[发明专利]一种基于模型与数据驱动融合的电池包荷电状态估计方法

权利要求书

1.一种基于模型与数据驱动融合的电池包荷电状态估计方法，其特征在于：该方法包括以下步骤：

步骤一：将电池包视为大单体模型，电池包大单体模型等效于将n个单体模型进行串联，依据电路特性，求出电池包的欧姆内阻、电化学极化内阻及电容，简化为一个单体模型；选择一阶RC等效电路模型，由电压源、电阻、电容等基本电路元件组成，描述电池包外部的输入输出特性，即电流和电压关系；

步骤二：对电池包进行小电流恒流放电实验、混合脉冲功率特性实验、多倍率恒流充放电实验、FUDS放电实验及DST放电实验，记录实验数据；

步骤三：根据小电流恒流放电实验数据，用多项式拟合开路电压OCV与荷电状态SOC的关系曲线；

步骤四：建立一阶RC模型的数学表达式：

其中，C_p是极化电容，R_p是极化内阻，U_p是一阶RC网络的端电压，R_int是欧姆内阻，U_oc是电池的开路电压，U_t是电池的端电压，I是输入电流；对式(1)进行零阶保持离散化，获得电池模型的离散表达式：

U_p,k+1＝αU_p,k+(1-α)R_pI_k (2)

U_t,k+1＝U_oc-U_p,k+1-R_intI_k+1 (3)

其中，α＝exp(-Δt/τ)，将式(2)代入式(3)中，得到：

U_t,k+1＝U_oc-(αU_p,k+(1-α)R_pI_k)-R_intI_k+1 (4)

结合式(3)的表达式，消除方程中的U_p,k，得到电池的确定性模型：

其中

θ＝[α,(1-α)U_oc,-R_int,αR_int-(1-α)R_p]＝[a₁,a₂,a₃,a₄] (7)

需在线辨识的参数为：

使用带遗忘因子的递归最小二乘算法FFRLS来在线辨识一阶RC模型的参数，计算过程如下所示：

步骤五：根据上述离散表达式，建立模型状态空间方程：

其中，X_k、u_k分别是系统第k个样本时刻的状态向量和输入向量，Y_k+1是系统第k+1个样本时刻的输出向量：

ω_k、υ_k分别是均值为0的过程噪声序列和观测噪声序列；且相应的系数矩阵具体形式为：

结合AEKF算法估计电池包SOC，并记录估计值；

步骤六：对多倍率恒流充放电实验、FUDS放电实验及DST放电实验的实验数据进行数据预处理、特征相关性分析及主成分分析，训练GPR模型，将测试集数据代入训练好的GPR模型获得电池包SOC估计值；

步骤七：根据电池包实际工况计算相应权值，对步骤五和步骤六得到的估计值进行融合，得到SOC初步融合估计结果；

步骤八：根据电池包某一工况下，由步骤五计算得到的误差协方差及步骤六计算得到的置信区间计算相应权值，对步骤五和步骤六得到的估计值进行融合，得到SOC初步融合估计结果；

步骤九：根据步骤七及步骤八的估计结果，计算相应的权值，进行二次融合，得到二次融合后的SOC估计结果，比较步骤七、步骤八及步骤九的估计结果，选择最准确的估计结果作为电池包的SOC最终估计结果。

2.根据权利要求1所述的一种基于模型与数据驱动融合的电池包荷电状态估计方法，其特征在于：所述步骤六中，数据预处理包括异常值删除、补充遗漏值、时间同步处理、数据归一化处理及数据集分类。