[發(fā)明專利]一種基于阻抗參數(shù)的SOH與SOC的在線協(xié)同估計方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110352980.1
• 申請日: 2021-03-31
• 公開（公告）號: CN113093014B
• 公開（公告）日: 2022-05-27
• 發(fā)明（設(shè)計）人: 尹春杰;王亞男;宋彥螟;李鵬飛;肖發(fā)達;宋其征;趙欽;王光旭
• 申請（專利權(quán)）人: 山東建筑大學(xué)
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/392;G01R31/387;G06N3/08
• 代理公司: 濟南圣達知識產(chǎn)權(quán)代理有限公司 37221
• 代理人: 李圣梅

1.一種基于阻抗參數(shù)的SOH與SOC的在線協(xié)同估計方法，包括：

向蓄電池施加脈沖電流激勵，采集充放電過程中充放電數(shù)據(jù)；

基于蓄電池等效電路模型，結(jié)合蓄電池的充放電數(shù)據(jù)進行阻抗參數(shù)的辨識；

引入循環(huán)神經(jīng)網(wǎng)絡(luò)模型，基于充放電數(shù)據(jù)和阻抗參數(shù)，協(xié)同估計SOC和SOH；

所述引入循環(huán)神經(jīng)網(wǎng)絡(luò)模型，基于充放電數(shù)據(jù)和阻抗參數(shù)，協(xié)同估計SOC和SOH，具體包括：

引入LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型，對LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練和學(xué)習(xí)，結(jié)合當(dāng)前時刻的時間序列數(shù)據(jù)和前一時刻荷電狀態(tài)SOC_t-1構(gòu)建SOC估算模型輸出當(dāng)前時刻的荷電狀態(tài)SOC_t；

結(jié)合當(dāng)前時刻的阻抗參數(shù)和當(dāng)前時刻的荷電狀態(tài)SOC_t，輸入前一時刻脈沖充放電得到的SOH_t-1，再次引入LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型，對LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練和學(xué)習(xí)，構(gòu)建SOH估算模型，估計蓄電池的健康狀態(tài)SOH_t。

2.如權(quán)利要求1所述的一種基于阻抗參數(shù)的SOH與SOC的在線協(xié)同估計方法，其特征是，基于蓄電池等效電路模型，結(jié)合蓄電池的充放電數(shù)據(jù)進行阻抗參數(shù)的辨識，包括：

選擇Thevenin等效電路模型作為蓄電池等效電路模型；

分析放電電流和端電壓的變化情況，得到電流激勵作用下的電壓變化曲線；

分析電流激勵作用下的電壓變化曲線，進行阻抗參數(shù)的辨識。

3.如權(quán)利要求1所述的一種基于阻抗參數(shù)的SOH與SOC的在線協(xié)同估計方法，其特征是，將采集的充放電數(shù)據(jù)轉(zhuǎn)化為時間序列數(shù)據(jù)。

4.如權(quán)利要求3所述的一種基于阻抗參數(shù)的SOH與SOC的在線協(xié)同估計方法，其特征是，對LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練和學(xué)習(xí)，包括：

確定LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型子網(wǎng)絡(luò)的輸入節(jié)點、隱藏層節(jié)點、全連接輸出節(jié)點。

5.如權(quán)利要求1所述的一種基于阻抗參數(shù)的SOH與SOC的在線協(xié)同估計方法，其特征是，所述充放電數(shù)據(jù)包括目標蓄電池端電壓、電流、溫度；

所述阻抗參數(shù)包括極化內(nèi)阻、極化電容及電池等效內(nèi)阻。

6.如權(quán)利要求4所述的一種基于阻抗參數(shù)的SOH與SOC的在線協(xié)同估計方法，其特征是，訓(xùn)練過程使用Adam算法加速收斂。

7.一種基于阻抗參數(shù)的SOH與SOC的在線協(xié)同估計系統(tǒng)，其特征是，包括：

數(shù)據(jù)采集模塊，被配置為：向蓄電池施加脈沖電流激勵，采集充放電過程中充放電數(shù)據(jù)；

阻抗參數(shù)辨識模塊，被配置為：基于蓄電池等效電路模型，結(jié)合蓄電池的充放電數(shù)據(jù)進行阻抗參數(shù)的辨識；

SOC和SOH協(xié)同估計模塊，被配置為：引入循環(huán)神經(jīng)網(wǎng)絡(luò)模型，基于充放電數(shù)據(jù)和阻抗參數(shù)，協(xié)同估計SOC和SOH；

所述引入循環(huán)神經(jīng)網(wǎng)絡(luò)模型，基于充放電數(shù)據(jù)和阻抗參數(shù)，協(xié)同估計SOC和SOH，具體包括：

引入LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型，對LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練和學(xué)習(xí)，結(jié)合當(dāng)前時刻的時間序列數(shù)據(jù)和前一時刻荷電狀態(tài)SOC_t-1構(gòu)建SOC估算模型輸出當(dāng)前時刻的荷電狀態(tài)SOC_t；

結(jié)合當(dāng)前時刻的阻抗參數(shù)和當(dāng)前時刻的荷電狀態(tài)SOC_t，輸入前一時刻脈沖充放電得到的SOH_t-1，再次引入LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型，對LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練和學(xué)習(xí)，構(gòu)建SOH估算模型，估計蓄電池的健康狀態(tài)SOH_t。

8.一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)權(quán)利要求1-6任一所述的一種基于阻抗參數(shù)的SOH與SOC的在線協(xié)同估計方法的步驟。

9.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-6任一所述的一種基于阻抗參數(shù)的SOH與SOC的在線協(xié)同估計方法的步驟。