本發(fā)明涉及數(shù)據(jù)驅(qū)動的動力電池荷電狀態(tài)估計(jì)方法。

背景技術(shù)：

現(xiàn)有的動力電池如廣泛使用的鋰離子電池其荷電狀態(tài)估計(jì)方法大致可分為三類：

第一類為電量累計(jì)法，又稱為安時法，通過電池在充電和放電時的電量來估計(jì)電池的荷電狀態(tài)(state of charge，SOC)，并根據(jù)電池溫度和放電率等對SOC進(jìn)行修正，此方法簡單，算法較易實(shí)現(xiàn)，但存在的主要問題有：(1)涉及到的參數(shù)較多，如果參數(shù)測量不準(zhǔn)，易造成誤差；(2)未對電池老化和循環(huán)次數(shù)進(jìn)行補(bǔ)償；(3)受電流測量精度和修正系數(shù)等因素的影響較大；(4)需要給定精度的初始SOC值，這在實(shí)際應(yīng)用中很難給出。

第二類為電壓測量法，根據(jù)電池的開路電壓與電池的放電深度之間的關(guān)系，通過測量電池的開路電壓來估計(jì)SOC值，該方法簡單，然而在實(shí)際應(yīng)用中想要得到精確的SOC值，必須將電池長時間靜置，在電壓穩(wěn)定之后才能確定SOC值，實(shí)際工作時電流是劇烈波動的，因此較少用于電動汽車等實(shí)際應(yīng)用場合，而是作為電池充放電截止的判據(jù)。

第三類是基于神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)和高斯過程等非線性建模方法在電池端電壓、溫度、電流等輸入?yún)?shù)和電池SOC值輸出之間建立非線性模型，根據(jù)大量實(shí)驗(yàn)曲線和數(shù)據(jù)對系統(tǒng)進(jìn)行訓(xùn)練。此類方法的主要問題是沒有考慮到電池運(yùn)行是一個動態(tài)過程，而且系統(tǒng)運(yùn)行存在較大的不確定性，不能估計(jì)動態(tài)系統(tǒng)的不確定程度并修正模型。

第四類是基于電池等值電路模型的方法，采用電流源、電阻和電容對磷酸鐵鋰的充放電電路進(jìn)行數(shù)學(xué)建模，離線或在線辨識模型參數(shù)，如內(nèi)阻和電容值，將電池SOC看作是系統(tǒng)內(nèi)部狀態(tài)向量的一個分量，采用擴(kuò)展卡爾曼濾波(extended Kalman filter，EKF)或無跡卡爾曼濾波(unscented Kalman filter，UKF)等方法來動態(tài)估計(jì)SOC值和新息，其主要的問題在于：(1)此類方法一般將狀態(tài)方程表示為線性模型，觀測方程表示為非線性方程，然而SOC值受電池組溫度、充放電電流和使用時間等非線性因素的影響，其線性建模不能反映其真實(shí)物理過程；(2)觀測方程中的SOC值與開路電壓的非線性關(guān)系用多項(xiàng)式擬合逼近的方法，工作時所測的端電 壓與開路電壓的關(guān)系再根據(jù)等值電路來確定，因此也依賴于系統(tǒng)的建模精度和參數(shù)辨識精度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的之一是為了克服現(xiàn)有技術(shù)中的不足，提供一種高精度、穩(wěn)健的動力電池SOC估計(jì)方法。

為實(shí)現(xiàn)以上目的，通過以下技術(shù)方案實(shí)現(xiàn)：

數(shù)據(jù)驅(qū)動的動力電池荷電狀態(tài)估計(jì)方法，其特征在于，包括步驟：

(1)離線訓(xùn)練，獲得電池在設(shè)定狀態(tài)下的荷電狀態(tài)SOC值的高斯過程模型；

(2)在線估計(jì)，電池實(shí)際運(yùn)行狀態(tài)下，采集每個時刻的端電壓、工作電流和溫度等數(shù)據(jù)，根據(jù)離線訓(xùn)練獲得的荷電狀態(tài)SOC高斯過程模型估計(jì)荷電狀態(tài)SOC值，并計(jì)算估計(jì)的荷電狀態(tài)SOC值的均值和方差值；然后根據(jù)方差值修正估計(jì)的荷電狀態(tài)SOC值。

