【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。