数至少包括实时的电流数据、电压数据以及极柱的温度数据，并利用上述电流数据、电压数据以及极柱的温度数据结合储能系统的充放电滞回特性进行储能系统的等效模型建立，确定储能系统的高频等效模型以及中低频等效模型，其中，储能系统可以为储能电池等。其中，电流数据、电压数据以及极柱的温度数据均可以通过对应的传感器设备进行数据采集。
示例性的，可以通过电压、电流采集设备采集储能电池的电压和电流，通过温度传感器采集储能电池的极柱温度。
以某型号，额定容量为660Ah的铅炭电池为实验对象进行举例说明，其电池额定电压均为2V，放电截止电压为1.8V，最大充电电流为300A。采用0.1C放电，放电电流为66A，每次放电5％SOC后静置10min，采用蓝电电池测试系统测试电池并采集充放电电压、电流数据，采用DS18B20粘贴式温度传感器进行温度测量。进一步的，所采集到的电流和开路电压信号波形如图2所示，图2为本发明实施例中的实验测试电流和开路电压信号波形图。
进一步的，依据采集到的储能电池电压、电流波动频率以及电池充放电会存在滞回特性分别建立储能电池考虑滞回特性的高频等效电路交互模型和考虑滞回特性的中低频等效电路交互模型，其中，高频等效电路交互模型也即高频等效模型，中低频等效电路交互模型也即中低频等效模型，请参阅图3以及图4。
其中，图3为本发明实施例中的高频等效电路模型，图3的考虑滞回特性的高频等效电路交互模型是由电池平衡电势EMF和滞回电压UH组成电压源来代替电池的开路电压UOCV(SOC，H，T)，由电阻R0代替储能电池的欧姆内阻，由电感L来代替等效电路的高频部分，由电阻R1和电容C1并联来代替等效电路的其他部分。在考虑滞回特性的高频等效电路交互模型中其开路电压可以表示为：
UOCV(SOC,H,T)＝IR0+UL+U1+U0
式中，开路电压UOCV(SOC，H，T)可以表示为：
UOCV(SOC,H,T)＝EMF+UH
式中，滞回电压UH和平衡电势EMF计算公式如下：
Figure BDA0003984743100000061
式中，η取值为0.5～1，Ucharge为充电时电池的平衡态端电压，Udischarge为放电时电池的平衡态端电压。
示例性的，可参阅图5，图5为本发明实施例中的储能系统充电和放电存在滞回特性图，图5中示出了充放电滞回电压曲线。
其中，图4为本发明实施例中的中低频等效电路模型，图4的考虑滞回特性的中低频等效电路交互模型由电池平衡电势EMF和滞回电压UH组成电压源来代替电池的开路电压UOCV(SOC，H，T)，由电阻R0代替储能电池的欧姆内阻，由二阶RC电路来代替等效电路的中低频部分。在考虑滞回特性的中低频等效电路交互模型中其开路电压可以表示为：
UOCV(SOC,H,T)＝IR0+U1+U2+U0
式中，开路电压UOCV(SOC，H，T)可以表示为：
UOCV(SOC,H,T)＝EMF+UH
其中，基于考虑滞回特性的中低频等效电路交互模型可以建立离散的状态空间方程为：
Figure BDA0003984743100000071
τ1＝R1C1
τ2＝R2C2
Figure BDA0003984743100000072
需要说明的是，上述仅作为示例说明某一型号的电池的高频等效模型以及低频等效模型的一种可能的建立过程，并不对本申请造成限定。在实际情况中，可以对不同型号的电池进行上述高频等效模型以及低频等效模型的建立。
103、分别对所述高频等效模型以及中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定k时刻所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果；
需要说明的是，建立高频等效模型以及中低频等效模型之后，需要进行SOC估算处理，具体的，本申请首先对两个模型分别进行了SOC估算。具体的，通过无迹卡尔曼滤波(Unscented Kalman Filter,UKF)分别对所述高频等效模型以及中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定k时刻所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果。其中，第一SOC估算结果是无迹卡尔曼滤波后高频等效模型的k时刻的SOC估算结果，第二SOC估算结果是无迹卡尔曼滤波后中低频等效模型的k时刻的SOC估算结果。其中，无迹卡尔曼滤波是无迹变换(UT)和标准Kalman滤波体系的结合，通过无迹变换使非线性系统方程适用于线性假设下的标准Kalman滤波体系。
在一种可行实现方式中，步骤103包括步骤A1-A2：
A1、采用遗忘因子递推最小二乘，分别对所述高频等效模型以及所述中低频等效模型进行实时参数辨识，确定所述高频等效模型的第一模型参数以及所述中低频等效模型的第二模型参数；
首先，利用采集到的电压、电流、温度数据对建立的考虑滞回特性的高频等效电路交互模型、考虑滞回特性的中低频等效电路交互模型采用遗忘因子递推最小二乘(FFRLS)进行实时参数辨识，确定所述高频等效模型的第一模型参数以及所述中低频等效模型的第二模型参数。
示例性的，进行实时参数辨识的辨识算法可以参考下述数学表达式：
Figure BDA0003984743100000081
式中，λ为遗忘因子，在储能电池中一般取0.95-1，θk+1为当前时刻k+1的参数辨识结果，θk为参数辨识的输入，
Figure BDA0003984743100000083
为当前时刻k+1储能系统的观测值，y(k+1)为当前时刻k+1储能系统的真实反馈值，K(k+1)为当前时刻k+1储能系统的增益，P(k+1)为当前时刻k+1储能系统协方差矩阵，E为单位矩阵。θk+1、K(k+1)以及P(k+1)均可看做参数辨识结果。
