一种动力电池SOC值估算方法及系统

一种动力电池soc值估算方法及系统
技术领域
1.本发明动力电池技术领域，尤其涉及一种动力电池soc值估算方法及系统。


背景技术：

2.soc(state of charge)，即电池的剩余电量，也称为荷电状态。表示电池使用或长期搁置一段时间后，其剩余容量与总的可用容量的比值，常用百分数表示。对电池soc的准确估算，既是电动汽车估算续航里程最基本的要求，又是提升电池利用效率和安全性能的基本保证。
3.经典的soc估算一般采用安时积分法(也叫电流积分法或者库仑计数法)。即电池充放电时，通过累积充进和放出的电量来估算soc，安时积分法只单纯从外部记录进出电池的电量，但忽略了电池内部状态的变化。同时电流测量不准，造成soc计算误差会不断累积，需要定期不断校准。除此之外，一般校准方法也采用开路电压法，其原理是利用电池在长时间静置的条件下，开路电压与soc存在相对固定的函数关系，从而根据开路电压来估算soc，但由于电池内阻不易测量，放电时间过长，放电过程中电池无法工作，此方法均只能在实验室条件下操作。
4.综上，现有soc估算方法存在不准确、应用场景局限的缺点，因此，如何提高动力电池soc值估算的准确性是亟待解决的问题。


技术实现要素：

5.有鉴于此，有必要提供及一种动力电池soc值估算方法及系统，用以克服现有技术中对动力电池soc值估计的准确性不高的问题。
6.为了解决上述技术问题，本发明提供一种动力电池soc值估算方法，包括：
7.获取动力电池的电池参数；
8.根据所述电池参数，建立所述动力电池的等效电路；
9.根据所述等效电路的线性系统方程进行状态估计，确定对应的输出端电压；
10.根据所述输出端电压和实际测量电压的差值进行soc值的估计，确定第一soc估计值，并根据所述输出端电压进行svr模型训练，并根据训练完备的svr模型的模型结果对所述第一soc估计值进行误差补偿，确定第二soc估计值。
11.进一步地，所述电池参数包括极化特性参数和扩散特性参数，所述根据所述电池参数，建立所述动力电池的等效电路，包括：
12.根据所述极化特性参数和所述扩散特性参数，采用若干并联的rc网络等效动力电池，创建自定义元器件，并选择阶次模型，建立所述等效电路。
13.进一步地，所述根据所述等效电路的线性系统方程进行状态估计，确定对应的输出端电压，包括：
14.根据所述等效电路的系统状态函数和系统观测函数，建立所述等效电路的观测方程的一般形式；
15.基于一阶泰勒对所述系统状态函数和所述系统观测函数展开线性化，并带入观测方程的一般形式，确定所述线性系统方程；
16.基于所述线性系统方程进行状态估计，确定对应的所述输出端电压。
17.进一步地，所述基于所述线性系统方程进行状态估计，确定对应的所述输出端电压，包括：
18.初始化所述线性系统方程的观测器初值；
19.根据先验估计，建立系统状态预估方程和误差协方差更新方程，基于k-1时刻，确定k时刻的系统状态和误差协方差；
20.根据后验估计，建立系统状态修正方程和误差协方差修正方程，修正k时刻的系统状态和误差协方差，确定k时刻的修正状态和修正协方差；
21.根据k时刻的修正状态和修正协方差，确定k时刻的所述输出端电压，并进行k 1时刻的状态估计，其中，k为整数。
22.进一步地，所述根据所述输出端电压和实际测量电压的差值进行soc值的估计，确定第一soc估计值，包括：根据所述输出端电压和实际测量电压的差值作为卡尔曼滤波算法的噪声进行soc值的估计，确定所述第一soc估计值。
23.进一步地，所述并根据所述输出端电压进行svr模型训练，并根据训练完备的svr模型的模型结果对所述第一soc估计值进行误差补偿，确定第二soc估计值，包括：
24.将所述输出端电压作为训练样本数据，将soc估计值的误差值作为标签，进行svr模型训练，确定训练完备的svr模型；
