[發明專利]一種基于數據驅動的鋰離子電池荷電狀態估計方法

在審

• 申請號: 202010802275.2
• 申請日: 2020-08-11
• 公開（公告）號: CN112083334A
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 趙紅茜;陳崢;申江衛;舒星
• 申請（專利權）人: 昆明理工大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/378;G01R31/36;G01R31/392;G01R31/388;G01R31/00
• 代理公司: 北京市盈科律師事務所 11344
• 代理人: 荔恒輝

本發明公開了一種基于數據驅動的鋰離子電池荷電狀態估計方法，涉及電池管理系統技術領域。本發明利用采集到的電池電壓、電流和溫度以及計算出的健康狀態值和荷電狀態值訓練基于極限學習機的荷電狀態估計模型。然后把基于極限學習機估計的荷電狀態值作為卡爾曼濾波的觀測值，用卡爾曼濾波對觀測值進行濾波處理，濾除測量噪聲的干擾，以提高荷電狀態的估計精度。該方法屬于數據驅動的方法，融合了極限學習機和卡爾曼濾波的優點，不需要建立精確的電化學模型，只需要對電池的歷史數據進行學習，就能對荷電狀態進行精確估計，具有很強的推廣性和適用性。

技術領域

本發明涉及電池管理系統技術領域，具體涉及一種基于數據驅動的鋰離子電池荷電狀態估計方法。

背景技術

鋰離子電池由于具有高能量密度、高功率密度、質量輕、自放電率低以及無記憶性和環保無污染等優點，已經被廣泛應用于電動汽車以及其他儲能領域。但是由于鋰離子電池動態的電化學特性和復雜的應用條件，需要我們對鋰離子電池進行必要的管理，以保證其安全高效的使用。

對荷電狀態的精確估計是影響電池管理系統發展的主要難題，目前關于電池管理系統的文獻有超過一半是研究荷電狀態估計的。現在常用的荷電狀態方法是庫倫計數法，該方法具有簡單便捷的優點，但是由于積分特性容易產生累計誤差，而且該方法的精度還過度依賴于荷電狀態初始值的精確度，因此該方法往往需要和其他方法結合在一起使用。開路電壓法也是常常被使用的方法，該方法精確度高，但由于需要電池靜置足夠長的時間才能精確的測得開路電壓，因此該方法不適合在線估計。基于等效電路模型的卡爾曼濾波法雖然克服了前兩種方法的不足，但是該方法的精度依賴于電池模型的精度和參數辨識的精度。該方法電池模型的建立以及參數辨識的過程比較繁瑣耗時，并且電池模型得泛化能力和推廣性差。神經網絡的方法，雖然克服了基于等效電路模型的卡爾曼濾波法建模困難、模型泛化能力差的問題，但是和基于等效電路模型的卡爾曼濾波法相比，缺乏魯棒性，在面對噪聲以及干擾時，會影響荷電狀態估計。

發明內容

本發明的目的是為了解決現有技術的不足，提供一種基于數據驅動的鋰離子電池荷電狀態估計方法，該方法有效的結合了極限學習機和卡爾曼濾波的優點，具有很強的推廣性和適用性。

本發明是通過如下技術方案來實現的：

一種基于數據驅動的鋰離子電池荷電狀態估計方法，包括以下步驟：

(1)采集數據集：采集鋰離子電池在放電過程中不同時刻的電壓V_t′、電流I_t′和溫度T_t′，采樣間隔時間為1秒；

(2)劃分數據集：對所述的數據集進行歸一化處理后劃分為適合極限學習機的訓練集和測試集；

(3)初始化極限學習機的各參數值：隨機初始化極限學習機的各參數值，包括權重和閾值；

(4)訓練極限學習機：用所述的訓練集對所述的極限學習機進行訓練，獲得基于極限學習機的荷電狀態估計模型；

(5)獲得卡爾曼濾波的觀測值：利用步驟(4)獲得的模型對所述的測試集進行測試，得到基于極限學習機的荷電狀態估計值，作為卡爾曼濾波的觀測值；

(6)獲得準確的荷電狀態估計值：將步驟(5)中獲得的觀測值輸入到卡爾曼濾波中，獲得準確的荷電狀態估計值。

步驟(2)中所述的劃分數據集，包括以下步驟：

(21)根據所述的電流I_t′，計算鋰離子電池的最大放電容量Ca和健康狀態SOH_t，計算公式為：

Ca＝-∑I_t′/3600；

其中，放電電流定義為負，Q_new表示鋰離子電池的標稱容量；