示例性的，请参阅6，图6为本发明实施例中的中低频等效电路交互模型参数辨识结果，图6的中低频等效电路交互模型辨识出来的第二模型参数为：电阻R0在0.05-0.055Ω间波动，电阻R1在0.055-0.065Ω间波动，电阻R2在0.11-0.12Ω间波动，电容C1在1.8-2.0F间波动，电容C2在4.5-5F间波动。
请参阅7，图7为本发明实施例中的高频等效电路交互模型参数辨识结果，图7中高频等效电路交互模型辨识出来的第一模型参数为：电阻R0在0.01-0.015Ω间波动，电阻R1在0.001-0.0012Ω间波动，电感L在0.01-0.015H间波动，电容C1在40-45F间波动。
A2、利用所述第一模型参数以及所述第二模型参数进行无迹卡尔曼滤波的SOC估算处理，确定所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果。
进一步的，确定高频等效模型的第一模型参数以及中低频等效模型的第二模型参数之后，便可以估算两个模型各自的SOC。利用所述第一模型参数以及所述第二模型参数进行无迹卡尔曼滤波的SOC估算处理，确定所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果。
示例性的，步骤A2具体为将A1中辨识出来的模型参数，采用UKF滤波对考虑滞回特性的高频等效电路交互模型、考虑滞回特性的中低频等效电路交互模型进行SOC估算，也即利用第一模型参数对高频等效模型进行下述滤波过程，利用第二模型参数对高频等效模型进行下述滤波过程。具体滤波步骤为：
首先，通过上述辨识出的模型参数确定系统的状态方程和观测方程，其中，系统的状态方程和观测方程可以参考下式：
Figure BDA0003984743100000082
式中，Xk为k时刻的储能系统的状态向量，Zk为k时刻的储能系统的观测向量，可以均可以通过辨识出来的电阻、电容、电压等等模型参数得到。
第一步：初始化设置状态量及协方差矩阵。
Figure BDA0003984743100000091
式中，
Figure BDA0003984743100000092
为k＝0时的等效模型的初始状态向量X0求期望后的初始状态向量，其中，等效模型为高频等效模型或者中低频等效模型，E[]代表求X0期望。P0为初始协方差矩阵，T代表矩阵的转置。
第二步：利用
Figure BDA0003984743100000093
和Pk-1计算k-1时刻的2n+1个σ点，即为sigma采样本。
Figure BDA0003984743100000094
式中：
Figure BDA0003984743100000095
表示矩阵
Figure BDA0003984743100000096
的第i列，其总长度为n，
Figure BDA0003984743100000097
表示矩阵
Figure BDA0003984743100000098
的第i-n列，其总长度为2n。
第三步：基于第二步的采样点计算k时刻
Figure BDA0003984743100000099
和Pk/k-1的一步预测模型值，完成
Figure BDA00039847431000000910
和Pk/k-1的更新过程。
Figure BDA00039847431000000911
Figure BDA00039847431000000912
式中：Qk-1为噪声方差矩阵；
Figure BDA00039847431000000913
为期望的权值，
Figure BDA00039847431000000914
为方差的权值。
第四步：利用
Figure BDA00039847431000000915
和Pk/k-1计算k时刻2n+1个σ点的进一步预测。
Figure BDA00039847431000000916
第五步：通过加权第四步预测的σ点来计算均值和协方差矩阵。
Figure BDA00039847431000000917
Figure BDA0003984743100000101
第六步：计算UKF增益矩阵。
Figure BDA0003984743100000102
第七步：最后进行电池的状态更新和估计协方差更新。
Figure BDA0003984743100000103
式中，
Figure BDA0003984743100000104
为k时刻的SOC估算结果，在通过上述方式对高频等效模型进行无迹卡尔曼滤波时，
Figure BDA0003984743100000105
就可以代表k时刻的第一SOC估算结果，在通过上述方式对中低频等效模型进行无迹卡尔曼滤波时，
Figure BDA0003984743100000106
就可以代表k时刻的第二SOC估算结果，在此不作限定，Pk即为
Figure BDA0003984743100000107
的协方差。其中，Xk为k时刻的状态向量，
Figure BDA0003984743100000108
为滤波后的k时刻的状态向量，Xk是包括SOC状态以及电压状态的状态矩阵。
示例性的，中低频等效电路交互模型采用第二模型参数和测试得到的电压电流，采用UKF进行SOC估算得到的波形图和SOC估算误差如图8所示，图8为本发明实施例中的中低频等效电路交互模型采用UKF滤波SOC估算图及误差图，从图8的误差图可以看出采样中低频等效电路交互模型的误差小于安时积分法的误差。
其中，高频等效电路交互模型采用第一模型参数和测试得到的电压电流，采用UKF进行SOC估算得到的波形图和SOC估算误差如图9所示，图9为本发明实施例中的高频等效电路交互模型采用UKF滤波SOC估算图及误差图，从图9中可以看出采用高频等效电路交互模型估算的SOC比安时积分法估算的SOC更加精确，从误差图中可以看出安时积分法的估算误差在不断增加。