優(yōu)選地是，所述設(shè)定狀態(tài)為電池倍率或環(huán)境溫度，所述離線估計(jì)步驟包括(1.a)、采集電池在不同倍率、不同環(huán)境溫度下的每一采樣時刻t的端電壓v_t，工作電流i_t和溫度值c_t，并進(jìn)行SOC值估計(jì)，得到SOC_t，并對所有數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使得符合高斯分布的所有荷電狀態(tài)SOC值均值為0。

優(yōu)選地是，所述離線估計(jì)的具體步驟如下：

設(shè)系統(tǒng)的輸入為：u_t＝[i_t；c_t]，其中i_t為t時刻采樣的電流值，c_t為t時刻采樣的溫度值，u_t為t時刻的輸入向量，由t時刻的采樣的電流值和溫度值構(gòu)成；

系統(tǒng)的狀態(tài)變量為：

x_t＝SOC_t

其中SOC_t為離線估計(jì)時標(biāo)定的t時刻的荷電狀態(tài)SOC估計(jì)值，x_t表示系統(tǒng)的狀態(tài)變量，就由標(biāo)定的t時刻的荷電狀態(tài)SOC_t構(gòu)成；

系統(tǒng)的觀測變量為：

y_t＝v_t

其中v_t為t時刻采樣的電池端電壓值，y_t即為t時刻的觀測變量，由t時刻采樣的電池端電壓值v_t構(gòu)成；

(1.b)根據(jù)實(shí)時采集的數(shù)據(jù)學(xué)習(xí)SOC動態(tài)高斯過程：

其中收集前k個時刻的數(shù)據(jù)構(gòu)成矩陣：

矩陣的第i行構(gòu)成一個數(shù)據(jù)向量

設(shè)k個時刻的SOC值服從高斯過程，即

其中表示均值為0矢量、協(xié)方差矩陣為K_g的高斯分布，協(xié)方差矩陣K_g的每個元素設(shè)為：

其中表示矩陣的第i行第m列的元素，其參數(shù)θ_g＝(w_g1，W_g2，W_g3，τ_g0，α_g0，α_g1，σ_g0)為待學(xué)習(xí)模型參數(shù)，δ_ij為delta算子；選取N段連續(xù)的k個時刻數(shù)據(jù)，利用最大似然法學(xué)習(xí)模型參數(shù)θ_g，其目標(biāo)函數(shù)為：

其上標(biāo)n表示第n段數(shù)據(jù)，采用梯度法優(yōu)化此目標(biāo)函數(shù)就可以得到模型參數(shù)θ_g的估計(jì)值；

同理，學(xué)習(xí)觀測模型的動態(tài)高斯過程：

其中根據(jù)t時刻的數(shù)據(jù)和前k-1的數(shù)據(jù)構(gòu)成一個矩陣：

設(shè)k個時刻的端電壓觀測值服從高斯過程，即

其中協(xié)方差矩陣K_h的每個元素設(shè)為：

其中表示矩陣的第i行第m列的元素，矩陣參數(shù)θ_h＝(w_h1，w_h2，w_h3，τ_h0，α_h0，α_h1，σ_h0)為待學(xué)習(xí)模型參數(shù)；根據(jù)相應(yīng)的N段連續(xù)的k個時刻數(shù)據(jù)，利用最大似然法學(xué)習(xí)模型參數(shù)θ_h，其目標(biāo)函數(shù)為：

同樣采用梯度法優(yōu)化此目標(biāo)函數(shù)就可以得到模型參數(shù)θ_g的估計(jì)值。

優(yōu)選地是，所述在線估計(jì)包括以下步驟：

(2.a)狀態(tài)估計(jì)時域更新：

首先根據(jù)前一時刻SOC值的估計(jì)值產(chǎn)生三個Sigma點(diǎn)：

此處的根據(jù)訓(xùn)練好的動態(tài)模型高斯過程參數(shù)產(chǎn)生相應(yīng)的預(yù)測值：

此處

為根據(jù)構(gòu)成的核第一行；

因此可以得到SOC值在t時刻的先驗(yàn)估計(jì)：

其中

(2.b)方差時域更新

使用SOC值的先驗(yàn)估計(jì)，得到方差的先驗(yàn)估計(jì)：

其中

(2.c)根據(jù)訓(xùn)練好的觀測模型高斯過程參數(shù)產(chǎn)生Sigma點(diǎn)對應(yīng)的輸出估計(jì)值：

此處

為根據(jù)構(gòu)成的核第一行。其輸出估計(jì)值為：

(2.d)增益估計(jì)

