[发明专利]一种基于大数据的磷酸铁锂电池SOC充电在线校正方法

说明书

本发明公开了一种基于大数据的磷酸铁锂电池SOC充电在线校正方法，属于汽车电池领域。针对现有电动汽车经常使用在浅充浅放的工况，而磷酸铁锂电池在此时没有较好的校正方法，导致SOC不准确从而影响驾驶体验性的问题，本发明提供一种基于大数据的磷酸铁锂电池SOC充电在线校正方法，使用数据过滤模块基于已有的充电数据得到表征电池特性的特征值，搭建包含BP神经网络模型的电池模型；根据后台电池当前充电情况和特征值，通过SOC校正模块得到估算SOC，从而实现SOC的在线校正。本发明能够根据已有的数据分析结果，在车辆充电过程中校正SOC，防止SOC长时间没有得到校正而造成较大累积误差，数据过滤模块对大数据进行筛选，保证了SOC的准确性和精度。

技术领域

本发明涉及汽车电池领域，更具体地说，涉及一种基于大数据的磷酸铁锂电池SOC充电在线校正方法。

背景技术

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。动力电池是将化学能转为电能的装置，是未来将取代汽油和柴油，作为电动汽车或电动自行车的行驶动力电源，动力电池具有超长寿命，一般来说具有5-10年使用寿命，同时支持快速充放电，耐高温，容量大，体积小，质量轻，使用安全等特点。动力电池还是一种环保绿色电源，不使用任何汞、铬、铅等有毒物质，对环境没有污染。

动力电池的转化过程是一个复杂的物理化学反应过程，而容量电压的微分曲线dQ/dv的峰值能很好的表现转化过程的相变。对于磷酸铁锂电池来说，平台区范围很大，不好进行OCV校正或扩展卡尔曼滤波法计算SOC，一般都是使用安时积分法，而浅充浅放对电池的寿命有很大的提高，因而在这种工况下纯粹的安时积分法会导致累积越来越大，dQ/dv的峰值可以很好的反映出电池在充电过程的相变，但是在实际运行过程中考虑到采样的误差，往往会造成dQ/dv曲线的波动，导致不宜直接使用dQ/dv峰值校正。

中国专利申请基于大数据和bp神经网络的锂离子电池SOC预测方法，申请号201910377462.8，公开日2019年5月7日，公开了基于大数据和bp神经网络的锂离子电池SOC预测方法，采集电池外部特征参数建立电池SOC大数据的数据集；建立训练集和测试集；构建多重bp神经网络预测模型；将数据集分别放入不同参数的bp神经网络预测模型中，得到测量精度；根据不同参数的bp神经网络预测模型所得到的测量精度进行分析，得到预测结果。本发明提供的基于大数据和bp神经网络的锂离子电池SOC预测方法，通过SOC预测的大数据集，便于对数据进行有效的挖掘，保证预测精度；通过分布bp神经网络预测模型对电池外部参数对电池进行SOC精确预测，具有较高的精度，尤其在大数据下，电池外部参数不断变化，该方法依然能准确的预测电池SOC的值，具有很高的使用性，可在实际中得到广泛应用，该发明公开内容中内阻和电容在实际车辆运行过程中没有行之有效的测量方法，其他参数如温度、电压或电流等不具有表征性，且因为具有多个平行的神经网络模型，在校正时得到多个预测值，此时用均方差和平均绝对误差作为最优解的评价指标，很容易出现某几个神经网络模型预测结果不正确但是预测值很接近从而导致错误校正的情况。

发明内容

1.要解决的技术问题

针对现有磷酸铁锂电池SOC计算不准确，累积误差越来越大，现有技术会出现错误校正的问题，本发明提供一种基于大数据的磷酸铁锂电池SOC充电在线校正方法，对电池参数进行筛选，根据电池容量微分曲线dQ/dv的峰值结合温度、电压和SOH等电池参数进行BP神经网络计算，能够实现在车辆充电过程中对SOC进行校正，消除浅充浅放积分计算导致的累积误差，保证SOC的计算精度，同时也减少了系统的运算数据量，提高计算效率。

2.技术方案

本发明的目的通过以下技术方案实现。