25.将待测的输出端电压输入至训练完备的svr模型，确定预测的soc估计值的误差值；
26.将所述第一soc估计值和预测的soc估计值的误差值之差，确定所述第二soc估计值。
27.进一步地，所述svr模型的训练过程，包括：
28.根据适应度划分领导层等级的狼群和对应的低等级的狼群；
29.根据狼群中的灰狼个体距离和猎物位置，更新灰狼位置；
30.根据更新后的灰狼位置，利用领导层等级的狼群领导对应的低等级的狼群对猎物位置进行包围，更新灰狼个体的移动方向和移动步长；
31.根据更新后的灰狼个体的移动方向和移动步长，确定所述svr模型的惩罚因子的最优解和核参数的最优解。
32.进一步地，所述svr模型的训练过程，还包括：
33.当所述svr模型的模型结果的误差超过预设阈值，则重新利用所述输出端电压形成的训练样本数据重新进行模型训练。
34.进一步地，所述更新后的灰狼位置通过如下公式表示：
35.d＝|c
·
x
p
(t)-x(t)|
36.x(t 1)＝x
p
(t)-a
·d[0037][0038]
其中，x
p
表示猎物的位置；t表示迭代次数；x表示当前灰狼的位置；a表示随机变
量，a＝2a
·r2-a,r2∈[0,1],决定灰狼种群是猎物搜索范围，当a》1时，灰狼种群会扩大搜索猎物范围，当a《1时，灰狼种群会缩小搜索范围；c表示对猎物的扰动，c＝2r1,r1∈[0,1]；a表示收敛因子，max表示最大迭代次数。
[0039]
本发明还提供一种动力电池soc值估算系统，包括：若干动力电池和控制芯片，其中，所述控制芯片存储有计算机程序，该程序执行时，基于所述若干动力电池，实现如上所述的动力电池soc值估算方法。
[0040]
与现有技术相比，本发明的有益效果包括：首先，对动力电池的电池参数进行有效的获取；然后，基于动力电池的电池参数，建立对应的等效电路，形成有效的电路模型；进而，对构建的等效电路建立对应的线性系统方程，进行相应的状态估计，确定输出端电压；最后，选取基于模型的方法输出的数据作为svr的训练数据进行第二次估计，通过更准确的端电压和电流来进一步降低soc的估计误差。综上，本发明充分综合了滤波算法和数据驱动算法的优点，通过基于电路模型的输出数据进行svr模型训练，基于此构建的svr模型输出误差补偿进一步优化滤波结果。
附图说明
[0041]
图1为本发明提供的动力电池soc值估算方法一实施例的流程示意图；
[0042]
图2为本发明提供的等效电路一实施例的结构示意图；
[0043]
图3为本发明提供的图1中步骤s103一实施例的流程示意图；
[0044]
图4为本发明提供的图3中步骤s303一实施例的流程示意图；
[0045]
图5为本发明提供的图1中步骤s104一实施例的流程示意图；
[0046]
图6为本发明提供的误差补偿一实施例的流程示意图；
[0047]
图7为本发明提供的svr模型的训练过程一实施例的流程示意图；
[0048]
图8为本发明提供的算法估计结果比较一实施例的示意图；
[0049]
图9为本发明提供的算法估计误差一实施例的示意图。
具体实施方式
[0050]
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
[0051]
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0052]
在本发明的描述中，提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，所描述的实施例可以与其它实施例相结合。
[0053]
在本发明的描述中，流程之间步骤的执行顺序并不限于文中出现的顺序，其相应的顺序可以调整先后，或者并列出现。
[0054]
本发明提供了一种动力电池soc值估算方法及系统，充分综合了滤波算法和数据
