基于贝叶斯概率的动力电池多算法融合SOC估计方法技术

本发明专利技术具体涉及基于贝叶斯概率的动力电池多算法融合SOC估计方法，包括：构建相应的等效电路模型，对等效电路模型对应的模型参数进行参数辨识；基于多种估计算法分别构建用于预测动力电池端电压和SOC的多个观测器；在动态应力测试工况下，采集动力电池的关联参数，输入各个观测器以输出对应的端电压预测值和SOC估计值；基于不同时刻下的端电压预测值与对应实测值之间的残差，结合贝叶斯概率分配对应的加权值；基于对应的加权值对各个观测器输出的SOC估计值进行加权累加，生成对应的融合SOC估计值。本发明专利技术能够有效融合多种估计算法的SOC估计结果并实现多种估计算法的互补，从而能够在动力电池的整个充放电区间保持SOC估计全局最优。最优。最优。

【技术实现步骤摘要】
基于贝叶斯概率的动力电池多算法融合SOC估计方法


[0001]本专利技术涉及电动汽车动力电池管理
，具体涉及基于贝叶斯概率的动力电池多算法融合SOC估计方法。

技术介绍

[0002]动力电池目前广泛地应用于电动汽车领域，其是影响电动汽车整车性能的关键因素，其对行驶里程、加速能力、最大爬坡度会产生直接的影响。电池电荷状态(State of Charge,SOC)估计，是电池管理系统研究的核心和难点，动力电池的非线性特性使得许多滤波方法难以得到准确的估计结果。现有技术中，对于动力电池状态的管理与分析中常使用等效电路模型，通过基于电池动态特性和工作原理而由电阻、电容和电压源组成的动态特性的电路网络，来描述电池的开路电压，欧姆内阻以及电池内部反应过程的极化和扩散现象，然后通过相应滤波算法对动力电池SOC进行估计。
[0003]目前，动力电池SOC估计方法主要有安时计量法、开路电压法、神经网络法。安时计量法偏重于应用场合，在线、方便、准确但是需要测量设备精度高；开路电压法只适用于电池静置足够长时间后进行估计，不能实时估计；神经网络能够在线估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于贝叶斯概率的动力电池多算法融合SOC估计方法，其特征在于，包括以下步骤：S1：基于对应的动力电池构建相应的等效电路模型，然后通过用于表征动力电池端电压和SOC的关联参数对等效电路模型对应的模型参数进行参数辨识；S2：基于多种估计算法分别构建用于预测动力电池端电压和SOC的多个观测器；S3：在动态应力测试工况下，基于等效电路模型采集动力电池的关联参数；然后将动力电池的关联参数分别输入各个观测器以输出对应的端电压预测值和SOC估计值；S4：基于不同时刻下各个观测器输出的端电压预测值与对应实测值之间的残差，结合贝叶斯概率为各个观测器输出的SOC估计值分配对应的加权值；S5：基于对应的加权值对各个观测器输出的SOC估计值进行加权累加，生成对应的融合SOC估计值。2.如权利要求1所述的基于贝叶斯概率的动力电池多算法融合SOC估计方法，其特征在于：步骤S1中，等效电路模型包括但不限于Rint模型、Thevenin模型和DP模型。3.如权利要求1所述的基于贝叶斯概率的动力电池多算法融合SOC估计方法，其特征在于：步骤S1中，等效电路模型为Thevenin模型，其电路方程如下：其电路方程如下：式中：U
t
表示动力电池的端电压；U
D
表示动力电池RC并联环节的电压降；U
oc
表示动力电池的理想电压源；R
i
表示动力电池的欧姆内阻；R
D
表示动力电池的极化电阻；C
D
表示动力电池的极化电容；i
L
表示动力电池流过的电流。4.如权利要求1所述的基于贝叶斯概率的动力电池多算法融合SOC估计方法，其特征在于：步骤S1中，用于表征动力电池端电压和SOC的关联参数包括但不限于动力电池的端电压、充放电电流以及表面温度数据。5.如权利要求1所述的基于贝叶斯概率的动力电池多算法融合SOC估计方法，其特征在于：步骤S1中，以采样时间Δt为间隔采集动力电池的端电压、充放电电流以及表面温度数据，然后通过动力电池的端电压、充放电电流以及表面温度数据对等效电路模型对应的模型参数进...

【专利技术属性】
技术研发人员：汤爱华，龚鹏，李加洁，张志刚，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：