一种串联型电池系统能量状态预测方法

1.本发明属于智能电网中大容量电池储能系统设计与控制技术领域，涉及一种串联型电池系统能量状态预测方法。


背景技术：

2.当今世界面临着能源短缺和环境恶化两大问题，各个国家都在大力提倡低碳经济，新能源的开发和利用对低碳经济的发展至关重要；新能源汽车作为低碳经济的重要组成部分,越来越得到社会的关注。新能源汽车的续航能力和安全是用户关注的重点，因此，对电动汽车的能量状态(state of energy，soe)的研究至关重要。然而，电池能量状态的预测和实际状态存在偏差，因为电池组内部的电化学过程无法直接观察，且受电池容量、工作工况、电池健康状态(soh)和电池单体的一致性等因素的影响，往往导致串联电池系统中充放电特性不一致，因此，电池系统的soe精确预测具有重要意义。
3.目前国内外关于soe的预测方法研究多集中在电池单体，有关串联型电池系统soe预测方法的文献并不多，专利(cn104459551a)公开了一种电动汽车动力电池能量状态(soe，state-of-energy)估算方法。该方法在估算过程中考虑了电池电压的变化，较现有的电池荷电状态(soc)估算能更加全面的反应电池状态和车辆续驶里程，其特征在于，该方法包括如下步骤：第一、初始化过程，系统根据当前电池温度、电压、静置前状态以及静置时间，计算初始soe值；第二、循环过程，系统通过采集的电池温度、充/放电倍率以及记录的电池使用次数来修正电池平衡电势emf-soe关系曲线、电池额定能量。再根据能量守恒原理计算电池能量的变化量，利用初始soe值，计算下一时刻soe值，不断循环，实时更新soe值。该模型考虑了电池系统中电池温度、充/放电倍率以及记录的电池使用次数对电池soe的影响，在一定程度上提高了电池soe精度，但未考虑电池不一致对电池soe偏差的影响，导致电池系统soe精度受限。
4.为进一步提高串联型电池系统soe预测精度，本发明公布了一种串联型电池系统的能量状态预测方法，考虑电池不一致对电池soe偏差的影响，利用电池单体离线数据建立bp神经网络，将电池单体电压偏差值δui和电池系统电流在线检测值i作为soe修正器的输入，得到能量状态补偿值δsoeb，以获得准确的电池系统soe，进而更新电池系统模型，以提高电池系统模型精度，并进一步提高电池系统soe的预测精度。


技术实现要素：

5.本发明解决的问题是在于提供一种串联型电池系统能量状态预测方法，一方面，改进了相关已公开电池系统soe估算时未考虑电池组中电池不一致性对soe的影响，另一方面，解决了采用bp神经网络进行电池系统soe估算时数据繁杂、训练耗时的问题，提高串联型电池系统soe估算精度。
6.为实现上述目的，本发明提供如下技术方案：一种串联型电池系统能量状态预测方法，其中，该电池系统由n个电池单体经串联而成，n为大于等于1的自然数，具体步骤如
下：
7.s1、根据电池单体模型参数(1)结合串联电路中电流处处相等、总电压等于各阻抗电压之和的特性，建立一个含2个并联rc电路的串联型电池系统等效电路模型(2)；
8.s2、基于串联型电池系统等效电路模型(2)，得到电池空间状态方程，再结合电池系统电压在线检测值u和电流在线检测值i，经电池系统soc估计模块(3)，得到电池系统荷电状态soc；
9.s3、基于电池系统电压在线检测值u和电池系统荷电状态soc，结合电池空间状态方程，通过能量状态基值预测模块(4)，获得电池系统能量状态基值soeb；
10.s4、基于电池单体离线数据、各电池单体电压偏差值δui、电池系统电流在线检测值i，利用电池系统soe修正器(8)得到能量状态补偿值δsoeb，所述的电池系统soe修正器(8)由故障判别器(5)、数据筛选器(6)、bp神经网络(7)模块依次连接而成；所述的经电池系统soe修正器(8)得到能量状态补偿值δsoeb的方法为：将电池单体离线数据作为电池系统soe修正器(8)的输入，依次通过故障判别器(5)、数据筛选器(6)，得到电池单体电压常态数据，再利用bp神经网络(7)，并结合各电池单体电压偏差值δui和电池系统电流在线检测值i，获取能量状态补偿值δsoeb，i为大于等于1的自然数；
11.s5、将能量状态预测基值soeb与能量状态补偿值δsoeb叠加，得到串联型电池系统能量状态预测值soer。
