CN116842464A - 一种电池系统soc估计方法 - Google Patents
一种电池系统soc估计方法 Download PDFInfo
- Publication number
- CN116842464A CN116842464A CN202310571362.5A CN202310571362A CN116842464A CN 116842464 A CN116842464 A CN 116842464A CN 202310571362 A CN202310571362 A CN 202310571362A CN 116842464 A CN116842464 A CN 116842464A
- Authority
- CN
- China
- Prior art keywords
- soc
- value
- battery system
- data
- state
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000007599 discharging Methods 0.000 claims description 18
- 238000013450 outlier detection Methods 0.000 claims description 12
- 230000003247 decreasing effect Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000032683 aging Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000009533 lab test Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims 3
- 238000012935 Averaging Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种电池系统SOC估计方法，包括以下步骤：S1、针对同一类型电池系统获取历史数据，对数据集进行预处理；S2、根据电池系统不同状态划分为不同的数据子集，并分别进行特征构造，划分训练、测试数据；S3、对不同电池系统状态下的数据子集，分别构建基于XGBoost算法的SOC估计模型；S4、采集电池系统实时监测数据，对数据进行预处理；本发明基于电池系统不同状态下数据驱动多算法融合的SOC估计方法，能够准确估计出电池系统的SOC值，不需要进行频繁校准，不存在误差累计效应，提出一种融合递推平均滤波器与一阶滞后滤波器的平滑滤波策略，能够高效实现SOC的平滑控制，避免出现SOC跳变。
Description
技术领域
本发明属于电池系统领域，具体地说是一种电池系统SOC估计方法。
背景技术
近年来，电池技术取得了长足的进步，使得各种电池系统应用成为可能，其中包括电动汽车、飞行器、船舶、储能系统等。随着电池系统应用的普及，电池管理技术也变得越来越重要。其中，荷电状态(SOC,State of Charge)估计是电池管理技术中的一项关键组成部分。SOC估计算法是用来估计电池剩余电量百分比(SOC)的算法。对电池系统SOC实时准确的估计具有十分重要的意义。首先，可以避免电池的过度充电或放电，提高电池寿命，降低电池成本；其次，可以更灵活地进行充电和放电，提高能源利用率；再次，基于准确的SOC估计可以应用于其他电池状态监测，从而更早发现系统故障，提高电池系统可靠性；最后，实时准确的SOC估计可以支持能量管理和控制，优化控制策略来更好的满足系统需求，提高系统运行效率，
目前，电池系统中常用的SOC估计算法主要有电流和电压基础算法、Ka lman滤波算法和神经网络算法，其中，电流和电压基础算法包括安时积分法和开路电压法，安时积分法通过对电池充电和放电过程中的电流进行积分来估计电池剩余电量，该方法能够在线估计电池电量并实时监测电池状态，开路电压法利用电池开路电压与电量之间的相关性来估计电池剩余电量，该方法估计误差较大，主流的Ka lman滤波算法在实际应用中的精度通常低于实验室环境下的精度，神经网络算法在算法复杂度和计算量上有所不足，且无法有效解决误差传递带来的精度损失问题，现有的SOC估计算法还存在着鲁棒性差的问题。由于电池的工作环境和使用方式的差异，电池内部状态会发生变化，现有的SOC估计算法在面对这些变化时鲁棒性较差，容易出现较大误差！
综上，因此本发明提供了一种电池系统SOC估计方法，以解决上述问题。
发明内容
