[发明专利]一种基于休息恢复效应的可重构电池组SOC估计方法

说明书

本发明公开了一种基于休息恢复效应的可重构电池组SOC估计方法，所述方法包括：获取可重构电池组中电池单元在进入休息状态前的电流数据、进入休息状态时的SOC数据、进入休息状态后T秒内的电压数据，组成原始数据集；进行数据预处理，得到数据矩阵；搭建卷积神经网络模型，得到网络模型结构；将数据矩阵划分为训练集和测试集，训练集的数据用于进行网络训练；利用测试集对模型进行评估，满足条件则输出神经网络模型，否则返回上一步；对可重构电池组中进入休息状态的电池单元，采集其进入休息状态前的电流数据、进入休息状态后T秒内的电压数据，利用训练好的神经网络模型估计该电池单元的SOC。本发明不用考虑电池工况对SOC估计结果的影响，实用性强。

技术领域

本发明涉及电池技术领域，更具体地，涉及一种基于休息恢复效应的可重构电池组SOC估计方法。

背景技术

锂电池在电动汽车、储能电源等场景被广泛使用。在传统的电池组中，固定的连接方式导致电池组性能取决于其中性能最差的电池单元，往往会导致电池单元出现过充过放等问题。因此，可重构电池组被提出来解决此问题。

然而，无论是传统固定电池组，还是可重构电池组，电池SOC估计都至关重要。目前电池SOC估计方法分为五类：安时积分法、开路电压法、卡尔曼滤波、电化学方法、数据驱动方法。其中数据驱动方法，是目前最热门的方法。通过离线训练事先建立起能够预测SOC的模型，从而把大量的计算工作提前完成，在线使用时只需要使用训练好的模型即可。现有技术一般把电池单元在某一时刻的电压、电流、温度作为神经网络的输入来估计电池单元的SOC，但这种方法存在以下问题：①输入数据只有三个量，数据量过少，单个量的测量误差会对 SOC预测结果产生很大影响；②相比电池单元的电流和电压，电池温度的高精度测量无疑更加困难，为每一个电池单元配备温度传感器也会增加可重构电池组成本；③该方法对时序依赖较为严重，在充放电情况变化较为剧烈时，SOC估计精度将会降低。

发明内容

本发明为克服上述现有基于数据驱动的锂电池SOC估计方法面临的精度和成本问题，提供一种基于休息恢复效应的可重构电池组SOC估计方法。本发明的技术方案如下：

一种基于休息恢复效应的可重构电池组SOC估计方法，适用于估计可重构电池组中电池单元SOC，其特征在于，包括以下步骤：

S1：获取可重构电池组中电池单元在进入休息状态前的电流数据、进入休息状态时的SOC数据、进入休息状态后T秒内的电压数据组成原始数据集；

S2：进行数据预处理，得到数据矩阵；

S3：搭建卷积神经网络模型，得到网络模型结构；

S4：将数据矩阵划分为训练集和测试集，训练集的数据用于进行网络训练；

S5：用测试集对模型进行评估，满足条件则输出神经网络模型，否则返回上一步；

S6：对可重构电池组中进入休息状态的电池单元，采集该电池单元进入休息状态前的电流数据、进入休息状态后T秒内的电压数据，利用训练好的神经网络模型估计该电池单元的SOC。

本方案中，步骤S6对可重构电池组中进入休息状态的电池单元，采集该电池单元进入休息状态前的电流数据、进入休息状态后T秒内的电压数据，利用训练好的神经网络模型估计该电池单元的SOC，具体过程为：

S601：将步骤S5输出的神经网络模型输入到控制系统中；

S602：控制系统实时检测所有电池单元的电压与电流，当检测到第k个电池单元电流突变至0时，代表该电池单元开始进入休息状态，记录下该电池单元在休息前一个采样时间的电流I_kf；

S603：控制系统开始持续记录该电池单元进入休息状态后T秒内的电压形成电压集合，记录为：