驱动算法的优点，为进一步提高对动力电池soc值估算的准确性提供了新思路。
[0055]
在实施例描述之前，对相关词语进行释义：
[0056]
动力电池：动力电池即为工具提供动力来源的电源，多指为电动汽车、电动列车、电动自行车、高尔夫球车提供动力的蓄电池。其主要区别于用于汽车发动机启动的启动电池。多采用阀口密封式铅酸蓄电池、敞口式管式铅酸蓄电池以及磷酸铁锂蓄电池；
[0057]
soc值：电池荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余可放电电量与其完全充电状态的电量的比值，常用百分数表示。电池soc不能直接测量，只能通过电池端电压、充放电电流及内阻等参数来估算其大小。而这些参数还会受到电池老化、环境温度变化及汽车行驶状态等多种不确定因素的影响。
[0058]
基于上述技术名词的描述，现有技术中，对动力电池soc值存在不准确的情况，且未充分考虑估算过程中的动态变化。因而，本发明旨在提出一种准确的动力电池soc值估算方法及系统。
[0059]
以下分别对具体实施例进行详细说明：
[0060]
本发明实施例提供了一种动力电池soc值估算方法，结合图1来看，图1为本发明提供的动力电池soc值估算方法一实施例的流程示意图，包括步骤s101至步骤s104，其中：
[0061]
在步骤s101中，获取动力电池的电池参数；
[0062]
在步骤s102中，根据所述电池参数，建立所述动力电池的等效电路；
[0063]
在步骤s103中，根据所述等效电路的线性系统方程进行状态估计，确定对应的输出端电压；
[0064]
在步骤s104中，根据所述输出端电压和实际测量电压的差值进行soc值的估计，确定第一soc估计值，并根据所述输出端电压进行svr模型训练，并根据训练完备的svr模型的模型结果对所述第一soc估计值进行误差补偿，确定第二soc估计值。
[0065]
在本发明实施例中，首先，对动力电池的电池参数进行有效的获取；然后，基于动力电池的电池参数，建立对应的等效电路，形成有效的电路模型；进而，对构建的等效电路建立对应的线性系统方程，进行相应的状态估计，确定输出端电压；最后，选取基于模型的方法输出的数据作为svr的训练数据进行第二次估计，通过更准确的端电压和电流来进一步降低soc的估计误差。
[0066]
作为优选的实施例，所述电池参数包括极化特性参数和扩散特性参数，上述步骤s102包括：根据所述极化特性参数和所述扩散特性参数，采用若干并联的rc网络等效动力电池，创建自定义元器件，并选择阶次模型，建立所述等效电路。
[0067]
在本发明实施例中，使用多个并联的rc网络分别表示电池内部的极化特性和扩散特性来进行电池模型的等效。
[0068]
在本发明一个具体的实施例中，结合图2来看，图2为本发明提供的等效电路一实施例的结构示意图，图2中，battery表示电池，r表示电阻，c表示电容，signal builder表示信号发生器，solver configuratian表示解决方案模块，ps-simulink converter simulink表示信号转换器，simout表示仿真输出模块，scope表示示波器，等效电路建模并确立模型阶次具体包括：
[0069]
第一步，模型使用两个并联的rc网络分别表示电池内部的极化特性和扩散特性来进行电池模型的等效；
[0070]
第二步，使用simscape进行电路仿真模型的建模。其中电容、电阻、电源使用simscape language来进行自定义元器件的创建；
[0071]
第三步，为了评价各阶次模型，选择合适的阶次模型。从评价系数、最大误差、评价误差、拟合计算时间这四个方面来进行rc等效电路的分析。具体结果如下表1所示：
[0072]
表1
[0073]
