电池电荷状态计算方法、装置、服务器及介质制造方法及图纸

本申请公开了一种电池电荷状态计算方法、装置、服务器及介质，该方法包括：获取当前的电流值及电压值；基于该电流值、电压值计算第一估算模型对应的下一时刻的第一电池电荷状态值，以及第二估算模型对应的下一时刻的第二电池电荷状态值；基于该第一电池电荷状态值及该第二电池电荷状态值计算下一时刻的目标电池电荷状态值。本申请实施例利用两个估算模型同步计算下一时刻的电池电荷状态值，进而综合两个估算模型的电池电荷状态值，得到融合后的目标电池电荷状态值，避免了单个估算模型存在的缺陷，提高了电池电荷状态计算的准确度。

Calculating Method, Device, Server and Media of Battery Charge State

【技术实现步骤摘要】
电池电荷状态计算方法、装置、服务器及介质技术邻域本申请一般涉及电池管理
，具体涉及一种电池电荷状态计算方法、装置、服务器及介质。
技术介绍
电池管理系统的电池电荷状态(StateofCharge，SOC)的估计主要应用在电动汽车领域，对于无人机的电池管理系统仍采用简单的计算，对于无人机电池而言，其应用环境复杂。目前，在计算电池电荷状态值时，通常采用安时积分法算法、直流内阻算法、人工神经网络算法及卡尔曼滤波算法。对于安时积分法算法，其对电流测量精度的依赖较大，在多个循环后，将由于传感器精度导致电流误差增大，从而导致SOC的准确度降低；对于卡尔曼滤波算法，由于其内部单一的电池估算模型，容易造成循环后期对单一模型的依赖性，逐渐增大计算误差，降低计算的准确率。
技术实现思路
鉴于现有技术中的上述缺陷或不足，期望提供一种电池电荷状态计算方法、装置、服务器及介质，以提高电池电荷状态计算的准确度。第一方面，本申请实施例提供一种电池电荷状态计算方法，包括：获取当前的电流值及电压值；基于所述电流值、电压值计算第一估算模型对应的下一时刻的第一电池电荷状态值，以及第二估算模型对应的下一时刻的第二电池电荷状态值；基于所述第一电池电荷状态值及所述第二电池电荷状态值计算下一时刻的目标电池电荷状态值。第二方面，本申请实施例提供一种电池电荷状态计算装置，该装置包括：获取模块，用于获取当前的电流值及电压值；第一计算模块，用于基于所述电流值、电压值计算第一估算模型对应的下一时刻的第一电池电荷状态值，以及第二估算模型对应的下一时刻的第二电池电荷状态值；第二计算模块，基于所述第一电池电荷状态值及所述第二电池电荷状态值确定下一时刻的目标电池电荷状态值。第三方面，本申请实施例提供一种服务器，包括存储器、处理器以及存储在存储器上并可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如第一方面所述的电池电荷状态计算方法。第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于实现如第一方面所述的电池电荷状态计算方法。综上，本申请实施例提供的电池电荷状态计算方法、装置、服务器及介质，在采集到当前的电流值和电压值后，通过利用两个估算模型同步计算下一时刻的电池电荷状态值，进而综合两个估算模型的电池电荷状态值，得到融合后的目标电池电荷状态值，避免了循环后期对单一模型的依赖性，弥补了单个估算模型存在的缺陷，提高了电池电荷状态计算的准确度。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1为本申请的实施例的电池电荷状态计算方法的流程示意图；图2所示本申请实施例的电池电荷状态计算逻辑示意图；图3为本申请的又一实施例的电池电荷状态计算方法的结构示意图；图4为本申请的实施例的电池电荷状态计算装置的结构示意图；图5为本申请的实施例的服务器的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与申请相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。可以理解，本申请实施例涉及的电池电荷状态计算方法，为了提高电池电荷状态(StateofCharge，SOC)计算准确率，避免单个估算模型算法发散导致计算不准确的问题，提供了包括两个SOC估算模型的计算逻辑框架，并且每个估算模型采用了不同的算法来计算其模型参数。可以理解，本申请实施例中涉及到的最小二乘法和H∞滤波算法都是通过对一阶RC模型进行变形离散化得到的，具体通过以下方程式表达：对于RC模型，可以表达如下：ut＝OCV-up-ir0其中，cp表示电池的极化电容，τp＝rpcp表示电池时间常数，其中rp为极化内阻。up表示电池极化电压，r0为电池欧姆内阻，OCV为开路电压，ut为电池端电压，i表示电流。对上述等效电路的状态方程可得到如下传递函数：可以将上述一阶RC模型将上述传递函数进行双线性变换以离散化处理，将s函数转换为z函数，即转换成标准的递推最小二乘法(RLS)以求解θ值。从而可以得到模型参数r0，rp，τp与最小二乘法中θ的关系，即可以根据实时采集到的电压及电流值辨识出实时的模型参数。具体可以通过如下式子表达：yk-1＝Φk-1θk-1+ek-1(1)上述公式表示k-1时刻与k时刻的迭代，其中，yk-1表示RLS算法的输出，即输出的测量电压值，ek-1表示RLS算法的离散误差，θk-1表示待估计参数，Φk-1表示观测矩阵，Kk表示增益，Pk表示误差协方差，μ为遗忘因子，加入遗忘因子可以提高估计参数的真实性。同样的，对于H∞滤波算法，其标准的表达式具体如下：其中，为系统最终估计值，Se，k-1权值矩阵，Ke，k表示k时刻增益矩阵，Pe，kk时刻误差协方差，Ae，k-1和分别表示不同时刻与系统相关的矩阵。Qe，k-1和Re，k-1分别表示k-1时刻系统噪声方差和测量噪声方差，一般可以根据经验确定为某固定值，λ表示H∞滤波性能边界值，根据实际工程需求选择合适的λ，可以保证H∞滤波每一时刻有解不发散。表示k-1时刻估计值，yk表示k时刻系统输出测量值，uk表示k时刻系统输入，表示系统测量方程。进一步，基于H∞滤波算法，对上述一阶RC等效电路模型变形离散化，表示成如下观测方程f(xe，k，uk)和测量方程g(xe，k，uk)。uk表示输入电流，xe，k表示估计值，yk表示输出的测量电压值，ze，k表示最终估计的参数值。ωe，k和ve，k表示系统观测噪声和测量噪声涉及的卡尔曼滤波算法可表示如下：xe，k+1＝f(xe，k，uk)+ωe，kyk＝g(xe，k，uk)+ve，kze，k＝Le，kxe，kxe，k＝[up，kcp，krp，kr0，k]′，Le，k＝[0011]通过上述公式可知，H∞滤波算法估算的参数中，更关心r0，rp两个参数值的计算，故其权值选的较大，选择合适的Se，k-1可以获得较好的代价函数。根据实时采集的电压ut和i可辨识出r0，rp，τp。进一步的，通过上述两种算法在线辨识出电池模型参数后，可以采用卡尔曼滤波算法(EKF)进行电池电荷状态值(SOC)的计算。对于卡尔曼滤波算法，与上述H∞滤波算法类似，首先对电池测量方程g(xd，k，uk，θd，k)与观测方程h(xd，k，uk，θd，k)进行离散化，可以表达如下：xd，k＝h(xd，k-1，uk-1，θd，k-2)+ωd，k-1(9)yk＝g(xd，k，uk，θd，k)+vd，k(10)其中，ωd，k和vd，k分别表示噪声，θd，k表示辨识的模型参数。然后对上述的g和h进行泰勒一级展开：xd，k＝Ad，k-1·xd，k-1+Bd，k-1·uk-1(*)(11)yk＝Cd，k·xd，k+Dd，k(12)xd，k＝[up，ksock](13)其中，Ad，k，Cd，k，Bd，k，Dd，k分别表示与估算模型相关的矩阵，η表示电池充放电效率，Δt表示采样的预设频率，Ca表示电池当前额定容量，表示开路电压对SOC本文档来自技高网...