为了解决上述技术问题，本发明提供一种电池系统SOC估计方法，以解决现有技术中主流的Ka lman滤波算法在实际应用中的精度通常低于实验室环境下的精度，神经网络算法在算法复杂度和计算量上有所不足，且无法有效解决误差传递带来的精度损失问题，现有的SOC估计算法还存在着鲁棒性差的问题。由于电池的工作环境和使用方式的差异，电池内部状态会发生变化，现有的SOC估计算法在面对这些变化时鲁棒性较差，容易出现较大误差等问题。
一种电池系统SOC估计方法，包括以下步骤：
S1、针对同一类型电池系统获取历史数据，对数据集进行预处理；
S2、根据电池系统不同状态划分为不同的数据子集，并分别进行特征构造，划分训练、测试数据；
S3、对不同电池系统状态下的数据子集，分别构建基于XGBoost算法的SOC估计模型；
S4、采集电池系统实时监测数据，对数据进行预处理；
S5、对当前电池系统状态进行识别，不同状态加载不同模型，获取第一SOC估计值；
S6、辨识SOC线性模型参数，通过卡尔曼滤波器获取第二SOC估计值；
S7、对第二SOC估计值进行平滑滤波获取第四SOC估计值，输出第四SOC估计值为最终SOC估计结果；
S8、定期评估SOC估算精度是否发生漂移。
优选的，所述S1包括S101、S102和S103三个步骤，其中s101是加载来自实验室测试以及实际应用环境中测量得到的同一类型、同一型号不同老化状态电池系统的历史数据，主要包括电池系统外特性数据、电池系统状态数据、采集时间以及测量得到的SOC值，其中电池系统外特性数据包括电压、电流，电池系统状态数据包括充电状态、最高温度值、最低温度值、充放电倍率。
优选的，所述S102是对于数据中的缺失值，使用删除法进行处理，对于异常值，使用预设阈值和/或离群值检测算法进行识别，使用删除法进行处理；离群值检测算法：对于属性Xi的数据集合Xi＝{x1，x2，x3，...，xn}，计算其均值为μi，以及标准差σi，对于每个数据点xj，计算其与均值的差值：z＝(xj-μi)/σi，如果某个数据点的z值超过预设阈值Ti，则认为它是异常值。
优选的，所述S103使用Min-Max归一化方法，对于数据集中的每个属性Xi，将其映射到{0，1}之间的值，公式如下：X′i＝(Xi-min(Xi))/(max(Xi)-min(Xi))，其中min(Xi)和max(Xi)分别是数据集中属性的最小值和最大值。
优选的，所述S2包括S201、S202和S203三个步骤，其中s201是根据充电状态及电流数据可以将电池系统状态归为充电、放电、静置状态三类，当电池系统非充电且存在正向电流时，电池系统状态为放电状态，当电池系统非充电且电流值为零时，电池系统状态为静置状态，其余状态为充电状态，根据电池系统不同状态划分数据子集，s202是对每一个数据子集，以预处理后的特征作为基本特征，基于统计学方法及电化学原理构造衍生特征，包括动态历史电压、动态历史电流、动态历史消耗电量，对于预设窗口大小T，t时刻动态历史电压U′t＝(Ut+Ut-1+Ut-2+...+Ut-T+1)/T，t时刻动态历史电流I′t＝(It+It-1+It-2+...+It-T+1)/T，t时刻动态历史消耗电量Qt＝∑(Ii×Δti)，其中，i∈{t-T+1，t-T+2，...，t-1，t}，Ii表示第i个采样点的电流值，Δti表示第i个采样点与第i-1个采样点之间的时间差，∑表示对所有采样点的电流值与时间差进行求和，S203是对每一个数据子集，将数据子集中SOC数值范围划分为预设的若干个区间，采用分层随机采样的方法将数据集划分为训练集和测试集，保证训练集和测试集中各SOC区间的样本比例相同。
优选的，所述S3包括S301、S302、S303、S304和S305五个步骤，其中S301是构建初始化的XGBoost模型，S302是基于预设的参数范围，以平均绝对误差作为目标函数，使用网格搜索确定XGBoost模型的最佳参数组合，其中网格搜索是一种通过遍历给定参数空间中所有可能组合来优化模型性能的方法，S303是使用最佳参数组合训练模型，S304是在测试集上验证模型结果，若达到预设目标则进行下一步，否则分析原因并回到步骤s302重新预设参数范围，S305是保存最终训练好的模型参数。
优选的，所述S4包括S401、S402和S403三个步骤，其中S401是采集电池系统实时监测数据，主要包括电池系统外特性数据、电池系统状态数据以及采集时间，其中电池系统外特性数据包括电压、电流，电池系统状态数据包括充电状态、最高温度值、最低温度值、充放电倍率，S402是对数据中的缺失值进行插补，使用最邻近值插补法，在预设窗口内找出与缺失值样本最相似的样本来预测缺失值，对于异常值，使用预设阈值和/或离群值检测算法进行识别，使用插补方法进行处理，离群检测算法同步骤s102，插补方法使用最邻近值插补法，S402是对清洗后的数据进行归一化，归一化方法及每个属性的最小值和最大值同步骤S103。
