[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

说明书

本发明涉及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，属于电池技术领域。用于提高动力电池在复杂工况下SOC估计的准确性。电池在实际车载使用时，其工况复杂多变，单一的基于等效电路模型或基于数据驱动的估计方法难以保证良好的估计精度。因此，结合自适应扩展卡尔曼滤波AEKF和高斯过程回归GPR的各自优点，该融合算法能够在SOC初值不准确、不同工况、不同环境温度、不同老化状态、不同电流倍率等情况下依然有较好的SOC估计精度和鲁棒性。在动态工况下，AEKF算法的SOC估计精度优于GPR算法；与之相反，在恒流工况下，GPR算法的SOC估计精度优于AEKF算法。

技术领域

本发明属于电池技术领域，涉及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。

背景技术

对于电池包来说，电池管理系统(BMS)是保证电池包安全工作，发挥最优性能及延长使用寿命的关键部件，BMS的主要工作之一就是基于模型算法准确估计电池包SOC。由于电池包内单体间存在不一致性，且不一致性会随着电池包老化进一步恶化，所以很难建立精确的电池包模型，这为精确的估计电池包SOC带来了很大的挑战。

现有的电池单体及电池包SOC估计方法各有优缺点，最常用的方法是安时积分法，该方法计算简单且易于实现，但其估计精度依赖于电流的测量精度及准确的SOC初始值，容易产生累积计算误差。此外，SOC与开路电压(OCV)之间存在非线性的单调关系，可通过查表的方式估计SOC，然而，电池需要静置一段时间才可测得OCV，使得这一方法难以实际应用。基于模型的方法主要有等效电路模型和电化学模型，结合滤波算法，如卡尔曼滤波、粒子滤波、滑膜观测器等实现SOC估计。相反，数据驱动的方法不要求建立准确的电池模型，只需要通过样本数据即可实现准确的SOC估计，但这类方法对样本数据的数量及质量要求高，且计算量大，其算法主要包括人工神经网络、支持向量机、相关向量机及高斯过程回归等。

为了估计电池包在恒定电流、动态电流放电工况应用场景下的SOC，本发明提出了一种基于等效电路模型与数据驱动算法并行融合的方法。通过计算相应的权值，将基于一阶RC模型结合自适应扩展卡尔曼滤波算法的SOC估计方法与基于数据驱动的SOC估计方法进行并行融合，获得一种新型的电池包SOC估计方法，与单一的SOC估计方法相比，该方法不仅适用于多种工况，而且提高了SOC估计精度。

发明内容

有鉴于此，本发明的目的在于提供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。

为达到上述目的，本发明提供如下技术方案：

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，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：