[發明專利]一種基于云邊協同的電池組多狀態聯合估計方法

有效

• 申請號: 202111333506.0
• 申請日: 2021-11-11
• 公開（公告）號: CN114035072B
• 公開（公告）日: 2023-10-03
• 發明（設計）人: 胡曉松;劉文學;鄧忠偉;張凱;李佳承;謝建波;劉華彬;李杰;舒俊豪
• 申請（專利權）人: 重慶大學;謝建波;劉華彬;李杰;舒俊豪
• 主分類號: G01R31/3842
• 分類號: G01R31/3842;G01R31/3828;G01R31/396
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 廖曦

1.一種基于云邊協同的電池組多狀態聯合估計方法，其特征在于：該方法包括以下步驟：

S1：選擇合適的電池等效電路模型，結合在線參數辨識、開路電壓修正、滿充修正、安時積分和自適應濾波算法構建一個多算法融合的狀態估計框架，基于定期篩選的最大最小電壓單體進行串聯電池組實時的荷電狀態SOC估計；

S2：選擇合適的機器學習算法，基于車載電池管理系統BMS上傳的電池數據，定期更新電池組SOC或健康狀態SOH；

S3：車載BMS將實時更新的SOC和電池電流、電壓、溫度等數據定期上傳至大數據中心，用于云控平臺基于數據驅動的SOC/SOH估計；云控平臺則定期更新電池組SOC/SOH，并發送至車載終端用于校準實時SOC估計；

S4：收集實車數據并驗證該算法的精度及泛用性。

2.根據權利要求1所述的一種基于云邊協同的電池組多狀態聯合估計方法，其特征在于：所述S1中，電池等效電路模型為一階RC模型，在線參數辨識算法為帶遺忘因子的最小二乘FFRLS算法，自適應濾波算法為自適應擴展卡爾曼濾波AEKF算法；

基于最大最小電壓單體，利用多算法融合狀態估計框架實現串聯電池組實時SOC估計的具體步驟為：

S11：基于車載BMS實時采集的所有單體電壓數據定期篩選電池組中的最大最小電壓單體，確定最大最小電壓單體編號及出現頻數，只考慮頻數超過特定閾值的單體；

S12：初始化電池等效電路模型中的時變參數以及FFRLS和AEKF算法中的可調參數；

S13：判斷電池組的休眠時間以及加載工況，利用多算法融合狀態估計框架估計最大最小電壓單體的SOC；

S14：根據最大最小電壓在各單體出現的頻數計算出對應的概率，然后基于該概率確定用于計算電池組SOC的權重，最終將基于各最大最小電壓單體計算的SOC根據對應的權重融合，即可得到電池組SOC。

3.根據權利要求1所述的一種基于云邊協同的電池組多狀態聯合估計方法，其特征在于：所述S2中，機器學習算法選擇為具有自回歸特性的高斯過程回歸算法A-GPR；；云控平臺基于數據驅動的SOC估計和SOH估計的更新周期并不相同；SOC估計的更新周期與車載終端上傳數據周期保持一致，小于一分鐘；而SOH估計的更新周期則遠大于SOC估計的更新周期，由電池組實際容量變化閾值確定，為一個月。

4.根據權利要求1所述的一種基于云邊協同的電池組多狀態聯合估計方法，其特征在于：所述S3中，云控平臺更新的SOC發送至車載終端，根據一定的權重融合獲得校準后的電池組SOC，其中權重因子通過模型訓練確定；而云控平臺更新的SOH發送至車載終端，則是用于更新電池組的當前容量，然后更新車載BMS的實時SOC估計，實現電池組SOC估計的雙重校準。

5.根據權利要求2所述的一種基于云邊協同的電池組多狀態聯合估計方法，其特征在于：所述S11中，電池組中最大最小電壓單體篩選可基于數理統計的方法實現，在停車或充電階段完成。

6.根據權利要求2所述的一種基于云邊協同的電池組多狀態聯合估計方法，其特征在于：所述S13中，多算法融合的狀態估計框架具體為：

首先，檢測動力電池組是否休眠超過兩小時或是否達到滿充條件；如果電池休眠超過兩小時，利用開路電壓靜態修正確定電池SOC；否則需要根據具體休眠時間確定融合權重，基于開路電壓法和安時積分法融合計算電池SOC；如果能夠準確判斷電池組達到滿充條件，確定電池SOC；然后，根據電池加載工況確定需要使用的估計算法；如果加載工況為動態工況，則使用FFRLS結合AEKF算法在線更新模型參數并實時估計電池SOC；否則使用安時積分算法確定電池SOC。

7.根據權利要求6所述的一種基于云邊協同的電池組多狀態聯合估計方法，其特征在于：所述的多算法融合的狀態估計框架應用于三元NCM/NCA電池體系，判斷電池SOC是否超出電壓平臺區；如果超出，則利用端電壓插值進行兩端修正提升LFP電池SOC的估計精度，此為一種動態修正方法；如果電池在高、低SOC區間休眠超過兩小時，采用開路電壓靜態修正方法，實現電池SOC校準。