[發(fā)明專利]一種考慮多因素影響的電池包中單體電池SOC估計方法

有效

• 申請?zhí)枺?/td>: 202210055336.2
• 申請日: 2022-01-18
• 公開（公告）號: CN114200327B
• 公開（公告）日: 2023-07-28
• 發(fā)明（設(shè)計）人: 趙林輝;秦鵬亮
• 申請（專利權(quán)）人: 哈爾濱工業(yè)大學
• 主分類號: G01R31/387
• 分類號: G01R31/387
• 代理公司: 哈爾濱龍科專利代理有限公司 23206
• 代理人: 馮建

一種考慮多因素影響的電池包中單體電池SOC估計方法，涉及一種電池SOC估計方法。對電池包中同種類型的一個單體電池進行實驗得到源域數(shù)據(jù)；利用遷移學習框架將源域數(shù)據(jù)與目標域數(shù)據(jù)進行遷移和變換，遷移學習框架包括：特征增強、特征壓縮和MPD適配；使用數(shù)據(jù)驅(qū)動算法對變換后的源域數(shù)據(jù)進行建模，再對變換后的目標域數(shù)據(jù)進行SOC的預(yù)測，從而得到SOC估計值。基于數(shù)據(jù)驅(qū)動算法并采用遷移學習方法來解決溫度和電池老化狀態(tài)等多因素對SOC估計造成的不利影響，并針對現(xiàn)有遷移學習方法存在的問題提出一種同時適配MPD和CPD的遷移學習框架，方法簡單并且需要的實驗數(shù)據(jù)少。

技術(shù)領(lǐng)域

本發(fā)明涉及一種電池SOC估計方法，尤其是一種考慮多因素影響的電池包中單體電池SOC估計方法，屬于電池研發(fā)技術(shù)領(lǐng)域。

背景技術(shù)

電動汽車的迅速發(fā)展有效緩解了能源危機和環(huán)境惡化，而電動汽車的動力源是由大量單體電池組成的電池包，其中，對電池包中各單體電池的荷電狀態(tài)(State?of?Charge，SOC)進行準確的估計，對電動汽車的安全至關(guān)重要，也可為設(shè)計均衡策略及保障電動汽車的續(xù)航里程提供準確信息。

由于不同的生產(chǎn)工藝和所受環(huán)境的差異，電池包中單體電池之間不可避免地存在不一致性。目前對單體電池SOC進行估計的方法包括基于等效電路模型(EquivalentCircuit?Model，ECM)的方法、基于電化學模型的方法、基于數(shù)據(jù)驅(qū)動的方法等，如果將上述方法應(yīng)用于一個電池包中的所有單體電池，需要大量的計算能力和存儲空間。目前，電池包中各單體電池的SOC估計最常用的是基于平均差異模型的方法，但由于單體電池的不一致性，“平均電池”模型不能良好的表征整個電池包，最重要的是，上述方法都是在恒溫和固定的老化狀態(tài)等條件下提出并驗證的，然而在實際應(yīng)用中存在不同的影響因素，如溫度、電池老化狀態(tài)等，會導致現(xiàn)有的估計方法產(chǎn)生較大的偏差甚至不再適用，如不同的影響因素會導致ECM的參數(shù)發(fā)生變化，此外，雖然數(shù)據(jù)驅(qū)動方法不需要考慮電池內(nèi)部復雜的反應(yīng)原理，但不同的影響因素需混合所有的數(shù)據(jù)進行建模，這會大大增加模型的復雜度和模型的存儲空間。實際上，不同的影響因素會改變數(shù)據(jù)的邊緣概率分布(Marginal?ProbabilityDistribution，MPD)和條件概率分布(Conditional?Probability?Distribution，CPD)，從而使單一的數(shù)據(jù)驅(qū)動模型不再適用于其他影響因素。

遷移學習的核心是尋找源域數(shù)據(jù)和目標域數(shù)據(jù)之間的相似性，進而順利實現(xiàn)知識的遷移。但目前，基于實例的遷移學習方法在兩個數(shù)據(jù)域的分布差異較小時是有效的，基于特征的遷移學習方法假定數(shù)據(jù)域的MPD是一樣的，只適配數(shù)據(jù)域的CPD，基于模型的遷移學習方法需要對模型中的超參數(shù)進行調(diào)整，且仍假設(shè)數(shù)據(jù)域間的MPD是相同的，導致在實際應(yīng)用中針對上述問題很難獲得良好的遷移效果。因此，亟需對現(xiàn)有遷移學習方法進行改進，并在其基礎(chǔ)上提供一種考慮多因素影響的SOC估計方法，以解決目前SOC估計方法存在的缺陷。

發(fā)明內(nèi)容

為解決背景技術(shù)存在的不足，本發(fā)明提供一種考慮多因素影響的電池包中單體電池SOC估計方法，它基于數(shù)據(jù)驅(qū)動算法并采用遷移學習方法來解決溫度和電池老化狀態(tài)等多因素對SOC估計造成的不利影響，并針對現(xiàn)有遷移學習方法存在的問題提出一種同時適配MPD和CPD的遷移學習框架，方法簡單并且需要的實驗數(shù)據(jù)少。

為實現(xiàn)上述目的，本發(fā)明采取下述技術(shù)方案：一種考慮多因素影響的電池包中單體電池SOC估計方法，包括以下步驟：

步驟一：對電池包中同種類型的一個單體電池進行實驗得到源域數(shù)據(jù)；

步驟二：利用遷移學習框架將得到的源域數(shù)據(jù)與單體電池的目標域數(shù)據(jù)進行遷移和變換；

所述遷移學習框架具體包括：

1)特征增強

為得到源域數(shù)據(jù)和目標域數(shù)據(jù)中輸入變量與目標變量之間隱含的映射關(guān)系，將包含MPD信息的輸入變量與包含CPD信息的目標變量相結(jié)合，獲得同時包含CPD和MPD信息的特征增強矩陣如下：