优选的，所述S5包括S501和S502两个步骤，其中S501是使用步骤s201电池系统状态识别方法，对当前电池系统状态进行识别，S502是加载当前状态所对应的模型，以步骤s403处理后的数据作为输入，获取第一SOC估计值。
优选的，所述S6包括S601、S602和S602三个步骤，其中S601对于当前状态的电池数据，设计一种基于时间步的SOC线性估计模型，基于预设时间窗口内的历史数据，使用最小二乘法辨识SOC线型模型参数，线性估计模型为：SOC(t)＝SOC(t-1)+u，其中，SOC(t)表示电池在时间t时的荷电状态，u是常数，表示电池充电/放电速率，t是时间。当u＞0时表示电池系统处于充电状态，u＜0时表示电池系统处于放电状态，u＝0时表示电池系统处于静置状态，S602s602：用卡尔曼滤波算法进行预测和估算，把XGBoost模型的估计结果第一SOC作为预测值Zt，它与实际的系统状态值SOCt的关系可以用线性方程表示为：Zt＝SOCt+Vt，其中Vt表示一个非相关，零均值的高斯白噪声。在上面SOC线性估计模型的基础上对当前时刻状态的一步预测表示为：SOCt＝SOCt-1+u+Wt-1，其中Wt-1是非相关，零均值的高斯白噪声。
优选的，所述S7包括S701、S702和S702三个步骤，其中S701是根据预设窗口长度构建窗口递推平均滤波器，用公式表示为：其中，SOC′t是滤波器的输出，表示第t个时间步的平滑后的信号，SOCt是输入信号，表示第t个时间步的原始信号，n是预设窗口长度，窗口递推平均滤波器在每一时刻都将输入信号的最近n个样本的平均值作为输出信号，可以让噪声更平滑的消除，对第二SOC估计值进行窗口递推平均滤波得到第三SOC值，s702：构建一阶滞后滤波器，在上面滤波的基础上对数据进行平滑处理来减少噪声和高频的抖动，防止出现SOC跳变，一种具体的做法如下：对于ΔSOC＝SOCt-1-SOCt，其中SOCt-1为上一状态的SOC估计值，SOC′t为当前状态的第三SOC值，ΔSOC为上一状态的SOC估计值与当前状态的第三SOC估计值的差值，若ΔSOC大于等于第一阈值且当前状态电流为正值，则SOC呈下降趋势，且适当减缓滤波速度，若ΔSOC大于第二阈值且小于第一阈值且当前状态电流为正值，则SOC呈下降趋势，且适当加快滤波速度，若ΔSOC小于等于第二阈值且当前状态电流为正值，则SOC呈下降趋势，且适当减缓滤波速度，若ΔSOC小于等于第三阈值且当前状态电流为负值，则SOC呈上升趋势，且适当减缓滤波速度，若ΔSOC大于第三阈值且小于第四阈值且当前状态电流为负值，则SOC呈上升趋势，且适当加快滤波速度，若ΔSOC大于等于第四预设阈值且当前状态电流为负值，则SOC呈上升趋势，且适当减缓滤波速度，滤波后得到当前时刻的第四SOC估计值，s703：输出当前时刻的第四SOC估计值为当前状态的SOC估计值。
优选的，所述S8包括S801、S802和S802三个步骤，其中S801是在实际应用环境中，定期获取新测量数据，步骤S802：根据SOC估计值与测量得到的SOC值计算误差，S803：基于预设区间评估算法SOC估计精度是否漂移，若误差在预设误差区间内则结束，若误差超出预设误差区间则跳转至步骤S1。
与现有技术相比，本发明具有如下有益效果：
本发明基于电池系统不同状态下数据驱动多算法融合的SOC估计方法，能够准确估计出电池系统的SOC值，不需要进行频繁校准，不存在误差累计效应，提出一种优化的卡尔曼滤波器，能够简化计算复杂度，提高运算效率，基于实验室及实际应用环境数据，并定期进行维护更新，能够在实际环境中对电池系统状态作出更精准的估计，具有较强的鲁棒性，提出一种融合递推平均滤波器与一阶滞后滤波器的平滑滤波策略，能够高效实现SOC的平滑控制，避免出现SOC跳变。
附图说明
图1是本发明流程；
图2是本发明步骤分布示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
如图1-2所示，本发明提供一种电池系统SOC估计方法，包括以下步骤：
S1、针对同一类型电池系统获取历史数据，对数据集进行预处理；
S2、根据电池系统不同状态划分为不同的数据子集，并分别进行特征构造，划分训练、测试数据；
S3、对不同电池系统状态下的数据子集，分别构建基于XGBoost算法的SOC估计模型；
S4、采集电池系统实时监测数据，对数据进行预处理；
S5、对当前电池系统状态进行识别，不同状态加载不同模型，获取第一SOC估计值；
S6、辨识SOC线性模型参数，通过卡尔曼滤波器获取第二SOC估计值；
S7、对第二SOC估计值进行平滑滤波获取第四SOC估计值，输出第四SOC估计值为最终SOC估计结果；
S8、定期评估SOC估算精度是否发生漂移。