104、根据所述第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻所述储能系统的目标SOC估算结果。
最后，通过高频等效模型的k时刻的第一SOC估算结果以及中低频等效模型的k时刻的第二SOC估算结果进行融合，便可以得到k+1时刻所述储能系统的目标SOC估算结果，具体的，根据所述第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻所述储能系统的目标SOC估算结果。其中，通过上述方式，便可以实时的通过两个等效模型的估算SOC进行融合，实现对储能系统SOC的实时计算。进一步的，交互式多模型(Interacting Multiple Model，IMM)得控制算法的主体思想是基于贝叶斯理论而提出的模型间的自动识别与切换：在任意跟踪时刻，通过设置对应目标可能模型数量的模型滤波器来进行实时的机动模型检测，对每一个滤波器设置权重系数和模型更新的概率，最后加权计算得出当前最优估计状态，从而达到模型自适应跟踪的目的。因此，通过上述交互式多模型(IMM)对两个交互模型进行融合计算储能电池的实时SOC，计算的准确度更高，更好延长电池使用寿命以及更好的维护电网安全稳定运行。
本发明提供一种储能系统的SOC估算方法，方法包括：获取储能系统的实际运行参数，实际运行参数至少包括实时的电流数据、电压数据以及极柱的温度数据；利用电流数据、电压数据、温度数据以及储能系统的充放电滞回特性进行储能系统的等效模型建立，确定储能系统的高频等效模型以及中低频等效模型；分别对高频等效模型以及中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定k时刻高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果；根据第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻储能系统的目标SOC估算结果。通过上述方式，可以融合高频等效模型以及中低频等效模型的SOC估算结果，得到储能系统的目标SOC估算结果，有效减少由于频段对SOC估算结果的影响，提高SOC估算准确度。
请参阅图10，图10为本发明实施例中一种储能系统的SOC估算方法的另一流程图，如图10所示方法包括如下步骤：
1001、获取所述储能系统的实际运行参数，所述实际运行参数至少包括实时的电流数据、电压数据以及极柱的温度数据；
1002、利用所述电流数据、电压数据、温度数据以及所述储能系统的充放电滞回特性进行储能系统的等效模型建立，确定所述储能系统的高频等效模型以及中低频等效模型；
1003、分别对所述高频等效模型以及中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定k时刻所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果；
需要说明的是，步骤1001-1003与图1所示的步骤101-103的内容相似，为避免重复此处不作赘述，具体可参阅前述图1所示的步骤101-103的内容。
需要说明的是，交互式多模型包括输入交互模型以及输出交互模型，通过输入交互模型以及输出交互模型对上述k时刻的第一SOC估算结果、第二SOC估算结果进行融合交互，最终得到k+1时刻所述储能系统的目标SOC估算结果。
进而，根据所述第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻所述储能系统的目标SOC估算结果可以包括输入交互模型的处理过程以及输出交互模型的处理过程，继而可以包括步骤1004-1006，具体参考以下内容。
1004、将所述第一SOC估算结果以及第二SOC估算结果输入所述输入交互模型，确定所述输入交互模型的输入交互结果，所述输入交互结果至少包括所述高频等效模型k时刻的第一模型概率、输入交互后的第三SOC估算结果、所述中低频等效模型k时刻的第二模型概率、输入交互后的第四SOC估算结果；
首先，通过输入交互模型将k时刻的高频等效模型的第一SOC估算结果以及k时刻的中低频等效模型的第二SOC估算结果进行输入交互，得到输入交互结果。其中，输入交互模型是分别对第一SOC估算结果以及第二SOC估算结果进行再次的更新，得到输入交互后的k时刻的高频等效模型的第三SOC估算结果以及输入交互后的k时刻的中低频等效模型的第四SOC估算结果。具体的，将所述第一SOC估算结果以及第二SOC估算结果输入所述输入交互模型，确定所述输入交互模型的输入交互结果，所述输入交互结果至少包括所述高频等效模型k时刻的第一模型概率、输入交互后的第三SOC估算结果、所述中低频等效模型k时刻的第二模型概率、输入交互后的第四SOC估算结果。其中，模型概率也即k时刻储能系统所处于的等效模型的概率。
示例性的，输入交互模型包括如下数学表达式：
Figure BDA0003984743100000121
Figure BDA0003984743100000122
Figure BDA0003984743100000123
Figure BDA0003984743100000124
式中，
Figure BDA0003984743100000125
为等效模型j输入交互后的k时刻的SOC估算结果，
Figure BDA0003984743100000126
为等效模型j的k时刻的SOC估算结果；
Figure BDA0003984743100000127
为k时刻等效模型l的模型概率，
Figure BDA0003984743100000128
