基于膨胀力微分特征与动态融合的锂电池SOC灰箱估计方法、装置和设备与流程

摘要: 本技术涉及锂电池荷电状态(stateofcharge,soc)估计,特别是涉及一种基于膨胀力微分特征与动态融合的锂电池soc灰箱估计方法、装置和设备。背景技术:...
基于膨胀力微分特征与动态融合的锂电池SOC灰箱估计方法、装置和设备与流程

本技术涉及锂电池荷电状态(state of charge, soc)估计,特别是涉及一种基于膨胀力微分特征与动态融合的锂电池soc灰箱估计方法、装置和设备。

背景技术:

1、锂电池作为电动汽车的动力源,扮演着能量的存储、调度、转换的重要角色。soc估计是汽车的电池管理系统(battery management system, bms)中的关键功能,准确估计soc可以有效防止或减轻过度充电或过度放电的负面影响,从而延长电池寿命。

2、传统soc估计方法一般依赖锂电池的电压特征进行估计。然而磷酸铁锂电池在充放电过程中,其正极与负极的电势平台高度重叠,导致当soc值在20%-80%的区间内时,微小的电压测量噪声即可导致soc估计发生巨大偏差。

3、因此,传统soc估计方法存在soc估计结果不够精确的问题。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种能够准确估计锂电池soc值的基于膨胀力微分特征与动态融合的锂电池soc灰箱估计方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面,本技术提供了一种基于膨胀力微分特征与动态融合的锂电池soc灰箱估计方法,包括:

3、获取所述锂电池在工作状态下的电流信号、表面膨胀力信号和电压信号;

4、基于所述电流信号,获得所述锂电池的基础荷电状态值;以及基于所述表面膨胀力信号和所述电流信号,获得表征单位容量膨胀力变化率的力学微分特征;

5、将所述电流信号、所述表面膨胀力信号、所述力学微分特征、所述基础荷电状态值以及所述电压信号,输入预先训练的数据驱动补偿模型,获得预测荷电状态值;

6、采用动态融合权重,对所述基础荷电状态值和所述预测荷电状态值进行加权融合,获得最终荷电状态值;所述动态融合权重基于所述力学微分特征的波动幅度生成。

7、在其中一个实施例中,所述数据驱动补偿模型为随机森林回归模型、支持向量回归模型、极限学习机或轻量级神经网络中的任意一种,所述将所述电流信号、所述表面膨胀力信号、所述力学微分特征、所述基础荷电状态值以及所述电压信号,输入预先训练的数据驱动补偿模型,获得预测荷电状态值之前,所述方法还包括:

8、获取锂电池在预设条件下的第一电流信号、第一表面膨胀力信号、第一力学微分特征、第一基础荷电状态值和第一电压信号;所述第一电流信号、所述第一表面膨胀力信号、所述第一力学微分特征、所述第一基础荷电状态值和所述第一电压信号用于对所述数据驱动补偿模型进行训练;

9、对所述第一电流信号、所述第一表面膨胀力信号、所述第一力学微分特征、所述第一基础荷电状态值以及所述第一电压信号进行标准化处理,获得处理后的第二电流信号、第二表面膨胀力信号、第二力学微分特征、第二基础荷电状态值和第二电压信号;

10、采用所述第二电流信号、所述第二表面膨胀力信号、所述第二力学微分特征、所述第二基础荷电状态值和所述第二电压信号对所述数据驱动补偿模型进行训练,获得所述预先训练的数据驱动补偿模型。

11、在其中一个实施例中,所述获取锂电池在预设条件下的第一电流信号、第一表面膨胀力信号、第一力学微分特征、第一基础荷电状态值和第一电压信号,包括:

12、按照预设的采集时间间隔,对处于预设条件下的所述锂电池进行数据采集,获得数据采集结果;所述数据采集结果包括所述锂电池的完整充电和/或完整放电过程,包括所述第一电流信号、所述第一表面膨胀力信号和所述第一电压信号;