请参考图1-2，所述S1包括S101、S102和S103三个步骤，其中s101是加载来自实验室测试以及实际应用环境中测量得到的同一类型、同一型号不同老化状态电池系统的历史数据，主要包括电池系统外特性数据、电池系统状态数据、采集时间以及测量得到的SOC值，其中电池系统外特性数据包括电压、电流，电池系统状态数据包括充电状态、最高温度值、最低温度值、充放电倍率。
请参考图1-2，所述S102是对于数据中的缺失值，使用删除法进行处理，对于异常值，使用预设阈值和/或离群值检测算法进行识别，使用删除法进行处理；离群值检测算法：对于属性Xi的数据集合Xi＝{x1，x2，x3，...，xn}，计算其均值为μi，以及标准差σi，对于每个数据点xj，计算其与均值的差值：z＝(xj-μi)/σi，如果某个数据点的z值超过预设阈值Ti，则认为它是异常值。
请参考图1-2，所述S103使用Min-Max归一化方法，对于数据集中的每个属性Xi，将其映射到{0，1}之间的值，公式如下：X′i＝(Xi-min(Xi))/(max(Xi)-min(Xi))，其中min(Xi)和max(Xi)分别是数据集中属性的最小值和最大值。
请参考图1-2，所述S2包括S201、S202和S203三个步骤，其中s201是根据充电状态及电流数据可以将电池系统状态归为充电、放电、静置状态三类，当电池系统非充电且存在正向电流时，电池系统状态为放电状态，当电池系统非充电且电流值为零时，电池系统状态为静置状态，其余状态为充电状态，根据电池系统不同状态划分数据子集，s202是对每一个数据子集，以预处理后的特征作为基本特征，基于统计学方法及电化学原理构造衍生特征，包括动态历史电压、动态历史电流、动态历史消耗电量，对于预设窗口大小T，t时刻动态历史电压U′t＝(Ut+Ut-1+Ut-2+...+Ut-T+1)/T，t时刻动态历史电流I′t＝(It+It-1+It-2+...+It-T+1)/T，t时刻动态历史消耗电量Qt＝∑(Ii×Δti)，其中，i∈{t-T+1，t-T+2，...，t-1，t}，Ii表示第i个采样点的电流值，Δti表示第i个采样点与第i-1个采样点之间的时间差，∑表示对所有采样点的电流值与时间差进行求和，S203是对每一个数据子集，将数据子集中SOC数值范围划分为预设的若干个区间，采用分层随机采样的方法将数据集划分为训练集和测试集，保证训练集和测试集中各SOC区间的样本比例相同。
请参考图1-2，所述S3包括S301、S302、S303、S304和S305五个步骤，其中S301是构建初始化的XGBoost模型，S302是基于预设的参数范围，以平均绝对误差作为目标函数，使用网格搜索确定XGBoost模型的最佳参数组合，其中网格搜索是一种通过遍历给定参数空间中所有可能组合来优化模型性能的方法，S303是使用最佳参数组合训练模型，S304是在测试集上验证模型结果，若达到预设目标则进行下一步，否则分析原因并回到步骤s302重新预设参数范围，S305是保存最终训练好的模型参数。
请参考图1-2，所述S4包括S401、S402和S403三个步骤，其中S401是采集电池系统实时监测数据，主要包括电池系统外特性数据、电池系统状态数据以及采集时间，其中电池系统外特性数据包括电压、电流，电池系统状态数据包括充电状态、最高温度值、最低温度值、充放电倍率，S402是对数据中的缺失值进行插补，使用最邻近值插补法，在预设窗口内找出与缺失值样本最相似的样本来预测缺失值，对于异常值，使用预设阈值和/或离群值检测算法进行识别，使用插补方法进行处理，离群检测算法同步骤s102，插补方法使用最邻近值插补法，S402是对清洗后的数据进行归一化，归一化方法及每个属性的最小值和最大值同步骤S103。
请参考图1-2，所述S5包括S501和S502两个步骤，其中S501是使用步骤s201电池系统状态识别方法，对当前电池系统状态进行识别，S502是加载当前状态所对应的模型，以步骤s403处理后的数据作为输入，获取第一SOC估计值。
请参考图1-2，所述S6包括S601、S602和S602三个步骤，其中S601对于当前状态的电池数据，设计一种基于时间步的SOC线性估计模型，基于预设时间窗口内的历史数据，使用最小二乘法辨识SOC线型模型参数。线性估计模型为：SOC(t)＝SOC(t-1)+u，其中，SOC(t)表示电池在时间t时的荷电状态，u是常数，表示电池充电/放电速率，t是时间，当u＞0时表示电池系统处于充电状态，u＜0时表示电池系统处于放电状态，u＝0时表示电池系统处于静置状态，S602s602：用卡尔曼滤波算法进行预测和估算，把XGBoost模型的估计结果第一SO0作为预测值Zt，它与实际的系统状态值SOCt的关系可以用线性方程表示为：Zt＝SOCt+Vt，其中Vt表示一个非相关，零均值的高斯白噪声。在上面SOC线性估计模型的基础上对当前时刻状态的一步预测表示为：SOCt＝SOCt-1+u+Wt-1，其中Wt-1是非相关，零均值的高斯白噪声。