为k时刻等效模型j的模型概率，m为等效模型的总数，n∈N，N为k时刻的状态点x的总数，n为状态点标识，πlj为模型j切换到模型l的概率，
Figure BDA0003984743100000129
为模型j输入交互后的k时刻的SOC估算结果的协方差，
Figure BDA00039847431000001218
为等效模型l的k时刻的SOC估算结果，
Figure BDA00039847431000001210
为模型l输入交互后的k时刻的SOC估算结果的协方差。
1005、利用所述电流数据、电压数据、温度数据、第三SOC估算结果以及第四SOC估算结果，得到预测的k+1时刻的高频等效模型的第五SOC估算结果、所述中低频等效模型的第六SOC估算结果、k+1时刻残差以及k+1时刻残差协方差；
进一步的，利用所述电流数据、电压数据、温度数据、第三SOC估算结果以及第四SOC估算结果，得到预测的k+1时刻的高频等效模型的第五SOC估算结果、所述中低频等效模型的第六SOC估算结果、k+1时刻残差以及k+1时刻残差协方差，具体的，对于等效模型j＝1，…m以储能电池的电压、电流、极柱温度、第三SOC估算结果以及第四SOC估算结果
Figure BDA00039847431000001211
以及协方差
Figure BDA00039847431000001212
作为输入进行UKF滤波，利用周期k的
Figure BDA00039847431000001213
和
Figure BDA00039847431000001214
得到下一周期k+1的状态及其协方差的估计量
Figure BDA00039847431000001215
和
Figure BDA00039847431000001216
残差及其协方差为
Figure BDA00039847431000001217
Figure BDA0003984743100000131
1006、根据所述第五SOC估算结果、第六SOC估算结果、第一模型概率、第二模型概率、k+1时刻残差以及k+1时刻残差协方差，得到k+1时刻所述储能系统的目标SOC估算结果。
需要说明的是，得到k+1时刻的SOC估算结果之后，便可以根据所述第五SOC估算结果、第六SOC估算结果、第一模型概率、第二模型概率、k+1时刻残差以及k+1时刻残差协方差，得到k+1时刻所述储能系统的目标SOC估算结果。其中，交互式多模型还包括输出交互模型，则步骤1006包括B1-B4：
B1、利用所述k+1时刻残差以及k+1时刻残差协方差，确定k+1时刻所述高频等效模型的第一似然函数以及中低频等效模型的第二似然函数；
通过得到的k+1时刻残差以及k+1时刻残差协方差，可以得到等效模型各自的k+1时刻的似然函数，其中，第一似然函数为高频等效模型k+1时刻的似然函数，第二似然函数为中低频等效模型k+1时刻的似然函数。
示例性的，似然函数包括如下数学表达式：
第j个模型的似然函数可以表示为：
Figure BDA0003984743100000132
式中，N[·]表示服从高斯分布的密度函数，
Figure BDA0003984743100000133
为k+1时刻残差，
Figure BDA0003984743100000134
为k+1时刻残差协方差，
Figure BDA0003984743100000135
为等效模型j在k+1时刻的似然函数。
B2、根据所述第一似然函数以及第二似然函数、第一模型概率、第二模型概率、以及预设的混合概率算法，确定k+1时刻的模型混合概率；
B3利用所述第一模型概率、第二模型概率、第一似然函数、第二似然函数以及所述k+1时刻的模型混合概率，确定k+1时刻所述高频等效模型的第三模型概率以及所述中低频等效模型的第四模型概率；
进一步的，根据所述第一似然函数以及第二似然函数、第一模型概率、第二模型概率、以及预设的混合概率算法，确定k+1时刻的模型混合概率；利用所述第一模型概率、第二模型概率、第一似然函数、第二似然函数以及所述k+1时刻的模型混合概率，确定k+1时刻所述高频等效模型的第三模型概率以及所述中低频等效模型的第四模型概率。
其中，模型k+1时刻的的混合概率计算式如下：
Figure BDA0003984743100000136
Figure BDA0003984743100000137
式中，
Figure BDA0003984743100000138
为k+1时刻等效模型j的模型概率，Cn(k+1)为k+1时刻混合概率。
B4、根据第五SOC估算结果、第六SOC估算结果、第三模型概率、第四模型概率以及所述输出交互模型，确定k+1时刻所述储能系统的目标SOC估算结果。
进一步的，通过将k+1时刻的计算值输入输出交互模型进行融合得到k+1时刻的储能系统的目标SOC估算结果。也即根据第五SOC估算结果、第六SOC估算结果、第三模型概率、第四模型概率以及所述输出交互模型，确定k+1时刻所述储能系统的目标SOC估算结果。
示例性的，输出交互模型包括如下数学表达式：
Figure BDA0003984743100000141
Figure BDA0003984743100000142
式中，n∈N，N代表k+1时刻的状态点x的总数，n为状态点标识，m为等效模型总数，
Figure BDA0003984743100000143
以及Pn(k+1|k+1)为k+1时刻的输出交互结果，
Figure BDA0003984743100000144
代表k+1时刻储能系统的SOC估算结果，Pn(k+1|k+1)为k+1时刻储能系统的状态向量的协方差；
Figure BDA0003984743100000145
为等效模型j的k+1时刻的SOC估算结果，
Figure BDA0003984743100000146
