基于单位SOC区间容量的电池容量在线估计方法及系统

本发明属于储能电池，具体涉及一种基于单位soc区间容量的电池容量在线估计方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、电池已广泛应用于电动汽车和储能系统，但是会随着使用次数的不断增加电池容量发生一定的衰减。若能及时在线的检测出电池容量，将有助于实现对电池衰减过程的评估、实现对电池残值的评估、电池的回收利用以及电池安全性分析。

3、据发明人了解，电池容量估计方法可大致分为三类：基于模型的方法、基于ic-dv曲线的方法和基于数据驱动的方法。

4、早期的电池容量估计大多采用基于电池模型的方法，主要采用电池的等效电路模型来描述电池的热力学和动力学特性。电池容量通常被视为影响荷电状态(state ofcharge，简称soc)估计的主要参数，与soc一起实现对电池的联合估计。基于电池模型，采用扩展卡尔曼滤波(extended kalman filter，简称ekf)算法对电池容量和soc进行联合估计。因电池容量是soc估计的主要参数，而电池容量会随电池循环次数的增加而衰减，为使soc估计在电池整个生命周期都保持较高的估计精度，因而对电池容量进行估计；因此，基于电池模型的电池容量估计的精度不高。

5、基于电池的ic-dv曲线被广泛用于分析电池退化机制。ic-dv曲线是由ocv曲线的导数推导而来，通过分析ic-dv曲线峰值的位移和幅值变化，可分析电池的衰减程度和衰减路径，得到电池的容量变化。为获得完整的ic-dv曲线，通常需要一个完整的恒流的充放电循环；但是在实际的应用中，很难满足此条件，这给实际应用带来了极大挑战。

6、深度神经网络可极大提高数据驱动的电池容量估计精度；基于深度神经网络的电池容量方法既能消除算法对电池模型的依赖，又能降低对模型参数变化的敏感性。在基于深度神经网络的方法中，一类方法使用部分原始充电或放电数据(如电压、电流、温度或者满充后的电池松弛电压等)作为深度神经网络的输入，通过大量数据的训练获得网络模型，利用该网络模型对电池容量进行估计。但是，基于原始数据的方法通常需要大量的连续输入数据，导致网络需要具有更多层数和更多数量的神经元，这很难在资源有限的电池管理系统bms中实现。另一类方法先从原始数据中提取特征，即提取电池健康因子(healthindicators，his)，作为深度神经网络的输入，利用这些his训练网络实现对电池容量的估计，可明显减少神经网络的层数和各层神经元的数量，更有利于在资源有限的bms上实现；但是，大部分基于his的方法都假设系统运行在稳定的工作条件(恒电流或恒电压)，以准确的提取电池健康因子，这一假设在变电流的实际环境中难以满足。大多数现有的电池容量估计方法都是在恒流恒压条件下进行的，限制了电池在实际应用中的适用性。

技术实现思路

1、为了解决上述问题，本发明提出了一种基于单位soc区间容量的电池容量在线估计方法及系统，利用扩展卡尔曼滤波算法和电池模型得到单位soc区间容量，根据所得到的电池单位soc区间容量进行s电池容量的在线估计，解决了变电流、低温等不同的实际工况条件下电池容量估计的难题。