请参考图1-2，所述S7包括S701、S702和S702三个步骤，其中S701是根据预设窗口长度构建窗口递推平均滤波器，用公式表示为：其中，SOC′t是滤波器的输出，表示第t个时间步的平滑后的信号，SOCt是输入信号，表示第t个时间步的原始信号，n是预设窗口长度，窗口递推平均滤波器在每一时刻都将输入信号的最近n个样本的平均值作为输出信号，可以让噪声更平滑的消除，对第二SOC估计值进行窗口递推平均滤波得到第三SOC值，s702：构建一阶滞后滤波器，在上面滤波的基础上对数据进行平滑处理来减少噪声和高频的抖动，防止出现SOC跳变，一种具体的做法如下：对于ΔSOC＝SOCt-1-SOC′t，其中SOCt-1为上一状态的SOC估计值，SOC′t为当前状态的第三SOO值，ΔSOC为上一状态的SOC估计值与当前状态的第三SOC估计值的差值，若ΔSOC大于等于第一阈值且当前状态电流为正值，则SOC呈下降趋势，且适当减缓滤波速度，若ΔSOC大于第二阈值且小于第一阈值且当前状态电流为正值，则SOC呈下降趋势，且适当加快滤波速度，若ΔSOC小于等于第二阈值且当前状态电流为正值，则SOC呈下降趋势，且适当减缓滤波速度，若ΔSOC小于等于第三阈值且当前状态电流为负值，则SOC呈上升趋势，且适当减缓滤波速度，若ΔSOC大于第三阈值且小于第四阈值且当前状态电流为负值，则SOC呈上升趋势，且适当加快滤波速度，若ΔSOC大于等于第四预设阈值且当前状态电流为负值，则SOC呈上升趋势，且适当减缓滤波速度，滤波后得到当前时刻的第四SOC估计值，s703：输出当前时刻的第四SOC估计值为当前状态的SOC估计值。
请参考图1-2，所述S8包括S801、S802和S802三个步骤，其中S801是在实际应用环境中，定期获取新测量数据，步骤S802：根据SOC估计值与测量得到的SOC值计算误差，S803：基于预设区间评估算法SOC估计精度是否漂移，若误差在预设误差区间内则结束，若误差超出预设误差区间则跳转至步骤S1。
具体工作原理：如图1-2所示，在使用该电池系统SOC估计方法时，基于电池系统不同状态下数据驱动多算法融合的SOC估计方法，能够准确估计出电池系统的SOC值，不需要进行频繁校准，不存在误差累计效应，提出一种优化的卡尔曼滤波器，能够简化计算复杂度，提高运算效率，基于实验室及实际应用环境数据，并定期进行维护更新，能够在实际环境中对电池系统状态作出更精准的估计，具有较强的鲁棒性，提出一种融合递推平均滤波器与一阶滞后滤波器的平滑滤波策略，能够高效实现SOC的平滑控制，避免出现SOC跳变，这就是该电池系统SOC估计方法的特点。
替代方案主要存在以下步骤中：
步骤S103：对清洗后的数据进行归一化，还可以使用其他常用归一化方法：Z-Score、Decimal Scaling等，以上方法均为现有的公开方法；
步骤S201：根据充电状态及电流数据可以将电池系统状态归为不同的状态，并根据电池系统不同状态划分数据子集。对电池系统状态的划分核心为根据数据集的特征分布特点确定，最终目的是为了使模型能够更好的学习到数据子集的特征规律，从而提高SOC估计的精度，不一定为充电、放电、静置状态三类，也可以有其他划分方案，如将电池系统状态划分为充电初期、充电中期、充电末期、放电初期、放电中期、放电末期、静置状态七类；
步骤S3：对不同电池系统状态下的数据子集，分别构建基于XGBoost算法的SOC估计模型。此处的SOC估计模型不局限于XGBoost算法，也可以为其他机器学习算法(如支持向量机SVR、随机森林RF、门控循环单元GRU等)或传统的SOC估计算法(如安时积分法、开路电压法等)，另外，此处不同电池系统状态下的数据子集也并不必须使用同一种算法，最终目的是为了能够充分挖掘SOC与特征之间的关系，提高SOC估计的精度，可以使用不同的算法；
步骤S402：对数据中的缺失值及异常值进行插补。还可以使用其他常用的插补方法：均值/中位数/众数插补法、插值插补法、随机森林插补法等，均为现有的公开方法；
步骤S601：对SOC线性估计模型进行参数辨识用的方法为最小二乘法，也可以使用其他常用的线性方程参数辨识方法，如最小平方根法，最小范数法，最小均方误差法，最小均方根误差法，最小极大似然估计法，最小熵法，最小负导数法等，均为现有的公开方法。
本发明的实施方式是为了示例和描述起见而给出的，尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (11)
