[发明专利]一种基于云边协同的电池组多状态联合估计方法

权利要求书

1.一种基于云边协同的电池组多状态联合估计方法，其特征在于：该方法包括以下步骤：

S1：选择合适的电池等效电路模型，结合在线参数辨识、开路电压修正、满充修正、安时积分和自适应滤波算法构建一个多算法融合的状态估计框架，基于定期筛选的最大最小电压单体进行串联电池组实时的荷电状态SOC估计；

S2：选择合适的机器学习算法，基于车载电池管理系统BMS上传的电池数据，定期更新电池组SOC或健康状态SOH；

S3：车载BMS将实时更新的SOC和电池电流、电压、温度等数据定期上传至大数据中心，用于云控平台基于数据驱动的SOC/SOH估计；云控平台则定期更新电池组SOC/SOH，并发送至车载终端用于校准实时SOC估计；

S4：收集实车数据并验证该算法的精度及泛用性。

2.根据权利要求1所述的一种基于云边协同的电池组多状态联合估计方法，其特征在于：所述S1中，电池等效电路模型为一阶RC模型，在线参数辨识算法为带遗忘因子的最小二乘FFRLS算法，自适应滤波算法为自适应扩展卡尔曼滤波AEKF算法；

基于最大最小电压单体，利用多算法融合状态估计框架实现串联电池组实时SOC估计的具体步骤为：

S11：基于车载BMS实时采集的所有单体电压数据定期筛选电池组中的最大最小电压单体，确定最大最小电压单体编号及出现频数，只考虑频数超过特定阈值的单体；

S12：初始化电池等效电路模型中的时变参数以及FFRLS和AEKF算法中的可调参数；

S13：判断电池组的休眠时间以及加载工况，利用多算法融合状态估计框架估计最大最小电压单体的SOC；

S14：根据最大最小电压在各单体出现的频数计算出对应的概率，然后基于该概率确定用于计算电池组SOC的权重，最终将基于各最大最小电压单体计算的SOC根据对应的权重融合，即可得到电池组SOC。

3.根据权利要求1所述的一种基于云边协同的电池组多状态联合估计方法，其特征在于：所述S2中，机器学习算法选择为具有自回归特性的高斯过程回归算法A-GPR；；云控平台基于数据驱动的SOC估计和SOH估计的更新周期并不相同；SOC估计的更新周期与车载终端上传数据周期保持一致，小于一分钟；而SOH估计的更新周期则远大于SOC估计的更新周期，由电池组实际容量变化阈值确定，为一个月。

4.根据权利要求1所述的一种基于云边协同的电池组多状态联合估计方法，其特征在于：所述S3中，云控平台更新的SOC发送至车载终端，根据一定的权重融合获得校准后的电池组SOC，其中权重因子通过模型训练确定；而云控平台更新的SOH发送至车载终端，则是用于更新电池组的当前容量，然后更新车载BMS的实时SOC估计，实现电池组SOC估计的双重校准。

5.根据权利要求2所述的一种基于云边协同的电池组多状态联合估计方法，其特征在于：所述S11中，电池组中最大最小电压单体筛选可基于数理统计的方法实现，在停车或充电阶段完成。

6.根据权利要求2所述的一种基于云边协同的电池组多状态联合估计方法，其特征在于：所述S13中，多算法融合的状态估计框架具体为：

首先，检测动力电池组是否休眠超过两小时或是否达到满充条件；如果电池休眠超过两小时，利用开路电压静态修正确定电池SOC；否则需要根据具体休眠时间确定融合权重，基于开路电压法和安时积分法融合计算电池SOC；如果能够准确判断电池组达到满充条件，确定电池SOC；然后，根据电池加载工况确定需要使用的估计算法；如果加载工况为动态工况，则使用FFRLS结合AEKF算法在线更新模型参数并实时估计电池SOC；否则使用安时积分算法确定电池SOC。

7.根据权利要求6所述的一种基于云边协同的电池组多状态联合估计方法，其特征在于：所述的多算法融合的状态估计框架应用于三元NCM/NCA电池体系，判断电池SOC是否超出电压平台区；如果超出，则利用端电压插值进行两端修正提升LFP电池SOC的估计精度，此为一种动态修正方法；如果电池在高、低SOC区间休眠超过两小时，采用开路电压静态修正方法，实现电池SOC校准。