一种锂电池组的不一致性估计方法技术

本发明专利技术涉及到锂电池领域，特别涉及到一种锂电池组的不一致性估计方法，将基于二阶RC等效电路模型和基尔霍夫定律建立的等效电路的连续时间模型离散化后，建立等效电路离散时间模型；采用最小二乘法对锂电池组的参数数据进行拟合获得等效电路离散时间模型的状态变量初始值，并采用扩展卡尔曼滤波更新等效电路离散时间模型的系数矩阵得到多个单体电池的SOC估计值，根据所述SOC估计值，通过归纳式迁移学习推算出影响电池组不一致性的参数值，采用集成学习对所述影响电池组不一致性参数进行整合，得到适应权重值。能够在一定程度上提升SOC估计值的准确性。估计值的准确性。估计值的准确性。

An inconsistency estimation method for lithium battery pack

【技术实现步骤摘要】
一种锂电池组的不一致性估计方法


[0001]本专利技术涉及到锂电池领域，特别涉及到一种锂电池组的不一致性估计方法。

技术介绍

[0002]随着大规模锂电池储能系统的迅猛发展，锂电池储能系统的管理成为储能系统的核心技术之一，而锂电池组的不一致性估计问题又是锂电池储能系统管理的技术难点。导致电池组出现不一致性的因素众多，例如，在锂电池的生产过程中，经历的步骤和工艺众多且繁琐，因此，在出厂时，锂电池组中的各个锂电池本身就会存在差异问题。因为储能过程中，由于不同电池的自放电率不同导致电池容量损失，电池会出现不一致性问题。在充放电过程中，锂电池会出现寿命衰退现象。但由于电池组中单体电池的工作温度，放电深度等不能保持完全一致。因此，电池组内部的各单体电池的衰退情况也不一致。
[0003]在大规模储能过程中，电池之间的不一致性问题会给电池系统的电池管理系统和储能变流器等管理系统带来更高的挑战。储能电池系统的不一致问题主要体现在电池容量、内阻、温度等参数的不一致性上。电池的不一致性会导致储能系统出现“充不满”、“放不尽”、“簇间不均流”等问题。

