【技术实现步骤摘要】
一种基于云边协同的电池组多状态联合估计方法
[0001]本专利技术属于电池
，涉及一种基于云边协同的电池组多状态联合估计方法。
技术介绍
[0002]准确鲁棒的电池组荷电状态SOC和健康状态SOH估计对于电池系统的安全、高效、可靠运行至关重要。与电芯相比，单体间的不一致性使得准确的电池组SOC/SOH估计极具挑战。单体不一致性主要由两个因素造成，一是电芯生产制造的随机性造成的不一致；二是电池使用过程中各单体的工作温度、加载幅值、老化状态等不同造成的不一致。
[0003]电池组SOC估计方法可分为安时积分法、基于电池模型的方法和基于数据驱动的方法。现被广泛使用的安时积分算法仅在电池组一致性良好的情况下估计精度尚可，随着电池的使用，不一致性加剧，该算法的估计效果会大打折扣，严重时可能导致算法失效。对于基于模型的方法，所使用的模型又可分为大单体模型、均值+偏差模型、最大最小电压模型和多单体模型。其中，大单体模型无法考虑单体间的不一致性，因此当电池组间存在明显不一致时，基于大单体模型的估计精度会极大地降低。而基于均值+...
【技术保护点】
【技术特征摘要】
1.一种基于云边协同的电池组多状态联合估计方法，其特征在于：该方法包括以下步骤：S1：选择合适的电池等效电路模型，结合在线参数辨识、开路电压修正、满充修正、安时积分和自适应滤波算法构建一个多算法融合的状态估计框架，基于定期筛选的最大最小电压单体进行串联电池组实时的荷电状态SOC估计；S2：选择合适的机器学习算法，基于车载电池管理系统BMS上传的电池数据，定期更新电池组SOC或健康状态SOH；S3：车载BMS将实时更新的SOC和电池电流、电压、温度等数据定期上传至大数据中心，用于云控平台基于数据驱动的SOC/SOH估计；云控平台则定期更新电池组SOC/SOH，并发送至车载终端用于校准实时SOC估计；S4：收集实车数据并验证该算法的精度及泛用性。2.根据权利要求1所述的一种基于云边协同的电池组多状态联合估计方法，其特征在于：所述S1中，电池等效电路模型为一阶RC模型，在线参数辨识算法为带遗忘因子的最小二乘FFRLS算法，自适应滤波算法为自适应扩展卡尔曼滤波AEKF算法；基于最大最小电压单体，利用多算法融合状态估计框架实现串联电池组实时SOC估计的具体步骤为：S11：基于车载BMS实时采集的所有单体电压数据定期筛选电池组中的最大最小电压单体，确定最大最小电压单体编号及出现频数，只考虑频数超过特定阈值的单体；S12：初始化电池等效电路模型中的时变参数以及FFRLS和AEKF算法中的可调参数；S13：判断电池组的休眠时间以及加载工况，利用多算法融合状态估计框架估计最大最小电压单体的SOC；S14：根据最大最小电压在各单体出现的频数计算出对应的概率，然后基于该概率确定用于计算电池组SOC的权重，最终将基于各最大最小电压单体计算的SOC根据对应的权重融合，即可得到电池组SOC。3.根据权利要求1所述的一种基于云边协同的电池组多状态联合估计方法，其特征在于：所述S2中，机器学习算法选择为具有自回归特性的高斯过程回归算法A
‑
GPR；；云控平台基于数据驱动的SOC估计和SOH估计的更新周期并不相同；SOC估计的更新周期与车载终端上传数据周期保持一致，小于一分钟；而SOH估计的更新周期则远大于SOC估计的更新周期，由电池组实际容量变化阈值确定，为一个月。4.根据权利要求1所述的一种基于云边协同的电池组多状态联合估计方法，其特征在于：所述S3中，云控平台更新的SOC发送至车载终端，根据一定的权重融合获得校准后的电池组SOC，其中权重因子通过模型训练确定；而云控平台更新的SOH发送至车载终端，则是用于更新电池组的当前容量，然后更新车载BMS的实时SOC估计，实现电池组SOC估计的双重校准。5.根据权利要求2所述的一种基于云边协同的电池组多状态联合估计方法，其特征在于：所述S...
【专利技术属性】
技术研发人员：胡晓松，刘文学，邓忠伟，张凯，李佳承，谢建波，刘华彬，李杰，舒俊豪，
申请(专利权)人：谢建波刘华彬李杰舒俊豪，
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。