rc网络数r2最大误差/mv平均误差/mv计算时间/sn＝00.92665.7861.7010.61n＝10.99119.0020.1161.12n＝20.99218.5080.1144.56n＝30.99218.1310.11210.13n＝40.99319.1150.11215.32n＝50.99119.0790.11127.21
[0074]
作为优选的实施例，结合图3来看，图3为本发明提供的图1中步骤s103一实施例的流程示意图，包括步骤s301至步骤s303，其中：
[0075]
在步骤s301中，根据所述等效电路的系统状态函数和系统观测函数，建立所述等效电路的观测方程的一般形式；
[0076]
在步骤s302中，基于一阶泰勒对所述系统状态函数和所述系统观测函数展开线性化，并带入观测方程的一般形式，确定所述线性系统方程；
[0077]
在步骤s303中，基于所述线性系统方程进行状态估计，确定对应的所述输出端电压。
[0078]
在本发明实施例中，在进行模型阶次确定后进行有效的参数估计，以确定对应的所述输出端电压。
[0079]
作为优选的实施例，结合图4来看，图4为本发明提供的图3中步骤s303一实施例的流程示意图，包括步骤s401至步骤s404，其中：
[0080]
在步骤s401中，初始化所述线性系统方程的观测器初值；
[0081]
在步骤s402中，根据先验估计，建立系统状态预估方程和误差协方差更新方程，基于k-1时刻，确定k时刻的系统状态和误差协方差；
[0082]
在步骤s403中，根据后验估计，建立系统状态修正方程和误差协方差修正方程，修正k时刻的系统状态和误差协方差，确定k时刻的修正状态和修正协方差；
[0083]
在步骤s404中，根据k时刻的修正状态和修正协方差，确定k时刻的所述输出端电压，并进行k 1时刻的状态估计，其中，k为整数。
[0084]
在本发明实施例中，基于所述线性系统方程进行有效的状态估计。
[0085]
在本发明一个具体的实施例中，状态估计步骤具体包括：
[0086]
第一，针对非线性离散系统，以f(x
k-1
，u
k-1
)为系统状态函数方程、h(xk，uk)为系统观测方程函数，其状态方程的观测方程的一般形式为：
[0087][0088]
式中，x为系统状态向量，u为系统输入变量，y为系统输出向量，ω
k-1
为系统白噪
声，协方差为qk，vk是均值为0的测量白噪声序列，协方差为rk,ω和v相互独立；
[0089]
第二，在每一时刻，对f(xk，uk)和h(xk，uk)用一阶泰勒展开线性化，即：
[0090][0091]
式中，为xk的估计值。定义带入上式可得到线性化后的系统状态方程和观测方程为：
[0092][0093]
第三，基于上述系统方程，建立估计流程：
[0094]
首先，进行初始化，设置观测器的初值：x0，p0，q0，r0；
[0095]
然后，进行先验估计-预测：状态从时间(k-1)

到时间(k)-：系统状态预估和误差协方差预估更新方程如下：
[0096][0097]
进而，进行后验估计-修正：状态从时间(k)-到时间(k)

：此步骤用k时刻的测量值yk校正状态估计和协方差估计，估计结果分别用和表示，测量更新方程如下：
[0098]
新息矩阵：
[0099]
卡尔曼增益矩阵：
[0100]
自适应噪声协方差匹配：
[0101][0102][0103][0104]
系统状态修正：
[0105]
误差协方差修正：
[0106]
上式中，p表示状态估计协方差，h表示由开窗估计原理得到的新息估计协方差函数，m表示开窗的大小，k表示卡尔曼增益矩阵，e表示新息，表示系统状态和状态估计误差协方差的先验估计，表示系统状态和状态估计误差协方差的后验估计值；
[0107]
最后，进行时间尺度更新，将时刻(k)

的状态和协方差矩阵作为输出，准备k 1时刻的状态估计。
[0108]
