[发明专利]基于EKF-GPR和日常片段数据的电池实时全充时间的估算方法

摘要

基于EKF‑GPR和日常片段数据的电池实时全充时间的估算方法，属于一种电池实时全充时间的估算方法。本发明针对现有的的缺陷，提供了一种测量周期短、过程简单、便于测量和记录、实用性强的电池实时全充时间的估算方法。本发明中，初始化赋值，对恒流充电的全充数据进行高斯过程回归，计算初始超参数；提取次的片段数据，利用首次的全充数据作为状态的初值，状态向量初始化为首次的全充时间，对当前次的片段数据进行扩展卡尔曼滤波‑高斯过程回归，估计当前次恒流充电所需要的全充时间；扩展卡尔曼滤波循环递推；预测全充时间：计算次片段数据的全充时间：更新循环：赋值，计算，重复步骤二到步骤五。本发明主要用于估算电池实时全充时间。

主权项

1.基于EKF‑GPR和日常片段数据的电池实时全充时间的估算方法，其特征在于，它包括以下步骤：步骤一、初始化：恒流充电电流I，恒压充电截止电压V，初次循环loop₀，初始恒流充电下的全充数据d₀＝(t₀(k),v₀(k))，k＝1,2,...,n₀，n₀为在恒流充电电流I充电下电池达到恒压充电截止电压V时的总采样时间点数，t₀(k)是等间隔采样的离散相对时间，采样时间间隔ΔT＝t₀(k+1)‑t₀(k)为常数，v₀(k)表示第k个采样点的电压；扩展卡尔曼滤波的初始状态矩阵A₀；步骤二、高斯过程回归：利用周期协方差函数与神经网络协方差函数之和的协方差函数对恒流充电的全充数据d₀进行高斯过程回归，计算初始超参数hyp₀；步骤三、扩展卡尔曼滤波：提取loop＝loop₀+1次的片段数据d₁＝(t₁(k),v₁(k))，k＝1,2,...,n₁，利用loop₀次的全充数据d₀作为状态的初值，状态向量初始化为loop₀次的全充时间x_loop(1)＝t₀(n)，对loop次的片段数据进行扩展卡尔曼滤波‑高斯过程回归，估计第loop次恒流充电所需要的全充时间；步骤四、扩展卡尔曼滤波循环递推；步骤五、预测全充时间：计算loop次片段数据的全充时间x_loop(1)：x_loop(1)＝x_n+[ΔT×n‑1]                   (29)；步骤六、更新循环：赋值给loop0＝loop，计算(t₀(k),v₀(k))＝(x_loop(k),v₁(k))，重复步骤二到步骤五。