【技术保护点】
1.一种电池电荷状态计算方法，其特征在于，所述方法包括：获取当前的电流值及电压值；基于所述电流值及所述电压值计算第一估算模型对应的下一时刻的第一电池电荷状态值，以及第二估算模型对应的下一时刻的第二电池电荷状态值；基于所述第一电池电荷状态值及所述第二电池电荷状态值计算下一时刻的目标电池电荷状态值。

【技术特征摘要】
1.一种电池电荷状态计算方法，其特征在于，所述方法包括：获取当前的电流值及电压值；基于所述电流值及所述电压值计算第一估算模型对应的下一时刻的第一电池电荷状态值，以及第二估算模型对应的下一时刻的第二电池电荷状态值；基于所述第一电池电荷状态值及所述第二电池电荷状态值计算下一时刻的目标电池电荷状态值。2.根据权利要求1所述的电池电荷状态计算方法，其特征在于，所述基于所述电流值、电压值计算第一估算模型对应的下一时刻的第一电池电荷状态值，以及第二估算模型对应的下一时刻的第二电池电荷状态值包括：基于所述电流值、所述电压值、递推最小二乘法及卡尔曼滤波算法计算所述第一电池电荷状态值；基于所述电流值、所述电压值、H∞滤波算法及卡尔曼滤波算法计算所述第二电池电荷状态值。3.根据权利要求1或2所述的电池电荷状态计算方法，其特征在于，所述基于所述第一电池电荷状态值及所述第二电池电荷状态值确定下一时刻的目标电池电荷状态值包括：计算所述第一估算模型对应的第一加权概率值，及所述第二估算模型第二加权概率值；基于所述第一加权概率值、所述第二加权概率值、所述第一电池电荷状态值及所述第二电池电荷状态值计算所述目标电池电荷状态值。4.根据权利要求2所述的电池电荷状态计算方法，其特征在于，所述基于所述电流值、所述电压值、递推最小二乘法及卡尔曼滤波算法计算所述第一电池电荷状态值包括：基于当前时刻的所述递推最小二乘法的估计值计算当前时刻的模型参数；基于当前时刻的模型参数及所述卡尔曼滤波算法计算当前时刻的先验估计值；基于当前时刻的先验估计值、所述电流值、所述电压值及所述递推最小二乘法计算下一时刻的第一增益；基于所述第一增益及所述递推最小二乘法计算下一时刻的模型参数；基于下一时刻的所述模型参数及所述卡尔曼滤波算法计算所述第一电池电荷状态值。5.根据权利要求2所述的电池电荷状态计算方法，其特征在于，所述基于所述电流值、所述电压值、H∞滤波算法及卡尔曼滤波算...

【专利技术属性】
技术研发人员：李思，张浩，周韦博，冯俊龙，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：广东,44