储能系统的SOC估算方法及装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种储能系统的SOC估算方法及装置、设备及存储介质，方法包括：获取储能系统的恒流充电阶段、恒压充电阶段和放电阶段的电压数据、电流数据和温度数据；基于电压数据、电流数据、温度数据以及储能系统在充放电时的滞回特性，确定恒流充电阶段、恒压充电阶段和放电阶段的交互模型；分别对交互模型进行无迹卡尔曼滤波处理，确定各个交互模型的k时刻的第一状态向量估计值，状态向量估计值用于反映交互模型的SOC状态。根据各个交互模型的第一状态向量估计值进行交互式多模型的SOC融合估算，确定k+1时刻储能系统的用于反映储能系统的SOC状态的目标状态向量估计值。通过上述方式进行储能系统的SOC估算有利于提高估算结果的准确性。估算结果的准确性。估算结果的准确性。

【技术实现步骤摘要】
储能系统的SOC估算方法及装置、设备及存储介质


[0001]本专利技术涉及储能系统
，尤其涉及一种储能系统的SOC估算方法及装置、设备及存储介质。

技术介绍

[0002]电池充电阶段为先恒流充电再恒压充电；恒流充电阶段，电流恒定，电压持续升高，当电压升高到一定值时转为恒压充电；恒压充电阶段，电压恒定，电流缓慢下降。电池在放电过程中将依据使用情况的实际需求，进行动态复杂放电。并且电池在充电和放电阶段SOC
‑
OCV曲线将会存在明显的差值，这个差值就是滞回电压造成的，其中，SOC(state ofcharge)代表电池的荷电状态，OCV(Open circuit voltage)代表电池的开路电压。这些特点就决定了对电池进行SOC估算时需要考虑充电和放电其电压和电流不同及充电和放电电池将会存在滞回特性。
[0003]现有的电池SOC估算单独只考虑电池充电阶段或者放电阶段对电池进行SOC估算，其估算结果不精确；此外目前大部分做电池SOC估算没有考虑电池充电和放电时其会存在滞回特性，导致相同开路电压OCV在充电和放电阶段将会对应不同的SOC，这也将导致SOC估算不准确。
[0004]因此，目前储能电池的SOC状态的估算方式仍然有待提高。

