一种考虑健康状态的电池荷电状态估计方法及系统

1.本发明属于电池荷电状态估计技术领域，具体涉及一种考虑健康状态的电池荷电状态估计方法及系统。


背景技术：

2.电池荷电状态(state of charge，soc)是用于表征电池短期电量变化情况的重要参数，一般定义为当前剩余电量与当前最大可用容量之比，soc估计是电池管理系统的核心功能之一。准确的soc估计可以提高电池能量利用率，防止电池发生过充电、过放电，保障电池在使用过程中的安全性和可靠性，延长电池使用寿命。然而，受电池本体非线性、时变性等特征和复杂工况环境的影响，难以获得高精度的soc估计结果。
3.常用的电池soc估计方法主要包括：安时积分法、开路电压法、等效模型法和数据驱动法等。其中，安时积分法的计算简洁高效，但存在明显的误差累计效应；开路电压法需要对电池进行超过半小时的静置，难以应用于实际；等效模型法通常采用电池模型加滤波算法观测器实现soc估计，能够在估计精度和运算复杂度之间实现较好的平衡，但适用性和泛化能力有限；数据驱动法通常以电流电压信息作为输入建立机器学习或深度学习模型直接估计得到soc，估计精度较高，但该方法具有开环发散风险，运算量较大难以在线运行，且建立的模型为黑箱模型，缺乏可解释性，同时数据驱动法估计soc的可解释性尚未得到充分研究。
4.上述估计方法大都没有考虑出现电池容量衰减的情况下如何继续保证soc精度，即随着电池健康状态的改变，soc估计误差逐渐增大。


