一种SOE估计方法、系统及计算机可读介质技术方案

本发明专利技术涉及一种SOE估计方法及系统，具体包括：数据获取步骤：用于根据历史数据获取电池组能量状态相关数据，及SOE数据；模型建立步骤：用于根据所述能量状态相关数据及SOE数据建立关系模型；SOE估计步骤：用于将实时采集的报文数据输入至所述关系模型，获得SOE估计值。更具体的，本发明专利技术通过相关性分析获取SOE相关的特征参数，采用集成学习的方法建立模型，通过实时数据进行模型校验，不仅提高了特征参数的准确性，还提高了模型的准确性，能够提供准确的SOE估计值，及时的控制充电的停止，以减缓电池老化速率。电池老化速率。电池老化速率。

【技术实现步骤摘要】
一种SOE估计方法、系统及计算机可读介质


[0001]本专利技术涉及一种应用于电动汽车的SOE估计方法、系统及计算机可读介质。

技术介绍

[0002]近年来，随着不可再生能源的紧缺以及温室效应加剧带来环境气候异常现象频发，国内外对于碳排放的后果越来越重视并且一直采取措施来减少谈的排放量。传统的燃油汽车燃烧一次能源的同时会向大气中排放大量的二氧化碳增加温室效应，而新能源汽车得益于其零排放的优点，其技术研发和产业发展受到越来越多的重视，让很多人担心的是新能源汽车的能量供应是否像燃油汽车一样充分，以及随着行驶里程的累积带来的电池老化等。因此对于电动汽车的能量状态的研究有重要的实际意义。
[0003]首先，电动汽车的状态参数有很多，通常用来作为衡量电池电量的参数为荷电状态SOC(State of Charge)，通过荷电状态与能量状态计算式的对比，发现用能量的比值能量状态来衡量充电电量比用电荷的比值荷电状态作为衡量指标更为贴切电池“电量”。因此，对于能量状态SOE(Stete of Energy)的估计对于反应电池电量状态十分重要。
[0004]其次，目前，对于电动汽车动力电池组能量状态SOE的研究多是从放电角度对单一型号电池估计能量状态来衡量剩余使用电量的，对市场上各类各异的动力电池组缺乏泛化性能。
[0005]最后，电池的初始能量状态不能直接从BMS中获取，为了解决初始能量问题，查阅大量资料找的SOE计算方法。而且，通过初步计算发现，在充电时SOE在SOC之前到达100％，因此在以SOE
100％
到以SOC
100％
的时间间隔内电池可能处于过充状态。进而加速电池老化甚至诱发热失控等事故。

