一种基于SOC分区的电池容量自学习校准方法与流程

本发明涉及电池管理，尤其涉及一种基于soc分区的电池容量自学习校准方法。

背景技术：

1、在电动车辆（例如：骑手配送用电动两轮车）的日常运营过程中，通常采用“电池管理系统（bms）通过容量自学习算法动态估算电池的实际可用容量”这一方式以计算出soc值，为用户提供剩余电量信息；

2、但由于电池老化、温度变化、充放电习惯差异，容量自学习算法可能出现偏差，进而导致soc计算不准确，甚至出现“在显示较高剩余电量时，突然断电关机”这一情况（即为：高soc断电）。

3、基于前述，可以采用电池容量自学习校准方法以应对“高soc断电”现象；但现有的校准方法通常采用“单一的满充满放校准策略”，要求进行完整的充放电循环，且未考虑不同故障区间的差异化成因，进而导致：校准耗时长、效率低，且无法实现精准校准；另外，现有的校准方法缺乏“对校准结果-可信度的系统性评估”，进而，难以对故障设备进行有效区分，以适时执行：校准、召回以及监控。

4、为了解决前述技术问题，本申请提出一种基于soc分区的电池容量自学习校准方法。

技术实现思路

1、鉴于现有技术的上述缺点、不足，本发明提供一种基于soc分区的电池容量自学习校准方法，其解决了当下所存在的“在进行电动车辆-电池容量自学习校准时，如何通过分析不同故障区间的差异化成因以及对校准结果-可信度进行系统性评估，以提高校准精度及效率”这一问题。

2、为了达到上述目的，本发明采用的主要技术方案包括：

3、本发明提供一种基于soc分区的电池容量自学习校准方法；所述电池容量自学习校准方法包括：

4、s1、同步采集电池断电事件系列数据；

5、其中，电池断电事件系列数据包括：断电soc值、充电量、充电soc差值、放电量、放电soc差值、跳变soc值、空校准状态值、额定容量；

6、s2、根据所采集的断电soc值，基于第一处置区间[0, 15%)、第二处置区间[15%,40%]、第三处置区间(40%, 100%]对故障设备进行划分；

7、对一类故障设备执行动态监控，对三类故障设备执行召回处置；一类/三类故障设备为：断电soc值对应于第一/第三处置区间的故障设备；

8、s3、基于空校准状态值、断电soc值、跳变soc值以计算：二类故障设备的实际soc值；基于充电量、充电soc差值、放电量、放电soc差值、实际soc值、额定容量，通过预设-校准算法适时计算二类故障设备-电池校准容量，以适时执行设备电池校准；

9、二类故障设备为：断电soc值对应于第二处置区间的故障设备；

10、s4、若执行设备电池校准，则：对所计算的二类故障设备-电池校准容量进行合理性校验，以获取合理性校验-结果；基于合理性校验-结果下发校准指令，以对二类故障设备进行电池容量自学习参数修正。

11、可选的，所述s3中，二类故障设备的实际soc值的计算涉及：

12、若空校准状态值为1，则实际soc值的计算公式为：

13、（1）

14、若空校准状态值为0或3，则实际soc值的计算公式为：

15、（2）

16、其中，空校准状态值0/1/3表示：无空校验/有空校验/保护触发；表示实际soc值；表示断电soc值；表示跳变soc值。

17、可选的，所述s3中，预设-校准算法涉及：

18、当满足条件a：充电量、充电soc差值均大于0，则：

19、（3）

20、当满足条件b：放电量、放电soc差值均大于0，则：

21、（4）

22、当满足条件c：实际soc值对应于取值区间(0, 100)，则：

23、（5）

24、当不满足条件a、b、c，则：标记为校准数据不足，不执行校准；

25、其中，表示二类故障设备-电池校准容量；表示充电量；表示充电soc差值；表示放电量；表示放电soc差值；表示额定容量。

26、可选的，所述电池容量自学习校准方法还涉及可信度判定机制；

27、所述可信度判定机制包括：

28、在计算实际soc值之后，计算实际soc值的均值；若实际soc值的均值不大于2%，则表明电池已接近完全放电，无需执行设备电池校准；

29、若计算出的二类故障设备-电池校准容量小于额定容量的65%，则表明电池衰减严重，需要物理更换。

30、可选的，所述可信度判定机制还包括：

31、当满足：二类故障设备-电池校准容量大于额定容量，或满足：设备电池校准的触发天数不小于2，且实际soc值的波动大于10%，则表明：当前设备电池校准的可信度为低；

32、当满足条件d：二类故障设备-电池校准容量为额定容量的65%至100%，若同时满足：设备电池校准的触发天数为1，且校准数据充足，则表明：当前设备电池校准的可信度为中；若同时满足：设备电池校准的触发天数不小于2，且实际soc值的波动不大于10%，则表明：当前设备电池校准的可信度为高。

33、本申请的有益效果包括：

34、本申请中，预先结合具体工况，提出数值量化的第一、第二及第三处置区间；基于采集的断电soc值，通过前述三个处置区间对故障设备进行划分；基于此，对一类故障设备执行动态监控，对三类故障设备执行召回处置；

35、对于二类故障设备，则：基于电池断电事件系列数据以计算二类故障设备的实际soc值，基于此，结合预设-校准算法适时计算电池校准容量，以适时执行二类故障设备-电池校准；以及，基于可信度判定机制对“二类故障设备-电池校准所涉及的可信度”进行系统性评估；

36、基于前述，通过分析不同故障区间的差异化成因以及对校准结果-可信度进行系统性评估，能够提高校准精度及效率。

1.一种基于soc分区的电池容量自学习校准方法，其特征在于：

2.根据权利要求1所述的电池容量自学习校准方法，其特征在于：

3.根据权利要求1所述的电池容量自学习校准方法，其特征在于：

4.根据权利要求1所述的电池容量自学习校准方法，其特征在于：

5.根据权利要求4所述的电池容量自学习校准方法，其特征在于：