13、基于所述第一电流信号,获得所述第一基础荷电状态值;以及基于所述第一表面膨胀力信号和所述第一电流信号,获得表征单位容量膨胀力变化率的所述第一力学微分特征。

14、在其中一个实施例中,所述基于所述电流信号,计算所述锂电池的基础荷电状态值,包括:

15、对所述电流信号进行积分,获得所述锂电池的基础荷电状态值;所述基础荷电状态值表示为:

16、

17、其中,socah(t)为所述基础荷电状态值,soc(t0)为初始时刻的荷电状态值,cn为所述锂电池的标称容量,η为库仑效率,i(τ)为所述电流信号,τ表示实际积分时扫描的时间变量,t为当前时刻,t0为初始时刻。

18、在其中一个实施例中,所述基于所述表面膨胀力信号和所述电流信号,获得表征单位容量膨胀力变化率的力学微分特征,包括:

19、对所述电流信号进行积分,获得基于获取时间间隔的累积容量;所述累积容量表示为:

20、

21、其中,q(t)为所述累积容量,t0为初始时刻,t为当前时刻,i(τ)为所述电流信号,τ表示实际积分时扫描的时间变量,代表从初始时刻t0到当前时刻t之间的时间,k表示采样点的序号,ik表示第k个采样点的电流信号,δt为获取时间间隔;

22、基于所述累积容量和所述表面膨胀力信号,计算初始单位容量膨胀力变化率;所述初始单位容量膨胀力变化率表示为:

23、

24、其中,df/dqraw(t)为所述初始单位容量膨胀力变化率,f(t)为t时刻的所述表面膨胀力信号,q(t)为t时刻的所述累积容量;

25、对所述初始单位容量膨胀力变化率进行物理限幅,获得限幅后单位容量膨胀力变化率;所述限幅后单位容量膨胀力变化率表示为:

26、

27、其中,df/dqclip(t)为所述限幅后单位容量膨胀力变化率,l为预设限幅范围的下限,m为预设限幅范围的上限;

28、采用滑动平均滤波对所述限幅后单位容量膨胀力变化率进行滤波处理,获得所述力学微分特征;所述力学微分特征表示为:

29、

30、其中,df/dqsmooth(t)为所述力学微分特征,m为滑动窗口长度,m=a+b+1,k为所述滑动窗口中与点位对应的偏移索引,a为以采样点为基准,往所述采样点的一侧选取a个点位,b为以所述采样点为基准,往所述采样点的另一侧选取b个点位。

31、在其中一个实施例中,所述采用动态融合权重对所述基础荷电状态值和所述预测荷电状态值进行加权融合,获得最终荷电状态值,包括:

32、采用所述力学微分特征对力学特征灵敏度指标进行定义;所述力学特征灵敏度指标表示为:

33、

34、其中,γ(t)为所述力学特征灵敏度指标,df/dqsmooth(t)为所述力学微分特征;

35、根据所述力学特征灵敏度指标的波动幅度,计算所述动态融合权重;所述动态融合权重表示为:

36、

37、其中,ω(t)为所述动态融合权重,γmin为对所述数据驱动补偿模型进行训练获得的力学特征灵敏度指标最小值,γmax为对所述数据驱动补偿模型进行训练获得的力学特征灵敏度指标最大值,ωmin为预设的动态融合权重区间最小值,ωmax为预设的动态融合权重区间最大值;

38、基于所述动态融合权重、所述基础荷电状态值和所述预测荷电状态值,获得最终荷电状态值;所述最终荷电状态值表示为:

39、

40、其中,socfinal(t)为所述最终荷电状态值,ω(t)为所述动态融合权重,socmodel(t)为所述预测荷电状态值,socah(t)为所述基础荷电状态值。

41、第二方面,本技术还提供了一种基于膨胀力微分特征与动态融合的锂电池soc灰箱估计装置,包括:

42、信号获取模块,用于获取所述锂电池在工作状态下的电流信号、表面膨胀力信号和电压信号;

