一种极寒储能电池的SOC估算方法与流程

本发明涉及寒地储能电池管理领域，尤其涉及一种极寒储能电池的soc估算方法。

背景技术：

1、电池荷电状态（state of charge，soc）是电池管理系统（bms）实现充放电控制、储能功率调度、安全保护、均衡管理的核心依据，soc 估计精度直接决定储能电站运行安全性与容量利用率。但寒地低温环境引发电池电化学特性剧烈变化：电解液黏度上升、锂离子固相扩散系数显著下降，电池内阻极化阻抗大幅增大；ocv-soc 曲线发生明显温漂，磷酸铁锂电池电压平台进一步扁平化；低温可用容量远低于额定容量，库仑效率降低；电池电压弛豫时间显著延长。上述多重强非线性特性耦合，造成常温 soc 估计算法在寒地场景精度急剧劣化。

2、现有技术中，通过等效电路模型（thevenin 模型、二阶 rc 模型）结合扩展卡尔曼滤波 ekf、无迹卡尔曼 ukf 等观测器是现阶段主流改进方案。现有技术大多采用出厂离线标定固定参数或少量离散温度点参数，难以表征宽低温区间内阻、极化时间常数连续非线性变化；多数方案忽略低温充放电滞回效应、电压弛豫动态过程。在 - 10℃以下极寒工况容易出现模型失配、滤波收敛缓慢甚至发散问题，难以适配寒地储能长时间静置后再次启动的工况。近年来学者提出 lstm、gru 等纯数据驱动 soc 估算方法，该类方法无需精确机理建模，能够拟合复杂非线性关系。但存在明显短板：模型泛化能力不足，温度超出训练数据集范围后估算精度快速下降；算法缺少物理约束，容易输出违背电池特性的异常 soc值。guo等人提出多尺度自适应双扩展卡尔曼滤波器，提升了算法的数值稳定性与实时运行性能；bage 等人则结合自适应递推最小二乘法，设计出改进型移动步长无迹变换双扩展卡尔曼滤波器，进一步提高了估算精度与温度适应性。上述研究均证实，双滤波架构在实际电池管理场景中具备良好的应用效果。然而，将双扩展卡尔曼滤波（dekf）应用于兼具耦合迟滞特性与弛豫动态特性的强非线性系统时，其存在的局限性便会凸显出来。该滤波算法依托一阶雅可比矩阵线性化方法，通过局部线性关系对非线性电压响应进行近似处理。在这类系统中，这种简化方式会造成状态滤波器与参数滤波器之间的线性化误差不断累积，进而导致算法收敛速度变慢、估算精度下降，甚至在负载快速变化时出现暂态发散问题。

3、因此，本领域的技术人员致力于开发一种极寒储能电池的soc估算方法。

技术实现思路

1、有鉴于现有技术的上述缺陷，本发明提供了一种极寒储能电池的soc估算方法，包括如下步骤：

2、s1：初始化状态和参数初值和、状态和参数初始误差协方差和、协方差矩阵的平方根因子和；状态滤波器初始过程噪声和观测噪声协方差和、参数滤波器初始过程噪声和观测噪声协方差和；

3、s2、在短时间尺度下，利用当前参数估计值生成状态容积点，并完成状态预测；

4、s3、根据端电压观测计算端电压创新，并更新状态估计；

5、s4、采用sage-husa估计器更新和；

6、s5、若满足长时间尺度更新条件，则启动参数滤波器；否则，继续执行下一步状态滤波；

7、s6、参数滤波器利用最新状态估计生成参数容积点，并通过端电压方程完成参数预测和修正；

8、s7、更新参数过程噪声协方差和参数观测噪声协方差；

9、s8、对参数估计结果进行正值约束和物理边界约束，得到最终参数估计；

10、s9、将更新后的反馈至状态滤波器，进入下一次短时间尺度递推。

11、进一步的，所述状态容积点为：

12、；

13、其中，为围绕上一时刻状态估计生成的第个状态容积点。

14、进一步的，步骤s2所述的状态预测为：

15、；

16、为状态先验估计值，由所有预测容积点的加权平均得到。

17、进一步的，所述端电压创新为：

18、。

19、进一步的，所述融合端电压观测后的状态后验估计值为：

20、。

21、进一步的，所述状态观测噪声协方差更新为：

22、；

23、所述状态过程噪声协方差更新为：

24、。

25、进一步的，所述参数观测噪声协方差更新为：

26、；

27、所述参数过程噪声协方差更新为：

28、。

29、本发明与现有技术相比，具有以下技术效果：

30、da_mt_srckf框架采用多时间尺度架构设计，将估计过程拆分为两个相互独立、运行在不同时间分辨率下的分支。快时间尺度分支负责实时追踪soc，慢时间尺度分支则用于表征模型参数的变化规律。通过实验表明，本申请采用的多时间尺度双中心差分卡尔曼滤波可有效区分soc的快速动态变化与参数的缓慢变化，削弱状态估算与参数估算之间的耦合作用。因此，该滤波算法能够快速修正20%的初始soc偏差，且暂态波动极小。通过采用单时间尺度架构，参数估算与状态估算之间存在强耦合关系。这种耦合会放大初始状态误差对参数估算的影响，造成辨识模型与实际系统不匹配。故而在初始偏差较大时，该滤波算法收敛速度缓慢，甚至无法完成收敛。

31、以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

1.一种极寒储能电池的soc估算方法，其特征在于，包括如下步骤：

2.根据权利要求1所述一种极寒储能电池的soc估算方法，其特征在于，所述状态容积点为：

3.根据权利要求2所述一种极寒储能电池的soc估算方法，其特征在于，步骤s2所述的状态预测为：

4.根据权利要求1所述一种极寒储能电池的soc估算方法，其特征在于，所述端电压创新为：

5.根据权利要求4所述一种极寒储能电池的soc估算方法，其特征在于，所述融合端电压观测后的状态后验估计值为：

6.根据权利要求1所述一种极寒储能电池的soc估算方法，其特征在于，所述状态观测噪声协方差更新为：

7.根据权利要求1所述一种极寒储能电池的soc估算方法，其特征在于，所述参数观测噪声协方差更新为：