12.所述步骤s4中，电池单体离线数据包含各电池单体电压和电池系统电流离线数据，电池单体电压数据共有n组，每组有n个测量数据，n为大于1的自然数，n为大于等于1的自然数。
13.所述步骤s4中，将各电池单体电压u1～uk及电池系统电流离线值ik输入至故障判别器(5)内进行判别，k为大于等于1且小于等于n的自然数，具体包括：
14.1)判断电池系统电流离线值ik是否等于0，若ik等于0，表明电池系统发生故障信号，输出soer＝0，若ik不等于0，则进行以下判断：
15.2)判断各电池单体电压u1～uk是否等于0，若uk等于0，表明电池系统中第k个电池单体发生故障，输出故障信息，若uk不等于0，则进行以下判断：
16.3)判断各电池单体电压u1～uk是否满足一致性要求，若uk满足，则表明无需考虑电池单体不一致对电池系统soe的影响，输出δsoeb＝0，若不满足，再将各电池单体电压u1～uk送入数据筛选器(6)中。
17.所述步骤s4中，数据筛选器(6)设计如下：取电池单体电压离线数据中某一组数据，通过绘制散点图进行相关性的判断：若某个数据点不在趋向线附近，需剔除该数据点；若所取的数据点在趋向线上或在趋向线附近，说明数据点之间存在相关性，即该数据点可留下，最后将所有电池单体电压离线数据筛选后，可留下的全部数据点，即为电池单体电压常态数据。
18.所述步骤s4中，bp神经网络(7)设计如下：选用含有一个隐含层的3层bp神经网络(7)，其中，输入层有2个节点，输出层有1个节点，输入变量为电池单体电压常态数据及电池系统电流离线数据，输出变量为δsoeb，实现bp神经网络(7)流程如下：
19.①
采集各电池单体电压常态数据及电池系统电流离线数据，对电压常态数据和电流离线数据进行归一化处理，将经过处理后的电压常态数据和电流离线数据作为样本数
据；
②
创建bp神经网络模型，确定学习速率、学习速率下降比例因子及训练次数；
③
将经过处理后的电压常态数据和电流离线数据作为样本数据分别代入到隐藏层和输出层的输出方程，求出隐藏层和输出层输出量的值，完成bp神经网络的顺序传播过程；
④
由误差函数得出实际输出值与期望输出值之间的误差，再利用反向传播函数，对bp神经网络各层的连接权值进行校正，而后刷新所有的连接权值，完成bp神经网络的误差反向传播过程；
⑤
重新取一组经过处理后的电压常态数据和电流离线数据作为样本数据，重复步骤
③
和
④
的过程，直到所选的样本数据全部学习完毕，得到经过训练和学习后的神经网络最终权重值；
⑥
判断学习后的误差是否满足要求，若不满足则重复上述过程，满足则保存神经网络经过训练与学习后的各层权重值，即soe修正器(8)。
20.所述步骤s3中，能量状态基值预测模块(4)包括以下步骤：将电池系统soc估计值、电池系统电压在线检测值u作为输入，通过能量状态基值预测模块(4)便可得到能量状态基值soeb，具体方法如下：其中，表示从soc到放完电过程中电池组开路电压平均值，表示电池组从充满电到放完电过程中开路电压平均值。
21.所述步骤s1中，串联型电池系统中电池单体等效电路模型为二阶等效电路模型，模型主电路由2个rc并联电路、受控电压源u0(soc)及电池内阻r等组成，其数学表达式为：
22.u(t)＝u0[soc(t)]-i(t)[r(t) rs(t)/rs(t)jωcs(t) r
l
(t)/r
l
(t)jωc
l
(t)]，其中，u0(soc)为电池单体开路端电压，r(t)为电池单体内阻，rs(t)、r
l
(t)和cs(t)、c
l
(t)分别为描述电池单体暂态响应特性的电阻、电容，均为电池单体模型参数。soc的定义为：其中，soc0为电池单体soc初始值，一般为0～1的常数，c0为电池单体额定容量。所述电池单体模型参数u0(soc)、rs(t)、r
l
(t)和cs(t)、c
l
(t)的计算分别如下：
[0023][0024]
其中，a0～a5、b0～b5、c0～c2、d0～d2、e0～e2、f0～f2均为模型系数，可由电池测量数据经拟合而得。
[0025]
所述步骤s2中，串联型电池系统soc估计模块(3)中的扩展卡尔曼滤波法ekf包括以下步骤：
①
初始化状态变量x均值与均方误差；
②
状态估计的时间更新；
③
均方误差的时间更新；
④
计算增益矩阵；
⑤
状态估计的测量更新；
⑥
均方误差的测量更新；以电池系统端电压实际测量值为电池系统端电压，将这些对应量代入ekf算法中，经循环迭代后，实时得到soc的预测值。