为k+1时刻等效模型j的模型概率。
进一步的，步骤B4可以包括下述步骤C1-C2：
C1、将所述第五SOC估算结果、第六SOC估算结果、第三模型概率、第四模型概输入所述输出交互模型，确定k+1时刻的输出交互结果；
C2、利用所述k+1时刻的输出交互结果以及预设的SOC提取算法，确定所述k+1时刻所述储能系统的目标SOC估算结果。
需要说明的是，通过输出交互模型得到k+1时刻的输出交互结果，该k+1时刻的输出交互结果包括k+1时刻的状态变量以及协方差，需要从k+1时刻的状态变量提取SOC状态，故、利用所述k+1时刻的输出交互结果以及预设的SOC提取算法，确定所述k+1时刻所述储能系统的目标SOC估算结果。
示例性的，SOC提取算法包括：
Figure BDA0003984743100000147
式中，
Figure BDA0003984743100000148
为k+1时刻的输出交互结果中的状态向量，该状态向量是三参数矩阵，因此，通过[100]T这一矩阵与
Figure BDA0003984743100000149
进行矩阵运算，便可以得到输出交互结果中的目标SOC估算结果SOCksum
示例性的，可以参阅图11，图11为本发明实施例中的IMM-UKF系统框图，图11中以某一时刻距离说明了IMM模型的处理过程，其具体过程如下：
第一步：输入交互，即对模型条件初始化或者重新初始化，得出模型当前时刻各个UKF滤波器输入的状态向量和协方差矩阵。对于模型j，周期为k时：
Figure BDA00039847431000001410
Figure BDA00039847431000001411
Figure BDA0003984743100000151
Figure BDA0003984743100000152
式中，
Figure BDA0003984743100000153
为模型j输入交互后的k时刻的SOC估算结果，
Figure BDA0003984743100000154
为等效模型j的k时刻的SOC估算结果；
Figure BDA0003984743100000155
为k时刻等效模型l的模型概率，
Figure BDA0003984743100000156
为k时刻等效模型j的模型概率，m为等效模型的总数，n∈N，N为k时刻的状态点x的总数，n为状态点标识，πlj为模型j切换到模型l的概率，
Figure BDA0003984743100000157
为模型j输入交互后的k时刻的SOC估算结果的协方差，
Figure BDA0003984743100000158
为等效模型l的k时刻的SOC估算结果，
Figure BDA0003984743100000159
为模型l输入交互后的k时刻的SOC估算结果的协方差。
第二步：对于Step2中的模型j＝1，…N以储能电池的电压、电流、极柱温度、
Figure BDA00039847431000001510
以及
Figure BDA00039847431000001511
作为输入进行UKF滤波，利用周期k的
Figure BDA00039847431000001512
和
Figure BDA00039847431000001513
得到下一周期k+1的状态及其协方差的估计量
Figure BDA00039847431000001514
和
Figure BDA00039847431000001515
残差
Figure BDA00039847431000001516
及其协方差
Figure BDA00039847431000001517
第三步：模型概率更新：第j个模型的似然函数可以表示为：
Figure BDA00039847431000001518
式中，N[·]表示服从高斯分布的密度函数，
Figure BDA00039847431000001519
为k+1时刻残差，
Figure BDA00039847431000001520
为k+1时刻残差协方差，
Figure BDA00039847431000001521
为等效模型j在k+1时刻的似然函数。
模型k+1时刻的的混合概率计算式如下：
Figure BDA00039847431000001522
Figure BDA00039847431000001523
第四步：输出交互：将模型与其相应的概率进行融合，计算出k+1时刻的状态估计与协方差。
Figure BDA00039847431000001524
Figure BDA00039847431000001525
最后输出融合后的SOC：
Figure BDA00039847431000001526
本实施例中，通过采用IMM对中低频等效电路交互模型和高频等效电路交互模型的协方差矩阵、模型概率及状态方程进行交互，最终计算出更为精确的电池SOC估计值及其误差，如图12所示，图12为本发明实施例中的采用IMM-UKF电池SOC图及误差图，从图12的IMM滤波误差图可以看出采用IMM滤波进行电池SOC估算误差最小，趋于0.001以内，估算效果远优于单独的滤波估算模型。
本发明提供一种储能系统的SOC估算方法，具有如下有益效果：本发明提供一种基于IMM-UKF储能电池不同频段的SOC估算方法，其首先针对储能电池工作的频率分别进行高频等效电路和中低频等效电路建模，输入电压、电流和温度数据后采用UKF进行高频等效电路和中低频等效电路SOC估算，再通过交互式多模型算法计算融合后的SOC，结果使得SOC估算更精确，更好延长电池使用寿命以及更好的维护电网安全稳定运行。本发明在建立交互模型时考虑了开路电压的滞回特性、储能电池的在电力系统中因为电力电子设备产生高频波动，以及在建立交互模型时采用考虑滞回特性的高频等效电路交互模型和考虑滞回特性的中低频等效电路交互模型使得模型更加简单，单个模型SOC估算计算量和计算时间较考虑高频和低频混合为一个模型大大降低；采用IMM进行SOC融合，使得融合后的SOC更加精确