1.一种电池系统SOC估计方法，其特征在于，包括以下步骤：
S1、针对同一类型电池系统获取历史数据，对数据集进行预处理；
S2、根据电池系统不同状态划分为不同的数据子集，并分别进行特征构造，划分训练、测试数据；
S3、对不同电池系统状态下的数据子集，分别构建基于XGBoost算法的SOC估计模型；
S4、采集电池系统实时监测数据，对数据进行预处理；
S5、对当前电池系统状态进行识别，不同状态加载不同模型，获取第一SOC估计值；
S6、辨识SOC线性模型参数，通过卡尔曼滤波器获取第二SOC估计值；
S7、对第二SOC估计值进行平滑滤波获取第四SOC估计值，输出第四SOC估计值为最终SOC估计结果；
S8、定期评估SOC估算精度是否发生漂移。
2.如权利要求1所述电池系统SOC估计方法，其特征在于：所述S1包括S101、S102和S103三个步骤，其中s101是加载来自实验室测试以及实际应用环境中测量得到的同一类型、同一型号不同老化状态电池系统的历史数据，主要包括电池系统外特性数据、电池系统状态数据、采集时间以及测量得到的SOC值，其中电池系统外特性数据包括电压、电流，电池系统状态数据包括充电状态、最高温度值、最低温度值、充放电倍率。
3.如权利要求2所述电池系统SOC估计方法，其特征在于：所述S102是对于数据中的缺失值，使用删除法进行处理，对于异常值，使用预设阈值和/或离群值检测算法进行识别，使用删除法进行处理；离群值检测算法：对于属性Xi的数据集合Xi＝{x1，x2，x3，...，xn}，计算其均值为μi，以及标准差σi，对于每个数据点xj，计算其与均值的差值：z＝(xj-μi)/σi，如果某个数据点的z值超过预设阈值Ti，则认为它是异常值。
4.如权利要求2所述电池系统SOC估计方法，其特征在于：所述S103使用Min-Max归一化方法，对于数据集中的每个属性Xi，将其映射到{0，1}之间的值，公式如下：X′i＝(Xi-min(Xi))/(max(Xi)-min(Xi))，其中min(Xi)和max(Xi)分别是数据集中属性的最小值和最大值。
5.如权利要求1所述电池系统SOC估计方法，其特征在于：所述S2包括S201、S202和S203三个步骤，其中s201是根据充电状态及电流数据可以将电池系统状态归为充电、放电、静置状态三类，当电池系统非充电且存在正向电流时，电池系统状态为放电状态，当电池系统非充电且电流值为零时，电池系统状态为静置状态，其余状态为充电状态，根据电池系统不同状态划分数据子集，s202是对每一个数据子集，以预处理后的特征作为基本特征，基于统计学方法及电化学原理构造衍生特征，包括动态历史电压、动态历史电流、动态历史消耗电量，对于预设窗口大小T，t时刻动态历史电压U′t＝(Ut+Ut-1+Ut-2+...+Ut-T+1)/T，t时刻动态历史电流I′t＝(It+It-1+It-2+...+It-T+1)/T，t时刻动态历史消耗电量Qt＝∑(Ii×Δti)，其中，i∈{t-T+1，t-T+2，...，t-1，t}，Ii表示第i个采样点的电流值，Δti表示第i个采样点与第i-1个采样点之间的时间差，∑表示对所有采样点的电流值与时间差进行求和，S203是对每一个数据子集，将数据子集中SOC数值范围划分为预设的若干个区间，采用分层随机采样的方法将数据集划分为训练集和测试集，保证训练集和测试集中各SOC区间的样本比例相同。
6.如权利要求1所述电池系统SOC估计方法，其特征在于：所述S3包括S301、S302、S303、S304和S305五个步骤，其中S301是构建初始化的XGBoost模型，S302是基于预设的参数范围，以平均绝对误差作为目标函数，使用网格搜索确定XGBoost模型的最佳参数组合，其中网格搜索是一种通过遍历给定参数空间中所有可能组合来优化模型性能的方法，S303是使用最佳参数组合训练模型，S304是在测试集上验证模型结果，若达到预设目标则进行下一步，否则分析原因并回到步骤s302重新预设参数范围，S305是保存最终训练好的模型参数。
7.如权利要求1所述电池系统SOC估计方法，其特征在于：所述S4包括S401、S402和S403三个步骤，其中S401是采集电池系统实时监测数据，主要包括电池系统外特性数据、电池系统状态数据以及采集时间，其中电池系统外特性数据包括电压、电流，电池系统状态数据包括充电状态、最高温度值、最低温度值、充放电倍率，S402是对数据中的缺失值进行插补，使用最邻近值插补法，在预设窗口内找出与缺失值样本最相似的样本来预测缺失值，对于异常值，使用预设阈值和/或离群值检测算法进行识别，使用插补方法进行处理，离群检测算法同步骤s102，插补方法使用最邻近值插补法，S402是对清洗后的数据进行归一化，归一化方法及每个属性的最小值和最大值同步骤S103。