[0026]
与公开专利(cn104459551a)相比，本发明的有益效果：本发明将电池单体离线数据作为电池系统soe修正器的输入，依次通过故障判别器、数据筛选器，得到电池单体电压常态数据，再利用bp神经网络，并结合各电池单体电压偏差值和电池系统电流在线检测值，获取能量状态补偿值，一方面，改进了相关已公开电池系统soe估算时未考虑电池组中电池不一致性对soe的影响，另一方面，解决了采用bp神经网络进行电池系统soe估算时数据繁杂、训练耗时的问题，提高串联型电池系统soe估算精度。
附图说明
[0027]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用来解释本发明，并不构成对本发明的限制。
[0028]
在附图中：
[0029]
图1是本发明基于bp神经网络的串联型电池系统能量预测方法方框图；
[0030]
图2是本发明串联型锂离子电池系统结构图；
[0031]
图3是本发明串联型电池系统等效电路模型图；
[0032]
图4是本发明单体电池等效电路模型图；
[0033]
图5是本发明soe修正器控制框图；
[0034]
图6是本发明三层bp神经网络图。
具体实施方式
[0035]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
[0036]
实施例：如图1所示，一种串联型电池系统能量状态预测方法，所述串联型电池系统由多个电池单体串联而成，该系统由n个电池单体经串联而成，n为大于等于1的自然数，如图2所示，具体步骤如下：
[0037]
s1、根据电池单体模型参数(1)结合串联电路中电流处处相等、总电压等于各阻抗电压之和的特性，建立一个含2个并联rc电路的串联型电池系统等效电路模型(2)；
[0038]
串联型电池系统是由3个电池单体通过串联而成，如图3所示；每个电池单体的额定电压为3.7v，额定容量为860mah，放电截止电压为3v。
[0039]
电池单体等效电路模型为二阶等效电路模型，如图4所示；模型主电路由2个rc并联电路、受控电压源u0(soc)及电池内阻r等组成，数学模型表达式为：u(t)＝u0[soc(t)]-i(t)[r(t) rs(t)/rs(t)jωcs(t) r
l
(t)/r
l
(t)jωc
l
(t)]，式中，u0(soc)、rs(t)、r
l
(t)和cs(t)、c
l
(t)的计算分别如下：
[0040]
[0041]
其中，a0～a5取值分别为-0.915、-40.867、3.632、0.537、-0.499、0.522，b0～b5取值分别为-0.1463、-30.27、0.1037、0.0584、0.1747、0.1288，c0～c2取值分别为0.1063、-62.49、0.0437，d0～d2取值分别为-200、-138、300，e0～e2取值分别为0.0712、-61.4、0.0288，f0～f2取值分别为-3083、-180、5088。
[0042]
所建立串联型电池系统基本模型(2)为二阶等效电路模型，串联电路各个元器件的电压之和等于整个电路的总电压，u(t)＝u1(t) u2(t) u3(t)，充放电电流相同，i(t)＝i1(t)＝i2(t)＝i3(t)，电池系统的阻抗zb(t)计算如下：式中，ri(t)为电池系统内阻，r
si
(t)、r
li
(t)和c
si
(t)、c
li
(t)分别为描述电池系统暂态响应特性的电阻、电容，i1(t)～i3(t)为每个电池单体的电流，u1(t)～u3(t)为每个电池单体的端电压，i(t)为电池系统电流，u(t)为电池系统端电压。
[0043]
s2、基于串联型电池系统等效电路模型(2)，得到电池空间状态方程，再结合电池系统电压在线检测值u和电流在线检测值i，经电池系统soc估计模块(3)，得到电池系统荷电状态soc；
[0044]
所述的串联型电池系统soc估计模块(3)中的扩展卡尔曼滤波法ekf包括以下步骤：
①
初始化状态变量x均值与均方误差；
②
状态估计的时间更新；
③
均方误差的时间更新；
④
计算增益矩阵；
⑤
状态估计的测量更新；
⑥
均方误差的测量更新；以电池系统端电压实际测量值为电池系统端电压，将这些对应量代入ekf算法中，经循环迭代后，实时得到soc的预测值。
[0045]
