[发明专利]一种电容器荷电状态的预测方法、装置及电子设备

说明书

本发明公开了一种电容器荷电状态的预测方法、装置及电子设备，该方法包括：获取目标电容器的荷电状态曲线图和在上一时刻的第一荷电状态值；根据第一荷电状态值，从荷电状态曲线图中确定目标电容器在上一时刻的开路电压值；构建目标电容器在上一时刻的一阶RC等效电路模型；按照带遗传因子的递归最小二乘算法，更新上一时刻的一阶RC等效电路模型中的电参数得到当前时刻的一阶RC等效电路模型；对当前时刻的一阶RC等效电路模型进行离散化处理后，采用自适应平方根容积卡尔曼滤波算法得到当前时刻的第二荷电状态值。本发明通过带遗传因子的递归最小二乘算法和自适应平方根容积卡尔曼滤波算法的结合，从而解决电容器的SOC估计值准确性不高的问题。

技术领域

本发明涉及锂电容荷电状态的技术领域，具体涉及一种电容器荷电状态的预测方法、装置及电子设备。

背景技术

车用储能装置的剩余容量的状态一般用荷电状态(简称SOC)来反映，用百分比的形式表示。锂离子电容器的电化学特征比较复杂，具有一定的电池特性，在混合动力车用环境下，电流、温度等变化较大，为了保证锂离子电容器的合理使用以及锂离子电容器的有效运行，获得准确的SOC估计值具有重要的意义。

当前SOC估算主要方法有电流积分、开路电压法和神经网络法。其中，电流积分法是在一段时间内得到电荷量的变化情况，由于电流积分法受初始SOC精度影响，所以，最终的SOC依赖于初始SOC的精度，若初始的SOC值存在误差，导致最终的SOC值的估算误差增加。开路电压(简称OCV)与SOC之间存在着一一对应的关系，虽然当电容器处于平衡状态时可以得到精度较高的SOC估计值，但是在车载动态工况下，电容器很难处于平衡状态，这将导致估算精度也受到影响。因此，电流积分法与开路电压法均会导致SOC估算精度降低，而上述中的神经网络法需要通过大量的参考数据进行训练，虽然可保证SOC的估算精度，但是该神经网络法估算算法的误差受训练数据和训练算法的影响，对硬件平台要求高，这些因素都限制了神经网络的实际应用。从而需要解决现有技术中锂离子电容器的SOC估计值准确性不高的问题。

发明内容

有鉴于此，本发明实施例提供了一种电容器荷电状态的预测方法、装置及电子设备，以解决现有技术中锂离子电容器的SOC估计值准确性不高的问题。

根据第一方面，本发明实施例提供了一种电容器荷电状态的预测方法，包括：获取目标电容器的荷电状态曲线图和在上一时刻的第一荷电状态值；根据所述第一荷电状态值，从所述荷电状态曲线图中确定所述目标电容器在上一时刻的开路电压值；构建所述目标电容器在上一时刻的一阶RC等效电路模型；按照带遗传因子的递归最小二乘算法，更新所述上一时刻的一阶RC等效电路模型中的电参数得到当前时刻的一阶RC等效电路模型；对所述当前时刻的一阶RC等效电路模型进行离散化处理后，采用自适应平方根容积卡尔曼滤波算法得到当前时刻的第二荷电状态值。

结合第一方面，在第一方面第一实施方式中，所述目标电容器包括极化电阻、极化电容、串联电阻和等效电源，其中所述极化电阻与所述极化电容并联连接，所述等效电源分别与所述极化电阻、极化电容连接，所述极化电阻、所述极化电容与所述串联电阻连接。

结合第一方面第一实施方式，在第一方面第二实施方式中，所述构建所述目标电容器在上一时刻的一阶RC等效电路模型的步骤还包括：获取所述目标电容器在充电过程或放电过程中的上一时刻的开路电压值、串联电阻值、极化电阻值和极化电容值；根据所述目标电容器在充电过程或放电过程中的上一时刻的开路电压值、串联电阻值、极化电阻值和极化电容值，构建一阶RC等效电路模型。