計(jì)算

得到增益值：

(2.e)得到濾波后狀態(tài)變量的估計(jì)值和方差估計(jì)值：

即為t時刻SOC的估計(jì)值。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是一種結(jié)合大量實(shí)驗(yàn)數(shù)據(jù)和動態(tài)模型的動力電池SOC估計(jì)方法，既能有效利用在實(shí)驗(yàn)室得到的大量數(shù)據(jù)，又能在實(shí)際運(yùn)行過程中考慮系統(tǒng)模型、采集數(shù)據(jù)的不確定性，動態(tài)估計(jì)SOC值的均值和誤差，從而得到一個高精度、穩(wěn)健的動力電池SOC估計(jì)方法。

附圖說明

圖1為本發(fā)明專利實(shí)施的流程圖。

具體實(shí)施方式

下面結(jié)合附圖及實(shí)施例對本發(fā)明進(jìn)行詳細(xì)的描述：

如圖1所示，數(shù)據(jù)驅(qū)動的動力電池荷電狀態(tài)估計(jì)方法，其特征在于，包括步驟：

(1)離線訓(xùn)練，其過程如下：

(1.a)利用電池綜合性能測試儀和恒溫箱等測試儀器，測得電池在不同倍率、不同溫度下每一采樣時刻t的端電壓v_t，工作電流i_t和溫度值c_t，并進(jìn)行SOC值估計(jì)，得到SOC_t；所有數(shù)據(jù)均進(jìn)行標(biāo)準(zhǔn)化處理，使得服從均值為0的高斯分布。

設(shè)系統(tǒng)的輸入為：u_t＝[i_t；c_t]，其中i_t為t時刻采樣的電流值，c_t為t時刻采樣的溫度值，u_t為t時刻的輸入向量，由t時刻的采樣的電流值和溫度值構(gòu)成。

系統(tǒng)的狀態(tài)變量為：x_t＝SOC_t，其中SOC_t為離線估計(jì)時標(biāo)定的t時刻的荷電狀態(tài)SOC估計(jì)值，x_t表示系統(tǒng)的狀態(tài)變量，就由標(biāo)定的t時刻的荷電狀態(tài)SOC_t構(gòu)成。

系統(tǒng)的觀測變量為：y_t＝v_t

其中v_t為t時刻采樣的電池端電壓值，y_t即為t時刻的觀測變量，由t時刻采樣的電池端 電壓值v_t構(gòu)成。

(1.b)根據(jù)實(shí)時采集的數(shù)據(jù)學(xué)習(xí)SOC動態(tài)高斯過程：

其中收集前k個時刻的數(shù)據(jù)構(gòu)成矩陣：

矩陣的第i行構(gòu)成一個數(shù)據(jù)向量

設(shè)k個時刻的SOC值服從高斯過程，即

其中協(xié)方差矩陣K_g的每個元素設(shè)為：

其中表示矩陣的第i行第m列的元素，其參數(shù)θ_g＝(w_g1，w_g2，w_g3，τ_g0，α_g0，α_g1，σ_g0)為待學(xué)習(xí)模型參數(shù)，δ_ij為delta算子。選取N段連續(xù)的k個時刻數(shù)據(jù)，利用最大似然法學(xué)習(xí)模型參數(shù)θ_g，其目標(biāo)函數(shù)為：

其上標(biāo)n表示第n段數(shù)據(jù)，采用梯度法優(yōu)化此目標(biāo)函數(shù)就可以得到模型參數(shù)θ_g的估計(jì)值。

同理，學(xué)習(xí)觀測模型的動態(tài)高斯過程：

其中根據(jù)t時刻的數(shù)據(jù)和前k-1的數(shù)據(jù)構(gòu)成一個矩陣：

設(shè)k個時刻的端電壓觀測值服從高斯過程，即

其中協(xié)方差矩陣K_h的每個元素設(shè)為：

其中表示矩陣的第i行第m列的元素，其參數(shù)θ_h＝(w_h1，W_h2，w_h3，τ_h0，α_h0，α_h1，σ_h0)為待學(xué)習(xí)模型參數(shù)。根據(jù)相應(yīng)的N段連續(xù)的k個時刻數(shù)據(jù)，利用最大似然法學(xué)習(xí)模型參數(shù)θ_h，其目標(biāo)函數(shù)為：

同樣采用梯度法優(yōu)化此目標(biāo)函數(shù)就可以得到模型參數(shù)θ_g的估計(jì)值。

(2)在線估計(jì)