技术实现要素：

5.为了克服上述现有技术的缺点，本发明的目的在于提供一种考虑健康状态的电池荷电状态估计方法及系统，能够有效解决随着健康状态改变，soc估计出现的误差增大、数据驱动法开环发散风险以及可解释性差的技术问题。
6.为了达到上述目的，本发明采用以下技术方案予以实现：
7.本发明公开了一种考虑健康状态(soh)的电池荷电状态(soc)估计方法，包括以下步骤：
8.步骤1：利用公开数据或通过充放电设备，获取电池充放电数据及其对应的健康状态，构建数据集；
9.步骤2：建立相应的电池模型；
10.步骤3：基于步骤1的数据集和步骤2的电池模型估计电池的开路电压；
11.步骤4：构建以开路电压(ocv)和健康状态作为输入、电池荷电状态作为输出的神经网络模型；
12.步骤5：结合步骤1的数据集中的电流信息和步骤3的神经网络模型输出的电池荷电状态估计初值，通过滤波算法进行融合，得到最终电池荷电状态估计值。
13.优选地，步骤1中是利用公开数据或通过充放电设备获取电池充放电数据及对应的健康状态。
14.优选地，充放电设备为电池检测系统或充电桩。
15.优选地，所述电池为铅酸电池、镍氢电池、镍铬电池或锂离子电池。
16.优选地，步骤2中，构建电池模型，包括以下步骤：
17.步骤21、基于电池的一阶rc等效电路模型建立状态空间方程：
[0018][0019]
其中，e0为开路电压，r1为欧姆内阻，r2为极化内阻，c2为极化电容，u2为极化电压，i为电流，u0为电池端电压；
[0020]
步骤22、计算状态空间方程的传递函数，并增加零阶保持器环节，计算传递函数g(s)：
[0021][0022]
其中，t为采样间隔，h(s)为零阶保持器的传递函数，s为一个变量符号；e为一个无理数；
[0023]
步骤23、对传递函数g(s)做反拉氏变换，并进行离散化处理：
[0024][0025][0026]
求得k时刻的差分方程：
[0027][0028]
步骤24、结合公式(1)，计算得到k时刻的开路电压：
[0029][0030]
其中，
[0031]
步骤25、令vk＝e
0(k)-u
0(k)
，建立电池的受控自回归滑动平均模型，即carma模型：
[0032][0033]
其中，θ1＝a，θ2＝[r1 r2(1/a-1)]，θ3＝ar0，q-1
为一步平移算子，ξk为系统噪声。
[0034]
优选地，步骤3中，采用带遗忘因子的递推最小二乘法对电池carma模型参数进行在线估计，包括以下步骤：
[0035]
步骤31、由于开路电压在极短时间内变化量极小，故假设在一个采样间隔中开路电压不变，即e
0(k)
＝e
0(k-1)
，依据电池carma模型，得到：
[0036]u0(k)
＝[u
0(k-1) ikꢀ‑ik-1 1][θ
1k θ
2k θ
3k θ
4k
]
t
ꢀꢀꢀ
(26)
[0037]
其中，θ
4k
＝(1-a)e
0(k)
，由此求得开路电压e
0(k)
的估计值：
[0038][0039]
步骤32、采用带遗忘因子的递推最小二乘法进行开路电压的在线估计，初始化估计值：
[0040][0041]
其中，x为待估计参数，x0为待估计参数的初始值，p0为误差的协方差矩阵初始值，e为单位矩阵；
[0042]
步骤33、进行迭代求解，并依据公式(9)估计得到开路电压，迭代过程如下：
[0043]ek
＝y
k-hkx
k-1
ꢀꢀꢀ
(29)
[0044][0045]
xk＝x
k-1
k
kek
ꢀꢀꢀ
(31)
[0046][0047]
其中，k均指代k时刻，yk为电池端电压，ek为yk的预计误差，hk＝[u
0(k-1) ikꢀ‑ik-1 1]，xk＝[θ
1k θ
2k θ
3k θ
4k
]
t
为待估计参数阵，kk为增益系数，pk为协方差矩，λ为遗忘因子。
[0048]
优选地，步骤4中，构建神经网络模型的具体方法，包括：
[0049]
构建包含输入层、隐含层和输出层的bp神经网络模型，其输入特征序列为x＝[ocv soh]
t
，即电池的开路电压和健康状态，输出序列为y＝soc，即电池的荷电状态，隐含层神经元个数设置为64，激活函数为relu函数，整个网络对于任一样本的输出为：
[0050][0051]
其中，βi为隐含层第i个神经元与输出层之间的连接权值，g(x)为激活函数，ai为输入层与隐含层连接权重矩阵的第i行，xj为第j个样本的输入矩阵，bi为输入层与隐含层连接偏置矩阵的第i行，b
ii
为输出层偏置值，p为样本个数。
[0052]
优选地，步骤5中，通过滤波算法进行融合，具体包括：
[0053]
步骤51、计算电流与电池荷电状态之间的关系：
[0054][0055]
其中，q为电池当前最大可用容量，t为采样间隔，i为电流；
[0056]
步骤52、结合bp神经网络估计的soc结果和公式(16)，得到状态空间方程的递推
式：
[0057][0058]
其中，sock为k时刻的soc估计值，soc
bp,k
为通过bp神经网络模型得到的k时刻soc估计值，ik为k时刻的电流；
[0059]
步骤53、化简求得系统的状态方程和观测方程，并采用卡尔曼滤波算法，进行时间更新及测量更新，得到最终电池荷电状态估计值：
[0060][0061]
其中，xk为系统状态变量，即soc，yk为输出量，即bp神经网络模型估计得到的soc，uk为输入量，a为状态矩阵，b为输入矩阵，c为输出矩阵，ωk为过程噪声，vk为观测噪声。
[0062]
本发明还公开了一种考虑健康状态的电池荷电状态估计系统，包括：
[0063]
数据集构建模块，用于获取电池充放电数据及对应的健康状态；
[0064]
电池模型构建模块，用于构建电池模型；
[0065]
开路电压估计模块，用于根据构建的数据集和电池模型估计电池的开路电压；
[0066]
神经网络模型构建模块，用于构建以开路电压和充放电数据健康状态作为输入、以电池荷电状态作为输出的神经网络模型；
[0067]
电池荷电状态估计模块，用于结合数据集中的电流信息和神经网络模型输出的电池荷电状态估计初值，通过滤波算法进行融合，得到最终电池荷电状态估计值。
[0068]
与现有技术相比，本发明具有以下有益效果：
[0069]
本发明所提出的估计方法通过电压、电流数据和电池模型估计电池的开路电压，并将其作为神经网络的输入量，赋予神经网络领域知识，相较于传统的电压、电流输入量，本方法具有一定的可解释性。本发明采用滤波算法融合估计结果，可以避免数据驱动法带来的开环发散风险，使得方法具有较高的鲁棒性。本发明考虑电池的健康状态，将健康状态同样作为神经网络的输入量，实现在不同的健康状态下均能准确估计电池soc，对于提升电池管理系统的性能具有重要意义。