8.如权利要求1所述电池系统SOC估计方法，其特征在于：所述S5包括S501和S502两个步骤，其中S501是使用步骤s201电池系统状态识别方法，对当前电池系统状态进行识别，S502是加载当前状态所对应的模型，以步骤s403处理后的数据作为输入，获取第一SOC估计值。
9.如权利要求1所述电池系统SOC估计方法，其特征在于：所述S6包括S601、S602和S602三个步骤，其中S601对于当前状态的电池数据，设计一种基于时间步的SOC线性估计模型，基于预设时间窗口内的历史数据，使用最小二乘法辨识SOC线型模型参数。线性估计模型为：SOC(t)＝SOC(t-1)+u，其中，SOC(t)表示电池在时间t时的荷电状态，u是常数，表示电池充电/放电速率，t是时间。当u＞0时表示电池系统处于充电状态，u＜0时表示电池系统处于放电状态，u＝0时表示电池系统处于静置状态，S602s602：用卡尔曼滤波算法进行预测和估算，把XGBoost模型的估计结果第一SOC作为预测值Zt，它与实际的系统状态值SOCt的关系可以用线性方程表示为：Zt＝SOCt+Vt，其中Vt表示一个非相关，零均值的高斯白噪声，在上面SOC线性估计模型的基础上对当前时刻状态的一步预测表示为：SOCt＝SOCt-1+u+Wt-1，其中Wt-1是非相关，零均值的高斯白噪声。
10.如权利要求1所述电池系统SOC估计方法，其特征在于：所述S7包括S701、S702和S702三个步骤，其中S701是根据预设窗口长度构建窗口递推平均滤波器，用公式表示为：其中，SOC′t是滤波器的输出，表示第t个时间步的平滑后的信号，SOCt是输入信号，表示第t个时间步的原始信号，n是预设窗口长度，窗口递推平均滤波器在每一时刻都将输入信号的最近n个样本的平均值作为输出信号，可以让噪声更平滑的消除，对第二SOC估计值进行窗口递推平均滤波得到第三SOC值，s702：构建一阶滞后滤波器，在上面滤波的基础上对数据进行平滑处理来减少噪声和高频的抖动，防止出现SOC跳变，一种具体的做法如下：对于ΔSOC＝SOCz-1-SOC′t，其中SOCt-1为上一状态的SOC估计值，SOC′t为当前状态的第三SOC值，ΔSOC为上一状态的SOC估计值与当前状态的第三SOC估计值的差值，若ΔSOC大于等于第一阈值且当前状态电流为正值，则SOC呈下降趋势，且适当减缓滤波速度，若ΔSOC大于第二阈值且小于第一阈值且当前状态电流为正值，则SOC呈下降趋势，且适当加快滤波速度，若ΔSOC小于等于第二阈值且当前状态电流为正值，则SOC呈下降趋势，且适当减缓滤波速度，若ΔSOC小于等于第三阈值且当前状态电流为负值，则SOC呈上升趋势，且适当减缓滤波速度，若ΔSOC大于第三阈值且小于第四阈值且当前状态电流为负值，则SOC呈上升趋势，且适当加快滤波速度，若ΔSOC大于等于第四预设阈值且当前状态电流为负值，则SOC呈上升趋势，且适当减缓滤波速度，滤波后得到当前时刻的第四SOC估计值，s703：输出当前时刻的第四SOC估计值为当前状态的SOC估计值。
11.如权利要求1所述电池系统SOC估计方法，其特征在于：所述S8包括S801、S802和S802三个步骤，其中S801是在实际应用环境中，定期获取新测量数据，步骤S802：根据SOC估计值与测量得到的SOC值计算误差，S803：基于预设区间评估算法SOC估计精度是否漂移，若误差在预设误差区间内则结束，若误差超出预设误差区间则跳转至步骤S1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310571362.5A CN116842464A (zh) | 2023-05-20 | 2023-05-20 | 一种电池系统soc估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310571362.5A CN116842464A (zh) | 2023-05-20 | 2023-05-20 | 一种电池系统soc估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116842464A true CN116842464A (zh) | 2023-10-03 |
Family
ID=88169498
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310571362.5A Pending CN116842464A (zh) | 2023-05-20 | 2023-05-20 | 一种电池系统soc估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842464A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117292457A (zh) * | 2023-11-22 | 2023-12-26 | 成都易电云商工程服务有限公司 | 一种智能巡检管理系统 |