技术实现思路

[0006]为解决现有技术中存在的问题，本专利技术提供了一种SOE估计方法、系统及计算机可读介质。
[0007]一种SOE估计方法，所述方法包括：
[0008]数据获取步骤：用于根据历史数据获取电池组能量状态相关数据，及SOE数据；
[0009]模型建立步骤：用于根据所述能量状态相关数据及SOE数据建立关系模型；
[0010]SOE估计步骤：用于将实时采集的报文数据输入至所述关系模型，获得SOE估计值。
[0011]优选的，所述数据获取步骤具体包括：
[0012]步骤1，从数据库里筛选出所需的历史报文数据；
[0013]步骤2，从所述历史报文数据中获取电池组组能量状态相关数据，所述电池组能量状态相关数据包括最大储存能量、SOE和SOC；
[0014]步骤3，根据SOC和SOE的相关关系计算起始能量状态SOE(t0)。
[0015]优选的，所述模型建立步骤包括：
[0016]步骤4，根据所述能量状态相关数据获取影响SOE的特征参数；
[0017]步骤5，通过集成学习方法建立所述特征参数与能量状态SOE的关系模型；
[0018]步骤6：利用采集的能量状态SOE与所述关系模型提供的预测值进行比对，以判断所述关系模型的误差，以根据所述误差进行所述关系模型的校准。
[0019]优选的，所述SOE估计步骤包括：
[0020]步骤7，实时采集报文数据，获取所述报文数据中电池组能量状态相关数据，从能量状态相关数据中获取所述影响SOE的特征参数；
[0021]步骤8，将所述影响SOE的特征参数输入所述关系模型，以执行SOE估计过程，获得SOE估计值。
[0022]优选的，所述估计方法还包括：
[0023]充电控制步骤：用于判断所述SOE估计值是否满足能力阈值条件，如果是则停止充电。
[0024]本专利技术还提供了一种SOE估计系统，所述系统包括：
[0025]数据获取模块：用于根据历史数据获取电池组能量状态相关数据，及SOE数据；
[0026]模型建立模块：用于根据所述能量状态相关数据及SOE数据建立关系模型；
[0027]SOE估计模块：用于将实时采集的报文数据输入至所述关系模型，获得SOE估计值。
[0028]优选的，所述数据获取模块具体用于：
[0029]从数据库里筛选出所需的历史报文数据；
[0030]从所述历史报文数据中获取电池组组能量状态相关数据，所述电池组能量状态相关数据包括最大储存能量、SOE和SOC；
[0031]根据SOC和SOE的相关关系计算起始能量状态SOE(t0)。
[0032]优选的，所述模型建立模块具体用于：
[0033]根据所述能量状态相关数据获取影响SOE的特征参数；
[0034]通过集成学习方法建立所述特征参数与能量状态SOE的关系模型；
[0035]利用采集的能量状态SOE与所述关系模型提供的预测值进行比对，以判断所述关系模型的误差，以根据所述误差进行所述关系模型的校准。
[0036]优选的，所述SOE估计模块具体用于：
[0037]实时采集报文数据，获取所述报文数据中电池组能量状态相关数据，从能量状态相关数据中获取所述影响SOE的特征参数；
[0038]将所述影响SOE的特征参数输入所述关系模型，以执行SOE估计过程，获得SOE估计值。
[0039]本专利技术还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行所述的方法。
[0040]本专利技术的有益效果是，本专利技术提供了一种SOE估计方法，所述方法包括：数据获取步骤：用于根据历史数据获取电池组能量状态相关数据，及SOE数据；模型建立步骤：用于根据所述能量状态相关数据及SOE数据建立关系模型；SOE估计步骤：用于将实时采集的报文数据输入至所述关系模型，获得SOE估计值。更具体的，本专利技术通过相关性分析获取SOE相关的特征参数，采用集成学习的方法建立模型，通过实时数据进行模型校验，不仅提高了特征参数的准确性，还提高了模型的准确性，能够提供准确的SOE估计值，及时的控制充电的停止，以减缓电池老化速率。
附图说明
[0041]下面结合附图和实施例对本专利技术进一步说明。
[0042]图1是本专利技术的优选实施例的方法流程图；
[0043]图2是本专利技术的基于集成学习的电动汽车SOE估计方法的流程图；
[0044]图3是本专利技术的优选实施例的结构示意图。
具体实施方式
[0045]现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0046]为解决上述问题，本专利技术采用集成学习方法，利用多个弱学习器结合的泛化优势来估计各类各异电动汽车动力电池组的能量状态SOE。并根据SOE到达100％的估计结果来及时停止充电，以减缓电池老化速率。
[0047]依据目前对SOE估算思路，本专利技术提供了一种基于集成学习的电动汽车SOE估计方法，即：通过ELM算法训练数据生成多个泛化能力强且差异较大的弱学习器，后将多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SOE估计方法，其特征在于，所述方法包括：数据获取步骤：用于根据历史数据获取电池组能量状态相关数据，及SOE数据；模型建立步骤：用于根据所述能量状态相关数据及SOE数据建立关系模型；SOE估计步骤：用于将实时采集的报文数据输入至所述关系模型，获得SOE估计值。2.根据权利要求1所述的SOE估计方法，其特征在于，所述数据获取步骤具体包括：步骤1，从数据库里筛选出所需的历史报文数据；步骤2，从所述历史报文数据中获取电池组组能量状态相关数据，所述电池组能量状态相关数据包括最大储存能量、SOE和SOC；步骤3，根据SOC和SOE的相关关系计算起始能量状态SOE(t0)。3.根据权利要求1所述的SOE估计方法，其特征在于，所述模型建立步骤包括：步骤4，根据所述能量状态相关数据获取影响SOE的特征参数；步骤5，通过集成学习方法建立所述特征参数与能量状态SOE的关系模型；步骤6：利用采集的能量状态SOE与所述关系模型提供的预测值进行比对，以判断所述关系模型的误差，以根据所述误差进行所述关系模型的校准。4.根据权利要求3所述的SOE估计方法，其特征在于，所述SOE估计步骤包括：步骤7，实时采集报文数据，获取所述报文数据中电池组能量状态相关数据，从能量状态相关数据中获取所述影响SOE的特征参数；步骤8，将所述影响SOE的特征参数输入所述关系模型，以执行SOE估计过程，获得SOE估计值。5.根据权利要求1
‑
4任一项所述的SOE估计方法，其特征在于，所述估计方法还包括：充电控制步骤：用于判断所述SOE估计值是否满足能力...

【专利技术属性】
技术研发人员：李春喜，宋宗仁，葛泉波，
申请(专利权)人：杭州颉码能源科技有限公司，
类型：发明
国别省市：