请参阅图13，图13为本发明实施例中一种储能系统的SOC估算装置的结构框图，如图13所示装置包括：
数据采集模块1301：用于获取所述储能系统的实际运行参数，所述实际运行参数至少包括实时的电流数据、电压数据以及极柱的温度数据；
模型确定模块1302：用于利用所述电流数据、电压数据、温度数据以及所述储能系统的充放电滞回特性进行储能系统的等效模型建立处理，确定所述储能系统的高频等效模型以及中低频等效模型；
SOC估算模块1303：用于分别对所述高频等效模型以及中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定k时刻所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果；
结果融合模块1304：用于根据所述第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻所述储能系统的目标SOC估算结果。
需要说明的是，图13所示装置中各个模块的作用与图1所示方法中各个步骤的内容相似，为避免重复此处不作赘述，具体可参考图1所示方法中各个步骤的内容。
本发明提供一种储能系统的SOC估算方法，方法包括：数据采集模块：用于获取储能系统的实际运行参数，实际运行参数至少包括实时的电流数据、电压数据以及极柱的温度数据；模型确定模块：用于利用电流数据、电压数据、温度数据以及储能系统的充放电滞回特性进行储能系统的等效模型建立处理，确定储能系统的高频等效模型以及中低频等效模型；SOC估算模块：用于分别对高频等效模型以及中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定k时刻高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果；结果融合模块：用于根据第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻储能系统的目标SOC估算结果。通过上述方式，可以融合高频等效模型以及中低频等效模型的SOC估算结果，得到储能系统的目标SOC估算结果，有效减少由于频段对SOC估算结果的影响，提高SOC估算准确度。
图14示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图14所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行上述方法。本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如图1或图10所示方法的步骤。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如图1或图10所示方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种储能系统的SOC估算方法，其特征在于，所述方法包括：
获取所述储能系统的实际运行参数，所述实际运行参数至少包括实时的电流数据、电压数据以及极柱的温度数据；
利用所述电流数据、电压数据、温度数据以及所述储能系统的充放电滞回特性进行储能系统的等效模型建立，确定所述储能系统的高频等效模型以及中低频等效模型；
分别对所述高频等效模型以及中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定k时刻所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果；
根据所述第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻所述储能系统的目标SOC估算结果。
2.根据权利要求1所述方法，其特征在于，所述交互式多模型包括输入交互模型，则所述根据所述第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻所述储能系统的目标SOC估算结果，包括：
将所述第一SOC估算结果以及第二SOC估算结果输入所述输入交互模型，确定所述输入交互模型的输入交互结果，所述输入交互结果至少包括所述高频等效模型k时刻的第一模型概率、输入交互后的第三SOC估算结果、所述中低频等效模型k时刻的第二模型概率、输入交互后的第四SOC估算结果；
利用所述电流数据、电压数据、温度数据、第三SOC估算结果以及第四SOC估算结果，得到预测的k+1时刻的高频等效模型的第五SOC估算结果、所述中低频等效模型的第六SOC估算结果、k+1时刻残差以及k+1时刻残差协方差；
根据所述第五SOC估算结果、第六SOC估算结果、第一模型概率、第二模型概率、k+1时刻残差以及k+1时刻残差协方差，得到k+1时刻所述储能系统的目标SOC估算结果。
3.根据权利要求2所述方法，其特征在于，所述交互式多模型还包括输出交互模型，则所述根据所述第五SOC估算结果、第六SOC估算结果、第一模型概率、第二模型概率、k+1时刻残差以及k+1时刻残差协方差，得到k+1时刻所述储能系统的目标SOC估算结，包括：
利用所述k+1时刻残差以及k+1时刻残差协方差，确定k+1时刻所述高频等效模型的第一似然函数以及中低频等效模型的第二似然函数；
根据所述第一似然函数以及第二似然函数、第一模型概率、第二模型概率、以及预设的混合概率算法，确定k+1时刻的模型混合概率；