-
2023
- 2023-05-20 CN CN202310571362.5A patent/CN116842464A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117292457A (zh) * | 2023-11-22 | 2023-12-26 | 成都易电云商工程服务有限公司 | 一种智能巡检管理系统 |
| CN117292457B (zh) * | 2023-11-22 | 2024-02-06 | 成都易电云商工程服务有限公司 | 一种智能巡检管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | State of health estimation of lithium-ion battery based on an adaptive tunable hybrid radial basis function network | |
| Semeraro et al. | Battery monitoring and prognostics optimization techniques: challenges and opportunities | |
| CN116683588B (zh) | 锂离子电池充放电控制方法及系统 | |
| CN115902647B (zh) | 一种电池状态智能监测方法 | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| CN110850297A (zh) | 一种通过大数据预测轨交锂电池soh的方法 | |
| CN117783745B (zh) | 用于换电柜的数据在线监测方法及系统 | |
| EP4145157A1 (en) | Battery system state of health monitoring system | |
| CN117543791B (zh) | 电源的供电检测方法、装置、设备及存储介质 | |
| CN116842464A (zh) | 一种电池系统soc估计方法 | |
| US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
| CN116805785A (zh) | 基于随机聚类的电力负荷层次时间序列预测方法 | |
| CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| CN117893059A (zh) | 基于传感器的储能数据采集分析方法及系统 | |
| CN117851908B (zh) | 一种改进的在线低压台区电能表失准监测方法及装置 | |
| CN116643178A (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
| CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
| CN118152836A (zh) | 一种用于电能表运行过程的稳定性评估方法 | |
| CN115146525A (zh) | 二次电池的劣化状态推定系统、二次电池的劣化状态推定方法及存储介质 | |
| Qi et al. | Battery pack capacity estimation for electric vehicles based on enhanced machine learning and field data | |
| CN107633271B (zh) | 电力系统稳态可用度非精确概率计算方法 | |
| Atamuradov et al. | Segmentation based feature evaluation and fusion for prognostics | |
| CN115144755A (zh) | 二次电池的状态推定系统、二次电池的状态推定方法及存储介质 | |
| Sui et al. | Early Prediction of Lithium-Ion Batteries Lifetime via Few-Shot Learning |
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 |