技术实现思路

[0004]本专利技术所要解决的技术问题在于提供一种锂电池组的不一致性估计方法，能够在一定程度上提升SOC估计值的准确性。
[0005]本专利技术是这样实现的，
[0006]一种锂电池组的不一致性估计方法，包括：
[0007]将基于二阶RC等效电路模型和基尔霍夫定律建立的等效电路的连续时间模型离散化后，建立等效电路离散时间模型；采用最小二乘法对锂电池组的参数数据进行拟合获得等效电路离散时间模型的状态变量初始值，并采用扩展卡尔曼滤波更新等效电路离散时间模型的系数矩阵得到多个单体电池的SOC估计值，根据所述SOC估计值，通过归纳式迁移学习推算出影响电池组不一致性的参数值，采用集成学习对所述影响电池组不一致性参数进行整合，得到适应权重值。
[0008]进一步地，将单体锂电池等效为内阻、R1C1环和R2C2环，等效电路的连续时间模型表示为：
[0009][0010]U
L
(t)＝OCV(SOC(t))
‑
I(t)R0‑
U
RC1
(t)
‑
U
RC2
(t)
[0011]其中，SOC(k)为k时刻的SOC估计值，U
L
(t)为等效电路终端端电压，OCV(
·
)为锂电
池开路电压，U
RC
为R1C1的端电压，U
RC2
为R2C2的端电压，R0为锂电池内阻，R1和R2为极化内阻，容C1和C2极化电容；
[0012]离散后得到等效电路离散时间模型：
[0013][0014][0015]其中矩阵用参数代替为，
[0016][0017][0018]SOC(k)为k时刻的SOC估计值，U
RC1
(k)为k时刻R1C1的端电压，U
RC2
(k)为R2C2的端电压，A
k
、B
k
均为系数矩阵。
[0019]进一步地，获取模型中锂电池组参数：1)在室温下，将全新的锂电池组按照说明方式将电池组充至满电；2)静置1h；3)通过恒流脉冲测试；4)放电10％SOC；5)静置1h；6)重复3)
‑
5)直至电池电量消耗90％，反复测试所述过程中，锂电池组的端电压、单体锂电池的端电压、负载电流数据。
[0020]进一步地，对得到的数据进行预处理：采用z
‑
score标准化方法对数据进行数据预处理，获取初始数据集后，判断电压、电流数据是否缺失，若出现数据缺失现象时，则采用缺失数据重构方法对确实的电压、电流进行处理后，输出完整的数据集；若数据集不存在数据缺失现象时，直接输出预处理后的数据集。
[0021]进一步地，得到单体电池的SOC估计值包括：
[0022]对电池组中的单体电池进行端电压测试，得到单体电池的端电压U
oc
后，通过U
oc
和SOC的关系表查询初始值SOC(0)，并获取状态变量初始值θ(0)，其中，状态变量初始值θ(0)包含单体电池的端电压U
oc
(0)，以电池内阻R0(0)；极化内阻R1(0)，R2(0)；以及极化电容,C1(0)，C2(0)；
[0023]基于所述状态变量初始值θ(0)，确定所述等效电路连续时间模型的系数矩阵A
k
、
B
k
；
[0024]采用扩展卡尔曼滤波更新系数矩阵为A
k+1
、B
k+1
；
[0025]重复系数矩阵的更新过程，得到多个单体电池的SOC估计值。
[0026]进一步地，采用扩展卡尔曼滤波更新系数矩阵包括：
[0027]锂电池非线性系统状态方程和观测方程分别表示为：
[0028][0029]采用一阶泰勒公式对系统状态方程和观测方程进行展开可得：
[0030][0031][0032]其中，为k时刻量测更新后的状态估计值；为k时刻量测更新后的状态估计值；
[0033]系统状态方程和观测方程线性化处理后得：
[0034][0035]其中为：
[0036][0037]初始条件采用：
[0038][0039]采用系统方程和观测方程进行先验估计与状态预测：
[0040]系统状态时间更新：x
k|k
‑1＝f(x
k
‑1,u
k
‑1)；
[0041]状态协方差更新：
[0042]卡尔曼增益：
[0043]后验估计与状态修正：
[0044]系统状态更新：
[0045]误差状态矩阵更新：
[0046]其中，X
k
和Z
k
分别是第k时刻的状态向量和观测向量；u
k
是控制向量；w
k
表示因传感器误差导致的过程噪声，w
k
～N(0,Q
k
),E(w
k
)＝0，Q
k
为过程噪声协方差矩阵；v
k
表示由于不确定因素导致的系统噪声，v
k
～N(0,R
k
)，E(v
k
)＝0，R
k
为系统噪声的协方差矩阵；f(
·
)表示从当前状态到下一状态的非线性映射方程；h(
·
)表示状态量和测量量之间的非线性映射方程。
[0047]进一步地，采用集成迁移学习对所述影响电池组不一致性参数进行整合包括采用AdaBoost分类进行加权表决，最终的强分类器采用公式：
[0048][0049]其中，α表示弱学习器权重系数，G
n
(
·本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锂电池组的不一致性估计方法，其特征在于，包括：将基于二阶RC等效电路模型和基尔霍夫定律建立的等效电路的连续时间模型离散化后，建立等效电路离散时间模型；采用最小二乘法对锂电池组的参数数据进行拟合获得等效电路离散时间模型的状态变量初始值，并采用扩展卡尔曼滤波更新等效电路离散时间模型的系数矩阵得到多个单体电池的SOC估计值，根据所述SOC估计值，通过归纳式迁移学习推算出影响电池组不一致性的参数值，采用集成学习对所述影响电池组不一致性参数进行整合，得到适应权重值。2.按照权利要求1所述的锂电池组的不一致性估计方法，其特征在于，将单体锂电池等效为内阻、R1C1环和R2C2环，等效电路的连续时间模型表示为：U
L
(t)＝OCV(SOC(t))
‑
I(t)R0‑
U
RC1
(t)
‑
U
RC
(t)其中，SOC(k)为k时刻的SOC估计值，U
L
(t)为等效电路终端端电压，OCV(
·
)为锂电池开路电压，U
RC1
为R1C1的端电压，U
RC2
为R2C2的端电压，R0为锂电池内阻，R1和R2为极化内阻，C1和C2为极化电容；离散后得到等效电路离散时间模型：散后得到等效电路离散时间模型：其中矩阵用参数代替为，其中矩阵用参数代替为，
SOC(k)为k时刻的SOC估计值，U
RC1
(k)为k时刻R1C1的端电压，U
RC2
(k)为R2C2的端电压，A
k
、B
k
均为系数矩阵。3.按照权利要求1所述的锂电池组的不一致性估计方法，其特征在于，获取模型中锂电池组参数：1)在室温下，将全新的锂电池组按照说明方式将电池组充至满电；2)静置1h；3)通过恒流脉冲测试；4)放电10％SOC；5)静置1h；6)重复3)
‑
5)直至电池电量消耗90％，反复测试所述过程中，锂电池组的端电压、单体锂电池的端电压、负载电流数据。4.按照权利要求3所述的锂电池组的不一致性估计方法，其特征在于，对得到的数据进行预处理：采用z
‑
score标准化方法对数据进行数据预处理，获取初始数据集后，判断电压、电流数据是否缺失，若出现数据缺失现象时，则采用缺失数据重构方法对确实的电压、电流进行处理后，输出完整的数据集；若数据集不存在数据缺失现象时，直接输出预处理后的数据集。5.按照权利要求2所述的锂电池组的不一致性估计方法，其特征在于，得到单体电池的SOC估计值包括：对电池组中的单体电池进行端电压测...

【专利技术属性】
技术研发人员：李刚，刘晗，曹馨予，孙彩棠，周逢道，韩滔，
申请(专利权)人：吉林大学，
类型：发明
国别省市：