利用所述第一模型概率、第二模型概率、第一似然函数、第二似然函数以及所述k+1时刻的模型混合概率，确定k+1时刻所述高频等效模型的第三模型概率以及所述中低频等效模型的第四模型概率；
根据第五SOC估算结果、第六SOC估算结果、第三模型概率、第四模型概率以及所述输出交互模型，确定k+1时刻所述储能系统的目标SOC估算结果。
4.根据权利要求3所述方法，其特征在于，所述根据第五SOC估算结果、第六SOC估算结果、第三模型概率、第四模型概率以及所述输出交互模型，确定k+1时刻所述储能系统的目标SOC估算结果，包括：
将所述第五SOC估算结果、第六SOC估算结果、第三模型概率、第四模型概输入所述输出交互模型，确定k+1时刻的输出交互结果；
利用所述k+1时刻的输出交互结果以及预设的SOC提取算法，确定所述k+1时刻所述储能系统的目标SOC估算结果。
5.根据权利要求1所述方法，其特征在于，所述分别对所述高频等效模型以及所述中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果，包括：
采用遗忘因子递推最小二乘，分别对所述高频等效模型以及所述中低频等效模型进行实时参数辨识，确定所述高频等效模型的第一模型参数以及所述中低频等效模型的第二模型参数；
利用所述第一模型参数以及所述第二模型参数进行无迹卡尔曼滤波的SOC估算处理，确定所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果。
6.根据权利要求2所述方法，其特征在于，所述输入交互模型包括如下数学表达式：
Figure FDA0003984743090000021
Figure FDA0003984743090000022
Figure FDA0003984743090000023
Figure FDA0003984743090000024
式中，
Figure FDA0003984743090000025
为模型j输入交互后的k时刻的SOC估算结果，
Figure FDA0003984743090000026
为等效模型j的k时刻的SOC估算结果；
Figure FDA0003984743090000027
为k时刻等效模型l的模型概率，
Figure FDA0003984743090000028
为k时刻等效模型j的模型概率，m为等效模型的总数，n∈N，N为k时刻的状态点x的总数，n为状态点标识，πlj为模型j切换到模型l的概率，
Figure FDA0003984743090000029
Figure FDA00039847430900000210
为模型j输入交互后的k时刻的SOC估算结果的协方差，
Figure FDA00039847430900000211
为等效模型l的k时刻的SOC估算结果，Pl n(k|k)为模型l输入交互后的k时刻的SOC估算结果的协方差。
7.根据权利要求3所述方法，其特征在于，所述输出交互模型包括如下数学表达式：
Figure FDA0003984743090000031
Figure FDA0003984743090000032
式中，n∈N，N代表k+1时刻的状态点x的总数，n为状态点标识，m为等效模型总数，
Figure FDA0003984743090000033
以及Pn(k+1|k+1)为k+1时刻的输出交互结果，
Figure FDA0003984743090000034
代表k+1时刻储能系统的SOC估算结果，Pn(k+1|k+1)为k+1时刻储能系统的状态向量的协方差；
Figure FDA0003984743090000035
为等效模型j的k+1时刻的SOC估算结果，uj n(k+1)为k+1时刻等效模型j的模型概率。
8.一种储能系统的SOC估算装置，其特征在于，所述装置包括：
数据采集模块：用于获取所述储能系统的实际运行参数，所述实际运行参数至少包括实时的电流数据、电压数据以及极柱的温度数据；
模型确定模块：用于利用所述电流数据、电压数据、温度数据以及所述储能系统的充放电滞回特性进行储能系统的等效模型建立处理，确定所述储能系统的高频等效模型以及中低频等效模型；
SOC估算模块：用于分别对所述高频等效模型以及中低频等效模型进行无迹卡尔曼滤波的SOC估算处理，确定k时刻所述高频等效模型的第一SOC估算结果以及中低频等效模型的第二SOC估算结果；
结果融合模块：用于根据所述第一SOC估算结果、第二SOC估算结果以及预设的交互式多模型进行SOC融合处理，得到k+1时刻所述储能系统的目标SOC估算结果。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
CN202211561106.XA 2022-12-07 2022-12-07 储能系统的soc估算方法及装置、设备及存储介质 Pending CN115754741A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211561106.XA CN115754741A (zh) 2022-12-07 2022-12-07 储能系统的soc估算方法及装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211561106.XA CN115754741A (zh) 2022-12-07 2022-12-07 储能系统的soc估算方法及装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115754741A true CN115754741A (zh) 2023-03-07

Family