作为优选的实施例，上述步骤s104，包括：根据所述输出端电压和实际测量电压的差值作为卡尔曼滤波算法的噪声进行soc值的估计，确定所述第一soc估计值。
[0109]
在本发明实施例中，根据输出端电压和实际测量电压的差值，有效确定初次估计的第一soc估计值。
[0110]
作为优选的实施例，结合图5来看，图5为本发明提供的图1中步骤s104一实施例的流程示意图，上述步骤s104的二次估计具体包括步骤s501至步骤s503，其中：
[0111]
在步骤s501中，将所述输出端电压作为训练样本数据，将soc估计值的误差值作为标签，进行svr模型训练，确定训练完备的svr模型；
[0112]
在步骤s502中，将待测的输出端电压输入至训练完备的svr模型，确定预测的soc估计值的误差值；
[0113]
在步骤s503中，将所述第一soc估计值和预测的soc估计值的误差值之差，确定所述第二soc估计值。
[0114]
在本发明实施例中，相比于传统的卡尔曼滤波算法，将等效电路仿真输出的端电压与实际测量值的差值作为系统噪声，能够避免出现异常数据。对低soc区间的估计结果的准确度有所提高。
[0115]
在本发明一个具体的实施例中，结合图6来看，图6为本发明提供的误差补偿一实施例的流程示意图，通过等效电路模型输出的端电压和实际所测电压的差值作为卡尔曼滤波算法的噪声来进行soc的估计，并将电路模型输出的数据作为svr模型的训练数据来进行二次估计，对低soc区间的估计结果进行误差补偿，从而提高算法对soc估计的准确度。
[0116]
作为优选的实施例，结合图7来看，图7为本发明提供的svr模型的训练过程一实施例的流程示意图，包括步骤s701至步骤s704，其中：
[0117]
在步骤s701中，根据适应度划分领导层等级的狼群和对应的低等级的狼群；
[0118]
在步骤s702中，根据狼群中的灰狼个体距离和猎物位置，更新灰狼位置；
[0119]
在步骤s703中，根据更新后的灰狼位置，利用领导层等级的狼群领导对应的低等级的狼群对猎物位置进行包围，更新灰狼个体的移动方向和移动步长；
[0120]
在步骤s704中，根据更新后的灰狼个体的移动方向和移动步长，确定所述svr模型的惩罚因子的最优解和核参数的最优解。
[0121]
在本发明实施例中，通过灰狼优化svr，通过参数寻优来确定惩罚因子c和核参数的最优解。
[0122]
作为优选的实施例，更新后的灰狼位置通过如下公式表示：
[0123]
d＝|c
·
x
p
(t)-x(t)|
[0124]
x(t 1)＝x
p
(t)-a
·d[0125][0126]
其中，x
p
表示猎物的位置；t表示迭代次数；x表示当前灰狼的位置；a表示随机变量，a＝2a
·r2-a,r2∈[0,1],决定灰狼种群是猎物搜索范围，当a》1时，灰狼种群会扩大搜索猎物范围，当a《1时，灰狼种群会缩小搜索范围；c表示对猎物的扰动，c＝2r1,r1∈[0,1]；a表示收敛因子，max表示最大迭代次数。
[0127]
在本发明实施例中，利用上述公式有效更新群体中的灰狼个体的位置。
[0128]
在本发明一个具体的实施例中，灰狼优化svr中，惩罚因子c决定了训练数据的最大容错，因此，希望c越大越好，但c值太高又会导致训练模型过拟合，预测效果就会降低，从而影响训练模型的泛化性。核参数γ决定了样本数据映射到高维空间的复杂程度，当映射后的维度太高也会导致过拟合问题，太低会达不到线性要求导致欠拟合。在训练模型之前通过参数寻优来确定惩罚因子c和核参数的最优解。具体过程如下：
[0129]
第1步，划分等级，整个狼群根据适应度从高到低划分为四个等级，分别定义为α，β，δ，ω狼。其中α，β，δ处于领导层，可以领导比自己等级低的狼群。每次迭代过程会通过选择优秀狼来替代新的领导层，因此领导层是动态变化的，如此往复不断更新领导层来确保种群领导能力不会衰退，进而保证每次狩猎都能捕获到猎物。