附图说明
[0070]
图1为本发明提出的方法流程图。
[0071]
图2为本发明实施例中一阶rc等效电路模型。
[0072]
图3为本发明实施例构建的bp神经网络结构图。
[0073]
图4为本发明实施例中电池soh为97.5％时的荷电状态估计结果。
[0074]
图5为本发明实施例中电池soh为73.2％时的荷电状态估计结果。
具体实施方式
[0075]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是
本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0076]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0077]
下面结合附图对本发明做进一步详细描述：
[0078]
参见图1，本发明提供的一种考虑健康状态的电池荷电状态估计方法，包括以下步骤：
[0079]
第一步，利用公开数据或通过充放电设备(电池检测系统、充电桩等)，获取电池充放电数据及其对应的健康状态(soh)，构建数据集；
[0080]
第二步，建立相应的电池模型。具体建立过程，包括以下步骤：
[0081]
步骤21、基于电池的一阶rc等效电路模型建立状态空间方程：
[0082][0083]
其中，e0为开路电压，r1为欧姆内阻，r2为极化内阻，c2为极化电容，u2为极化电压，i为电流，u0为电池端电压；
[0084]
步骤22、计算状态空间方程的传递函数，并增加零阶保持器环节，计算传递函数g(s)：
[0085][0086]
其中，t为采样间隔，h(s)为零阶保持器的传递函数，s为一个变量符号；e为一个无理数；
[0087]
步骤23、对传递函数g(s)做反拉氏变换，并进行离散化处理：
[0088][0089][0090]
求得k时刻的差分方程：
soh]
t
，即电池的开路电压和健康状态，输出序列为y＝soc，即电池的荷电状态，隐含层神经元个数设置为64，激活函数为relu函数，整个网络对于任一样本的输出为：
[0114][0115]
其中，βi为隐含层第i个神经元与输出层之间的连接权值，g(x)为激活函数，ai为输入层与隐含层连接权重矩阵的第i行，xj为第j个样本的输入矩阵，bi为输入层与隐含层连接偏置矩阵的第i行，b
ii
为输出层偏置值，p为样本个数。
[0116]
第五步，结合数据集中的电流信息和神经网络模型输出的soc估计初值，通过滤波算法进行融合，得到最终准确的soc估计值。
[0117]
通过滤波算法进行融合，具体包括：
[0118]
步骤51、计算电流与电池荷电状态之间的关系：
[0119][0120]
其中，q为电池当前最大可用容量，t为采样间隔，i为电流；
[0121]
步骤52、结合bp神经网络估计的soc结果和公式(16)，得到状态空间方程的递推式：
[0122][0123]
其中，sock为k时刻的soc估计值，soc
bp,k
为通过bp神经网络模型得到的k时刻soc估计值，ik为k时刻的电流；
[0124]
步骤53、化简求得系统的状态方程和观测方程，并采用卡尔曼滤波算法，进行时间更新及测量更新，得到最终电池荷电状态估计值：
[0125][0126]
其中，xk为系统状态变量，即soc，yk为输出量，即bp神经网络模型估计得到的soc，uk为输入量，a为状态矩阵，b为输入矩阵，c为输出矩阵，ωk为过程噪声，vk为观测噪声。
[0127]
具体应用实施例：
[0128]
本实施例中的测试对象为标称容量10ah的多氟多三元软包锂电池(dfdpsp1265132-10ah)，对其进行脉冲特性测试以及不同健康状态下的城市道路工况(udds)和新欧洲驾驶周期(nedc)放电测试，获取测试过程中的电压、电流、时间及其对应的soh，构建数据集。其中，采用不同老化程度下的udds工况放电数据进行建模，采用不同老化程度下的nedc工况放电数据进行验证。
[0129]
基于电池的一阶rc等效电路模型建立微分方程数学模型，参见图2，其中e0为开路电压，r1为欧姆内阻，r2为极化内阻，c2为极化电容，u2为极化电压，i为电流，u0为电池端电压。通过对数学模型进行离散与差分处理，建立电池的受控自回归滑动平均模型(carma模型)，如下式所示：
[0130][0131]
式中：θ1为θ2为[r1 r2(1/a-1)]；θ3为ar0；q-1
为一步平移算子；ξk为系统噪声。
[0132]
为避免“数据饱和”问题，在递推最小二乘法中引入遗忘因子，兼顾程序的跟踪性能和稳定后的误差需求。通过带遗忘因子的递推最小二乘法(ffrls法)对电池carma模型参数进行在线估计，从而得到开路电压估计值。其中递推最小二乘法中的遗忘因子设置为0.9，协方差矩阵初始值p0为单位矩阵。
[0133]
采用bp神经网络模型为主体实现基于ocv和soh的soc估计，即由电池的soh和第三步得到的ocv作为bp神经网络的输入特征，电池soc作为输出。bp神经网络模型分为输入层、隐含层和输出层三层结构，其结构参见图3。bp神经网络模型的隐含层神经元个数设置为64，激活函数为relu函数。
[0134]
由第四步可以初步实现soc估计，但估计精度相对较低且波动较大，同时考虑到数据驱动法的开环发散风险，因此在第五步结合电流信息通过卡尔曼滤波算法进一步提升估计精度。采用最大绝对误差(maxae)和均方根误差(rmse)作为估计误差量化指标。
[0135]
本实施例中实现了不同soh下的准确soc估计，并与基于一阶rc模型的双自适应衰减卡尔曼滤波(dafekf)进行对比：本发明所提出的方法在电池soh从97.7％到73.2％之间的范围内maxae均不超过1.5％，且rmse在0.5％左右，而作为对比的dafekf方法随着soh的降低，soc估计误差逐渐增大，表明本发明所提出方法的优异性。
[0136]
图4和图5详细展示了两个不同soh下的soc估计结果与对比。在soh为97.5％时，采用本发明提出的方法估计得到的soc与采用dafekf方法得到的soc误差接近，误差均不超过2％，都能较为准确的估计得到soc值。但当电池soh达到73.2％时，dafekf方法的估计误差已经超过6％，而本发明提出的soc估计方法依然能够保证最大绝对误差不超过1.5％，且可以克服常见滤波类方法中的初值依赖问题，在计算初期也无明显的收敛过程。由此证明所提出soc估计方法的估计精度在不同电池健康状态下都能得到保证。
[0137]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。