ID=85343899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211561106.XA Pending CN115754741A (zh) 2022-12-07 2022-12-07 储能系统的soc估算方法及装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115754741A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116224087A (zh) * 2023-05-10 2023-06-06 江苏阿诗特能源科技有限公司 一种电池储能系统及其soc估算方法和装置
CN116643178A (zh) * 2023-07-27 2023-08-25 深圳凌奈智控有限公司 一种电池管理系统的soc估算方法及相关装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116224087A (zh) * 2023-05-10 2023-06-06 江苏阿诗特能源科技有限公司 一种电池储能系统及其soc估算方法和装置
CN116224087B (zh) * 2023-05-10 2023-08-08 江苏阿诗特能源科技有限公司 一种电池储能系统及其soc估算方法和装置
CN116643178A (zh) * 2023-07-27 2023-08-25 深圳凌奈智控有限公司 一种电池管理系统的soc估算方法及相关装置
CN116643178B (zh) * 2023-07-27 2023-09-22 深圳凌奈智控有限公司 一种电池管理系统的soc估算方法及相关装置

Similar Documents

Publication Publication Date Title
JP6789240B2 (ja) リチウム硫黄電池の健康状態および充電状態を決定するための方法および装置
Huang et al. Robustness evaluation of extended and unscented Kalman filter for battery state of charge estimation
Zhang et al. State-of-charge estimation of lithium-ion battery pack by using an adaptive extended Kalman filter for electric vehicles
Li et al. Enhanced online model identification and state of charge estimation for lithium-ion battery under noise corrupted measurements by bias compensation recursive least squares
Lee et al. Li-ion battery SOC estimation method based on the reduced order extended Kalman filtering
CN111060834A (zh) 一种动力电池健康状态估算方法
CN115754741A (zh) 储能系统的soc估算方法及装置、设备及存储介质
CN108089135B (zh) 一种基于极限学习模型的电池状态预测系统及其实现方法
CN102472800B (zh) 电化学蓄电池的标定方法
CN112269133B (zh) 一种基于预充电路模型参数识别的soc估计方法
CN109633470B (zh) 基于ekf-gpr和日常片段数据的电池实时全充时间的估算方法
CN113777510A (zh) 一种锂电池荷电状态估计方法及装置
CN108872865B (zh) 一种防滤波发散的锂电池soc估算方法
CN115935206A (zh) 储能系统的soc估算方法及装置、设备及存储介质
Takyi-Aninakwa et al. Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties
CN114114038A (zh) 一种全寿命全温度下锂电池soc及可用容量联合估计方法
CN113466725B (zh) 确定电池荷电状态的方法及装置，存储介质及电子设备
Ren et al. Novel strategy based on improved Kalman filter algorithm for state of health evaluation of hybrid electric vehicles Li-ion batteries during short-and longer term operating conditions
CN112946481A (zh) 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统
CN113608126A (zh) 一种不同温度下的锂电池soc在线预估方法
CN113625182A (zh) 一种对电池状态进行在线估计的方法
CN113125969B (zh) 基于aukf的电池数据处理方法、设备和介质
CN116718920A (zh) 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法
CN113030741B (zh) 基于aukf的电池模型参数和soc估算方法、设备和介质
CN114089193A (zh) 电池的温度和负极电位在线估计方法、装置和计算机设备

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