43、基础荷电状态值和力学微分特征获取模块,用于基于所述电流信号,获得所述锂电池的基础荷电状态值;以及基于所述表面膨胀力信号和所述电流信号,获得表征单位容量膨胀力变化率的力学微分特征;

44、预测荷电状态值获取模块,用于将所述电流信号、所述表面膨胀力信号、所述力学微分特征、所述基础荷电状态值以及所述电压信号,输入预先训练的数据驱动补偿模型,获得预测荷电状态值;

45、最终荷电状态值获取模块,用于采用动态融合权重对所述基础荷电状态值和所述预测荷电状态值进行加权融合,获得最终荷电状态值;所述动态融合权重基于所述力学微分特征的波动幅度生成。

46、第三方面,本技术还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:

47、获取所述锂电池在工作状态下的电流信号、表面膨胀力信号和电压信号;

48、基于所述电流信号,获得所述锂电池的基础荷电状态值;以及基于所述表面膨胀力信号和所述电流信号,获得表征单位容量膨胀力变化率的力学微分特征;

49、将所述电流信号、所述表面膨胀力信号、所述力学微分特征、所述基础荷电状态值以及所述电压信号,输入预先训练的数据驱动补偿模型,获得预测荷电状态值;

50、采用动态融合权重,对所述基础荷电状态值和所述预测荷电状态值进行加权融合,获得最终荷电状态值;所述动态融合权重基于所述力学微分特征的波动幅度生成。

51、第四方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:

52、获取所述锂电池在工作状态下的电流信号、表面膨胀力信号和电压信号;

53、基于所述电流信号,获得所述锂电池的基础荷电状态值;以及基于所述表面膨胀力信号和所述电流信号,获得表征单位容量膨胀力变化率的力学微分特征;

54、将所述电流信号、所述表面膨胀力信号、所述力学微分特征、所述基础荷电状态值以及所述电压信号,输入预先训练的数据驱动补偿模型,获得预测荷电状态值;

55、采用动态融合权重,对所述基础荷电状态值和所述预测荷电状态值进行加权融合,获得最终荷电状态值;所述动态融合权重基于所述力学微分特征的波动幅度生成。

56、第五方面,本技术还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:

57、获取所述锂电池在工作状态下的电流信号、表面膨胀力信号和电压信号;

58、基于所述电流信号,获得所述锂电池的基础荷电状态值;以及基于所述表面膨胀力信号和所述电流信号,获得表征单位容量膨胀力变化率的力学微分特征;

59、将所述电流信号、所述表面膨胀力信号、所述力学微分特征、所述基础荷电状态值以及所述电压信号,输入预先训练的数据驱动补偿模型,获得预测荷电状态值;

60、采用动态融合权重,对所述基础荷电状态值和所述预测荷电状态值进行加权融合,获得最终荷电状态值;所述动态融合权重基于所述力学微分特征的波动幅度生成。

61、上述基于膨胀力微分特征与动态融合的锂电池soc灰箱估计方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,获取锂电池在工作状态下的电流信号、表面膨胀力信号和电压信号,基于电流信号,获得锂电池的基础荷电状态值,以及基于表面膨胀力信号和电流信号,获得表征单位容量膨胀力变化率的力学微分特征,将电流信号、表面膨胀力信号、力学微分特征、基础荷电状态值以及电压信号,输入预先训练的数据驱动补偿模型,获得预测荷电状态值,采用动态融合权重,对基础荷电状态值和预测荷电状态值进行加权融合,获得最终荷电状态值。通过以采集的锂电池电流信号、表面膨胀力信号以及电压信号构建物理主模型和数据驱动补偿模型,从而使得物理主模型的稳定性能够与数据驱动补偿模型强大的拟合性能相结合,并在结合的框架下,通过力学微分特征这一参数将表面膨胀力信号纳入soc估计的参考范围当中,从而形成根据锂电池充电或放电过程实时变化的动态融合权重,利用动态融合权重决定数据驱动补偿模型对物理主模型的修正程度,进而能够精准估计锂电池的soc值。