[0130]
第2步，追踪猎物等级划分完就可以开始进行追踪猎物工作。首先对狼群所有狼进行定位和距离计算，然后再进行捕猎工作，在捕猎过程中，α，β，δ，ω的位置会发生变化，其中灰狼个体间的距离为：
[0131]
d＝|c
·
x
p
(t)-x(t)|
[0132]
更新方式为：
[0133]
x(t 1)＝x
p
(t)-a
·d[0134]
式中，x
p
为猎物的位置，t为迭代次数，x为当前灰狼的位置，a是一个随机变量a＝2a
·r2-a,r2∈[0,1],它决定灰狼种群是猎物搜索范围，当a》1时，灰狼种群会扩大搜索猎物范围，当a《1时，灰狼种群会缩小搜索范围。c表示对猎物的扰动c＝2r1,r1∈[0,1],控制着参数a的主要参数为a,我们称为收敛因子，计算公式如下：
[0135][0136]
式中，t表示当前迭代次数，max表示最大迭代次数。
[0137]
第3步，狩猎，当领导层发现猎物，等级最高的α狼会带领β，δ狼来指挥整个狼群，指导狼群包围猎物并成功捕获。在发现猎物时利用α，β，δ的与猎物的距离来指导其他灰狼个体更新移动方向和移动步长，不断逼近目标位置,更新方式如下：
[0138]dα
＝|c1x
α
(t)-x(t)|
[0139]dβ
＝|c2x
β
(t)-x(t)|
[0140]dδ
＝|c3x
δ
(t)-x(t)|
[0141]
x(t 1)＝x
p
(t)-a
·d[0142]
移动方向和步长如下：
[0143]
x1＝x
α-a1·dα
[0144]
x2＝x
β-a2·dβ
[0145]
x3＝x
δ-a3·dδ
[0146][0147]
其中，上式决定了ω狼的最终的位置，并且a、c分别为随机向量和自适应向量。
[0148]
作为优选的实施例，svr模型的训练过程还包括：当所述svr模型的模型结果的误差超过预设阈值，则重新利用所述输出端电压形成的训练样本数据重新进行模型训练。在本发明实施例中，有效更新svr模型，保证其估算准确性。
[0149]
在本发明实施例中，当模型预测的误差超过可容忍的上限，就会触发模型重构。当预测误差超过阈值，说明此时的训练模型已经不适用于此刻的数据分布，需要重新使用包含此时刻数据集的数据重新进行模型训练，从而提高预测的准确度。
[0150]
在本发明一个具体的实施例中，结合图8至图9来看，图8为本发明提供的算法估计结果比较一实施例的示意图，图9为本发明提供的算法估计误差一实施例的示意图，将本发明算法和传统ekf算法对soc的估计结果做了比较，从图8和图9可以看出本发明算法预测的精确度相比ekf算法有了显著提高，最大误差不超过0.015。其中，算法误差结果如下表2所示：
[0151]
表2
[0152]
算法平均绝对误差均方根误差ekf0.01930.0227dp-svr0.00620.0073
[0153]
本发明实施例提供了一种动力电池soc值估算系统，包括若干动力电池和控制芯片，其中，所述控制芯片存储有计算机程序，该程序执行时，基于所述若干动力电池，实现如上所述的动力电池soc值估算方法。
[0154]
本发明公开了一种动力电池soc值估算方法及系统，首先，对动力电池的电池参数进行有效的获取；然后，基于动力电池的电池参数，建立对应的等效电路，形成有效的电路模型；进而，对构建的等效电路建立对应的线性系统方程，进行相应的状态估计，确定输出端电压；最后，选取基于模型的方法输出的数据作为svr的训练数据进行第二次估计，通过更准确的端电压和电流来进一步降低soc的估计误差。
[0155]
本发明技术方案，充分综合了滤波算法和数据驱动算法的优点，通过基于电路模型的输出数据进行svr模型训练，基于此构建的svr模型输出误差补偿进一步优化滤波结果。
[0156]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。