首先從訓(xùn)練數(shù)據(jù)里選取有代表性的M段連續(xù)數(shù)據(jù)存儲在數(shù)據(jù)單元中，根據(jù)工作電流值和溫度值選取最接近的一組數(shù)據(jù)作為在線估計(jì)環(huán)節(jié)高斯過程核的初始值。設(shè)定根據(jù)訓(xùn)練數(shù)據(jù)決定方差值的初始值。值得強(qiáng)調(diào)的是訓(xùn)練數(shù)據(jù)已經(jīng)進(jìn)行標(biāo)準(zhǔn)化處理，為得到實(shí)際結(jié)果，需要根據(jù)估計(jì)的結(jié)果和標(biāo)準(zhǔn)化處理使用的均值和方差進(jìn)行修正復(fù)原。接下來利用UKF來進(jìn)行在線估計(jì)，其過程如下：

(2.a)狀態(tài)估計(jì)時域更新

首先根據(jù)前一時刻SOC值的估計(jì)值產(chǎn)生三個Sigma點(diǎn)：

此處的根據(jù)訓(xùn)練好的動態(tài)模型高斯過程參數(shù)產(chǎn)生相應(yīng)的預(yù)測值：

此處

為根據(jù)構(gòu)成的核第一行。

因此可以得到SOC值在t時刻的先驗(yàn)估計(jì)：

其中

(2.b)方差時域更新

使用SOC值的先驗(yàn)估計(jì)，得到方差的先驗(yàn)估計(jì)：

其中

(2.c)根據(jù)訓(xùn)練好的觀測模型高斯過程參數(shù)產(chǎn)生Sigma點(diǎn)對應(yīng)的輸出估計(jì)值：

此處

為根據(jù)構(gòu)成的核第一行。其輸出估計(jì)值為：

(2.d)增益估計(jì)

計(jì)算

得到：

(2.e)得到濾波后狀態(tài)變量的估計(jì)值和方差估計(jì)值：

因此即為t時刻SOC的估計(jì)值。

由于本方法是一種數(shù)據(jù)驅(qū)動的方法，不是基于電路模型的方法，因此電池SOC的動態(tài)過程和觀測數(shù)據(jù)的動態(tài)過程全部由高斯過程來建模，而高斯過程模型的訓(xùn)練則是根據(jù)歷史數(shù)據(jù)來獲得的?；谏窠?jīng)網(wǎng)絡(luò)等數(shù)據(jù)驅(qū)動方法的SOC值估計(jì)方法只是在輸入輸出間建立一個固定的非線性映射關(guān)系，并不能根據(jù)上一個時刻的觀測值進(jìn)行動態(tài)修正，而本發(fā)明方法由于建立了一個動態(tài)模型，可以根據(jù)系統(tǒng)運(yùn)行數(shù)據(jù)進(jìn)行動態(tài)修正，因此具有更好的動態(tài)適應(yīng)能力。

為確保本發(fā)明方法的有效性，需要收集大量實(shí)驗(yàn)數(shù)據(jù)進(jìn)行模型訓(xùn)練，并進(jìn)行測試驗(yàn)證， 進(jìn)而調(diào)整模型參數(shù)，獲得最優(yōu)高斯過程模型。

本發(fā)明有兩個優(yōu)點(diǎn)：(1)降低對SOC估計(jì)初始設(shè)定值的依賴。傳統(tǒng)的安時法需要標(biāo)定SOC的初始值，一般通過深度放電來實(shí)現(xiàn)。由于此方法是數(shù)據(jù)驅(qū)動的，可以根據(jù)歷史數(shù)據(jù)來初步估計(jì)SOC值，同時由于估計(jì)過程是一個動態(tài)過程，能夠動態(tài)修正調(diào)整SOC估計(jì)值，從而在即使SOC初值給定不夠精確的情況下，也能得到較精確的SOC估計(jì)；(2)估計(jì)誤差小。通過對磷酸鐵鋰電池實(shí)驗(yàn)室運(yùn)行情況的測試及根據(jù)電動汽車工況運(yùn)行的模擬測試，本方法的SOC估計(jì)絕對值誤差絕大多數(shù)情況下少于3％，而安時法的SOC估計(jì)絕對值誤差一般為5％。

本發(fā)明中的實(shí)施例僅用于對本發(fā)明進(jìn)行說明，并不構(gòu)成對權(quán)利要求范圍的限制，本領(lǐng)域內(nèi)技術(shù)人員可以想到的其他實(shí)質(zhì)上等同的替代，均在本發(fā)明的保護(hù)范圍內(nèi)。