s3、基于电池系统电压在线检测值u和电池系统荷电状态soc，结合电池空间状态方程，通过能量状态基值预测模块(4)，获得电池系统能量状态基值soeb；
[0046]
利用能量状态基值预测模块(4)得到能量状态基值soeb，具体为：将电池系统soc估计值、电池系统电压在线检测值u作为输入，通过能量状态基值预测模块(4)便可得到能量状态基值soeb，方法如下：其中，表示从soc到放完电过程中电池组开路电压平均值，表示电池组从充满电到放完电过程中开路电压平均值。
[0047]
s4、基于电池单体离线数据、各电池单体电压偏差值δui、电池系统电流在线检测值i，利用电池系统soe修正器(8)得到能量状态补偿值δsoeb，所述的电池系统soe修正器(8)由故障判别器(5)、数据筛选器(6)、bp神经网络(7)模块依次连接而成；所述的经电池系统soe修正器(8)得到能量状态补偿值δsoeb的方法为：将电池单体离线数据作为电池系统soe修正器(8)的输入，依次通过故障判别器(5)、数据筛选器(6)，得到电池单体电压常态数据，再利用bp神经网络(7)，并结合各电池单体电压偏差值δui和电池系统电流在线检测值i，获取能量状态补偿值δsoeb，i为大于等于1且小于等于3的自然数；
[0048]
soe修正器(8)控制框图如图5所示，电池系统能量状态补偿值δsoeb产生步骤如
下：
[0049]
所述的电池单体离线数据包含各电池单体电压和电池系统电流离线数据，电池单体电压数据共有n组，每组有3个测量数据，n为大于1的自然数。
[0050]
将各电池单体电压u1～uk及电池系统电流离线值ik输入至故障判别器(5)内进行判别，k为大于等于1且小于等于3的自然数，具体包括：
[0051]
1)判断电池系统电流离线值ik是否等于0，若ik等于0，表明电池系统发生故障信号，输出soer＝0，若ik不等于0，则进行以下判断：
[0052]
2)判断各电池单体电压u1～uk是否等于0，若uk等于0，表明电池系统中第k个电池单体发生故障，输出故障信息，若uk不等于0，则进行以下判断：
[0053]
3)判断各电池单体电压u1～uk是否满足一致性要求，若uk满足，则表明无需考虑电池单体不一致对电池系统soe的影响，输出δsoeb＝0，若不满足，再将各电池单体电压u1～uk送入数据筛选器(6)中。
[0054]
利用数据筛选器(6)得到电池单体电压常态数据，具体为：取电池单体电压离线数据中某一组数据，通过绘制散点图进行相关性的判断：若某个数据点不在趋向线附近，需剔除该数据点；若所取的数据点在趋向线上或在趋向线附近，说明数据点之间存在相关性，即该数据点可留下，最后将所有电池单体电压离线数据筛选后，可留下的全部数据点，即为电池单体电压常态数据。
[0055]
利用bp神经网络(7)得到能量状态补偿值δsoeb，具体为：选用含有一个隐含层的3层bp神经网络(7)，如图6所示，其中，输入层有2个节点，输出层有1个节点，输入变量为电池单体电压常态数据及电池系统电流离线数据，输出变量为δsoeb，实现bp神经网络(7)流程如下：
[0056]
①
采集各电池单体电压常态数据及电池系统电流离线数据，对电压常态数据和电流离线数据进行归一化处理，将经过处理后的电压常态数据和电流离线数据作为样本数据；
②
创建bp神经网络模型，确定学习速率、学习速率下降比例因子及训练次数；
③
将经过处理后的电压常态数据和电流离线数据作为样本数据分别代入到隐藏层和输出层的输出方程，求出隐藏层和输出层输出量的值，完成bp神经网络的顺序传播过程；
④
由误差函数得出实际输出值与期望输出值之间的误差，再利用反向传播函数，对bp神经网络各层的连接权值进行校正，而后刷新所有的连接权值，完成bp神经网络的误差反向传播过程；
⑤
重新取一组经过处理后的电压常态数据和电流离线数据作为样本数据，重复步骤
③
和
④
的过程，直到所选的样本数据全部学习完毕，得到经过训练和学习后的神经网络最终权重值；
⑥
判断学习后的误差是否满足要求，若不满足则重复上述过程，满足则保存神经网络经过训练与学习后的各层权重值，即soe修正器(8)。
[0057]
s5、将能量状态预测基值soeb与能量状态补偿值δsoeb叠加，得到串联型电池系统能量状态预测值soer。
[0058]
最后应说明的是：以上所述仅为本发明的实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。