【技术实现步骤摘要】
一种基于休息恢复效应的可重构电池组SOC估计方法
[0001]本专利技术涉及电池
，更具体地，涉及一种基于休息恢复效应的可重构电池组SOC估计方法。
技术介绍
[0002]锂电池在电动汽车、储能电源等场景被广泛使用。在传统的电池组中，固定的连接方式导致电池组性能取决于其中性能最差的电池单元，往往会导致电池单元出现过充过放等问题。因此，可重构电池组被提出来解决此问题。
[0003]然而，无论是传统固定电池组，还是可重构电池组，电池SOC估计都至关重要。目前电池SOC估计方法分为五类：安时积分法、开路电压法、卡尔曼滤波、电化学方法、数据驱动方法。其中数据驱动方法，是目前最热门的方法。通过离线训练事先建立起能够预测SOC的模型，从而把大量的计算工作提前完成，在线使用时只需要使用训练好的模型即可。现有技术一般把电池单元在某一时刻的电压、电流、温度作为神经网络的输入来估计电池单元的SOC，但这种方法存在以下问题：
①
输入数据只有三个量，数据量过少，单个量的测量误差会对SOC预测结果产生很大影响；
②
相比电池单元的电流和电压，电池温度的高精度测量无疑更加困难，为每一个电池单元配备温度传感器也会增加可重构电池组成本；
③
该方法对时序依赖较为严重，在充放电情况变化较为剧烈时，SOC估计精度将会降低。
技术实现思路
[0004]本专利技术为克服上述现有基于数据驱动的锂电池SOC估计方法面临的精度和成本问题，提供一种基于休息恢复效应的可重构电池组SOC估...
【技术保护点】
【技术特征摘要】
1.一种基于休息恢复效应的可重构电池组SOC估计方法，所述方法适用于估计可重构电池组中电池单元的SOC，其特征在于，包括以下步骤：S1：获取可重构电池组中电池单元在进入休息状态前的电流数据、进入休息状态时的SOC数据、进入休息状态后T秒内的电压数据组成原始数据集；S2：进行数据预处理，得到数据矩阵；S3：搭建卷积神经网络模型，得到网络模型结构；S4：将数据矩阵划分为训练集和测试集，训练集的数据用于进行网络训练；S5：用测试集对模型进行评估，满足条件则输出神经网络模型，否则返回上一步；S6：对可重构电池组中进入休息状态的电池单元，采集该电池单元进入休息状态前的电流数据、进入休息状态后T秒内的电压数据，利用训练好的神经网络模型估计该电池单元的SOC。2.根据权利要求1所述的一种基于休息恢复效应的可重构电池组SOC估计方法，其特征在于，步骤S6所述的对可重构电池组中进入休息状态的电池单元，采集该电池单元进入休息状态前的电流数据、进入休息状态后T秒内的电压数据，利用训练好的神经网络模型估计该电池单元的SOC，具体过程为：S601：将步骤S5输出的神经网络模型输入到控制系统中；S602：控制系统实时检测所有电池单元的电压与电流，当检测到第k个电池单元电流突变至0时，代表该电池单元开始进入休息状态，记录下该电池单元在休息前一个采样时间的电流I
kf
；S603：控制系统开始持续记录该电池单元进入休息状态后T秒内的电压形成电压集合，记录为：其中v
k,t
代表第k个电池在进入休息状态后第t个时刻的电压，T
s
为控制系统的采样时间间隔；S604：将步骤S602所述的I
kf
和步骤S603所述的按照步骤S2所述预处理方法进行处理；S605：将步骤S604处理后的数据，输入步骤S601所述的神经网络模型，得到第k个电池单元SOC值。3.根据权利要求1所述的一种基于休息恢复效应的可重构电池组SOC估计方法，其特征在于，所述的可重构电池组具体由以下部分组成：
①
K个电池模块。每个电池模块包括电池单元、电流传感器和电压传感器，其中电流传感器与电池单元串联，电压传感器与电池单元并联。传感器将电池单元的电压信号v、电流信号i传递给控制系统。
②
K
×
J个开关模块，其中J为每个电池模块配置的开关数量。开关模块可以是电力电子开关或继电器。开关模块根据控制系统的控制信号CS，控制对应的电池单元投入或退出运行。
③
控制系统。控制系统实时接收可重构电池组中所有电池单元的电压和电流，形成电
压集合和电流集合并且向开关模块发出控制信号CS。其中：4.根据权利要求1所述的一种基于休息恢复效应的可重构电池组SOC估计方法，其特征在于，步骤S1所述的获取可重构电池组中电池单元在进入休息状态前的电流数据、进入休息状态时的SOC数据、进入休息状态后T秒内的电压数据组成原始数据集，具体步骤如下：S101：选取N个与被估计电池同型号的电池单元来构建原始数据集；S102：在0到最大额定电流I
max
之间，均匀选取M个数...
【专利技术属性】
技术研发人员：陈思哲，王玉乐，王裕，常乐，章云，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。