技术实现思路

[0005]本专利技术的主要目的在于提供一种储能系统的SOC估算方法及装置、设备及存储介质，可以解决现有技术中的SOC估算不够准确的问题。
[0006]为实现上述目的，本专利技术第一方面提供一种储能系统的SOC估算方法，所述方法包括：
[0007]获取所述储能系统的恒流充电阶段、恒压充电阶段和放电阶段的电压数据、电流数据和温度数据；
[0008]基于所述电压数据、电流数据、温度数据以及所述储能系统在充放电时的滞回特性，确定恒流充电阶段的交互模型、恒压充电阶段的交互模型和放电阶段的交互模型；
[0009]分别对所述交互模型进行无迹卡尔曼滤波处理，确定各个所述交互模型的k时刻的第一状态向量估计值，所述状态向量估计值用于反映所述交互模型的SOC状态；
[0010]根据各个所述交互模型的第一状态向量估计值进行交互式多模型的SOC融合估算，确定k+1时刻所述储能系统的目标状态向量估计值，所述目标状态向量估计值用于反映所述储能系统的SOC状态。
[0011]在一种可行实现方式中，所述分别对所述交互模型进行无迹卡尔曼滤波处理，确定各个所述交互模型的k时刻的第一状态向量估计值，包括：
[0012]利用自适应遗忘因子递推最小二乘法对所述交互模型进行参数辨识处理，确定各个所述交互模型的模型参数；
[0013]根据各个所述交互模型的模型参数，确定所述储能系统的状态方程；
[0014]利用所述状态方程分别对所述交互模型进行无迹卡尔曼滤波，确定各个所述交互模型的k时刻的第一状态向量估计值。
[0015]在一种可行实现方式中，所述利用所述状态方程分别对所述交互模型进行无迹卡尔曼滤波，确定各个所述交互模型的k时刻的第一状态向量估计值，包括：
[0016]对于每个交互模型：
[0017]在k＝0时，利用所述状态方程进行无迹卡尔曼滤波的初始化处理，确定k＝0时所述交互模型的初始状态向量估计值；
[0018]令k＝k+1进入无迹卡尔曼滤波的迭代过程：
[0019]确定k
‑
1时刻的第一数据样本集，所述数据样本集包括若干个k
‑
1时刻的状态向量；
[0020]将第一数据样本集、k
‑
1时刻的第二状态向量估计值以及第一协方差输入预设的状态更新模型，确定k时刻的第三状态向量估计值以及第三协方差；
[0021]利用k时刻的第三状态向量估计值以及第三协方差进行k时刻的数据重采样，确定第二数据样本集；
[0022]将所述第二数据样本集、第二状态向量估计值以及第三状态向量估计值输入预设的均值和协方差模型，确定k时刻的目标状态向量均值以及目标状态向量协方差；
[0023]根据目标状态向量均值、目标状态向量协方差以及第三状态向量估计值，确定所述交互模型的k时刻的第一状态向量估计值，令k＝k+1，并返回执行所述确定k
‑
1时刻的第一数据样本集，所述数据样本集包括若干个k
‑
1时刻的状态向量的步骤。
[0024]在一种可行实现方式中，所述根据目标状态向量均值、目标状态向量协方差以及第三状态向量估计值，确定所述交互模型的k时刻的第一状态向量估计值，包括：
[0025]利用目标状态向量均值、目标状态向量协方差以及预设的增益矩阵算法，确定k时刻所述无迹卡尔曼滤波的增益矩阵；
[0026]利用所述增益矩阵以及第三状态向量估计值，确定所述交互模型的k时刻的第一状态向量估计值。
[0027]在一种可行实现方式中，所述交互式多模型包括输入交互模型以及输出交互模型，则所述根据各个所述交互模型的第一状态向量估计值进行交互式多模型的SOC融合估算，确定k+1时刻所述储能系统的目标状态向量估计值，包括：
[0028]将各个所述交互模型的第一状态向量估计值输入所述输入交互模型进行输入交互，确定输入交互后的各个所述交互模型的k时刻第四状态向量估计值；
[0029]对所述第四状态向量估计值进行无迹卡尔曼滤波处理，确定k+1时刻各个所述交互模型的第五状态向量估计值、残差及残差协方差；
[0030]根据预设的模型概率算法、所述残差以及残差协方差，确定k+1时刻各个所述交互模型的模型概率；
[0031]将各个所述交互模型的模型概率以及第五状态向量估计值输入所述输出交互模型进行状态融合，确定k+1时刻所述储能系统的目标状态向量估计值。
[0032]在一种可行实现方式中，所述根据预设的模型概率算法、所述残差以及残差协方差，确定k+1时刻各个所述交互模型的模型概率，包括：
[0033]将所述残差以及残差协方差输入预设的似然函数算法，确定k+1时刻每个交互模型的似然函数；
[0034]利用所述似然函数、k时刻的各个所述交互模型的模型概率以及所述模型概率算法，确定k+1时刻各个所述交互模型的模型概率。
[0035]在一种可行实现方式中，所述根据各个所述交互模型的第一状态向量估计值进行交互式多模型的SOC融合估算，确定k+1时刻所述储能系统的目标状态向量估计值，之后还包括：
[0036]利用预设的SOC状态提取算法以及所述目标状态向量估计值，确定k+1时刻所述储能系统的目标状态向量估计值。
[0037]为实现上述目的，本专利技术第二方面提供一种储能系统的SOC估算装置，所述装置包括：
[0038]数据获取模块：用于获取所述储能系统的恒流充电阶段、恒压充电阶段和放电阶段的电压数据、电流数据和温度数据；
[0039]模型建立模块：用于基于所述电压数据、电流数据、温度数据以及所述储能系统在充放电时的滞回特性，确定恒流充电阶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种储能系统的SOC估算方法，其特征在于，所述方法包括：获取所述储能系统的恒流充电阶段、恒压充电阶段和放电阶段的电压数据、电流数据和温度数据；基于所述电压数据、电流数据、温度数据以及所述储能系统在充放电时的滞回特性，确定恒流充电阶段的交互模型、恒压充电阶段的交互模型和放电阶段的交互模型；分别对所述交互模型进行无迹卡尔曼滤波处理，确定各个所述交互模型的k时刻的第一状态向量估计值，所述状态向量估计值用于反映所述交互模型的SOC状态；根据各个所述交互模型的第一状态向量估计值进行交互式多模型的SOC融合估算，确定k+1时刻所述储能系统的目标状态向量估计值，所述目标状态向量估计值用于反映所述储能系统的SOC状态。2.根据权利要求1所述方法，其特征在于，所述分别对所述交互模型进行无迹卡尔曼滤波处理，确定各个所述交互模型的k时刻的第一状态向量估计值，包括：利用自适应遗忘因子递推最小二乘法对所述交互模型进行参数辨识处理，确定各个所述交互模型的模型参数；根据各个所述交互模型的模型参数，确定所述储能系统的状态方程；利用所述状态方程分别对所述交互模型进行无迹卡尔曼滤波，确定各个所述交互模型的k时刻的第一状态向量估计值。3.根据权利要求2所述方法，其特征在于，所述利用所述状态方程分别对所述交互模型进行无迹卡尔曼滤波，确定各个所述交互模型的k时刻的第一状态向量估计值，包括：对于每个交互模型：在k＝0时，利用所述状态方程进行无迹卡尔曼滤波的初始化处理，确定k＝0时所述交互模型的初始状态向量估计值；令k＝k+1进入无迹卡尔曼滤波的迭代过程：确定k
‑
1时刻的第一数据样本集，所述数据样本集包括若干个k
‑
1时刻的状态向量；将第一数据样本集、k
‑
1时刻的第二状态向量估计值以及第一协方差输入预设的状态更新模型，确定k时刻的第三状态向量估计值以及第三协方差；利用k时刻的第三状态向量估计值以及第三协方差进行k时刻的数据重采样，确定第二数据样本集；将所述第二数据样本集、第二状态向量估计值以及第三状态向量估计值输入预设的均值和协方差模型，确定k时刻的目标状态向量均值以及目标状态向量协方差；根据目标状态向量均值、目标状态向量协方差以及第三状态向量估计值，确定所述交互模型的k时刻的第一状态向量估计值，令k＝k+1，并返回执行所述确定k
‑
1时刻的第一数据样本集，所述数据样本集包括若干个k
‑
1时刻的状态向量的步骤。4.根据权利要求3所述方法，其特征在于，所述根据目标状态向量均值、目标状态向量协方差以及第三状态向量估计值，确定所述交互模型的k时刻的第一状态向量估计值，包括：利用目标状态向量均值、目标状态向量协方差以及预设的增益矩阵算法，确定k时刻所述无迹卡尔曼滤波的增益矩阵；利用所述增益矩阵以及第三状态向量估计值，...

【专利技术属性】
技术研发人员：束洪春，李文龙，王广雪，韩一鸣，李建男，王锐，姚宇，马海心，陈靖，何业福，时波涛，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：