2、根据一些实施例，本发明的第一方案提供了一种基于单位soc区间容量的电池容量在线估计方法，采用如下技术方案：

3、一种基于单位soc区间容量的电池容量在线估计方法，包括：

4、获取待估计的电池模型；

5、通过扩展卡尔曼滤波计算所获取的电池模型的单位soc区间容量；

6、提取所得到的单位soc区间容量的电池容量特征；

7、根据所提取到的电池容量特征估计电池模型的电池容量，完成电池容量的在线估计。

8、作为进一步的技术限定，使用库仑计数方法记录相邻两个相差1％的soc点之间的容量值，所得到的容量值即为单位soc区间容量。

9、进一步的，所述扩展卡尔曼滤波包括预测阶段和校正阶段；所述预测阶段和所述校正阶段交替运行。

10、作为进一步的技术限定，所提取得到的电池容量特征为连续soc间隔下的单位soc区间容量。

11、作为进一步的技术限定，采用卷积神经网络估计电池模型的电池容量。

12、进一步的，获取若干个连续的单位soc区间容量，结合所述卷积神经网络，所输出的即为提取到的电池容量特征。

13、根据一些实施例，本发明的第二方案提供了一种基于单位soc区间容量的电池容量在线估计系统，采用如下技术方案：

14、一种基于单位soc区间容量的电池容量在线估计系统，包括：

15、获取模块，其被配置为获取待估计的电池模型；

16、计算模块，其被配置为通过扩展卡尔曼滤波计算所获取的电池模型的单位soc区间容量；

17、提取模块，其被配置为提取所得到的单位soc区间容量的电池容量特征；

18、估计模块，其被配置为根据所提取到的电池容量特征估计电池模型的电池容量，完成电池容量的在线估计。

19、根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质，采用如下技术方案：

20、一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方案所述的基于单位soc区间容量的电池容量在线估计方法中的步骤。

21、根据一些实施例，本发明的第四方案提供了一种电子设备，采用如下技术方案：

22、一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方案所述的基于单位soc区间容量的电池容量在线估计方法中的步骤。

23、根据一些实施例，本发明的第五方案提供了一种计算机程序产品，采用如下技术方案：

24、一种计算机程序产品，包括软件代码，所述软件代码中的程序执行如本发明第一方案所述的基于单位soc区间容量的电池容量在线估计方法中的步骤。

25、与现有技术相比，本发明的有益效果为：

26、本发明利用扩展卡尔曼滤波计算电池的单位soc区间容量值，根据所得到的电池单位soc区间容量值提取电池容量特征，最后根据所提取的电池容量特征实现对电池容量的在线估计；可用于变电流、低温等工作条件以实现不同的实际场景下的电池容量估计，通过对电池容量的评估提高电池使用寿命的预判。

技术特征：

1.一种基于单位soc区间容量的电池容量在线估计方法，其特征在于，包括：

2.如权利要求1中所述的基于单位soc区间容量的电池容量在线估计方法，其特征在于，使用库仑计数方法记录相邻两个相差1％的soc点之间的容量值，所得到的容量值即为单位soc区间容量。

3.如权利要求2中所述的基于单位soc区间容量的电池容量在线估计方法，其特征在于，所述扩展卡尔曼滤波包括预测阶段和校正阶段；所述预测阶段和所述校正阶段交替运行。

4.如权利要求1中所述的基于单位soc区间容量的电池容量在线估计方法，其特征在于，所提取得到的电池容量特征为连续soc间隔下的单位soc区间容量。

5.如权利要求1中所述的基于单位soc区间容量的电池容量在线估计方法，其特征在于，采用卷积神经网络估计电池模型的电池容量。

6.如权利要求5中所述的基于单位soc区间容量的电池容量在线估计方法，其特征在于，获取若干个连续的单位soc区间容量，结合所述卷积神经网络，所输出的即为提取到的电池容量特征。

7.一种基于单位soc区间容量的电池容量在线估计系统，其特征在于，包括：

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-6任一项所述的基于单位soc区间容量的电池容量在线估计方法的步骤。

9.一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-6任一项所述的基于单位soc区间容量的电池容量在线估计方法的步骤。

10.一种计算机程序产品，包括软件代码，其特征在于，所述软件代码中的程序执行如权利要求1-6任一项所述的基于单位soc区间容量的电池容量在线估计方法的步骤。

技术总结本发明属于储能电池技术领域，具体涉及一种基于单位SOC区间容量的电池容量在线估计方法及系统，包括：获取待估计的电池模型；通过扩展卡尔曼滤波计算所获取的电池模型的单位SOC区间容量；提取所得到的单位SOC区间容量的电池容量特征；根据所提取到的电池容量特征估计电池模型的电池容量，完成电池容量的在线估计。技术研发人员：乔昕,王知学,苏现征,申刚,侯恩广,王雪娟,李小伟,张云受保护的技术使用者：山东交通学院技术研发日：技术公布日：2024/8/1