基于离线和在线估算融合算法的SOH数据预测方法技术

本发明专利技术涉及一种基于离线和在线估算融合算法的SOH数据预测方法，采集电池的离线数据和在线数据；将离线数据和在线数据进行滤波，得到第一卡尔曼线轨和第二卡尔曼线轨；通过第一卡尔曼线轨上的电池离线因子，标定出电池标准因子，将电池标准因子附加于第一卡尔曼线轨上，通过比对，生成偏位阈值；将第二卡尔曼线轨交错在第一卡尔曼线轨上，融合校验模型基于偏位阈值确定出SOH预测因子；将SOH预测因子附加于第一卡尔曼线轨上，产生第三卡尔曼线轨；基于第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果；通过两组卡尔曼线轨，并通过设计特定的融合校验模型，将这两组数据有效地结合起来，实现更精准的电池SOH预测。实现更精准的电池SOH预测。实现更精准的电池SOH预测。

【技术实现步骤摘要】
基于离线和在线估算融合算法的SOH数据预测方法


[0001]本专利技术涉及电池安全检测
，特别涉及一种基于离线和在线估算融合算法的SOH数据预测方法。

技术介绍

[0002]电池的健康状态 (State of Health, SOH) 是判断电池性能的一项重要指标。一系列传感器通常用于采集电池工作中的数据，如soc值（电池的剩余能量）、内阻值、温度值、电流值和电压值。当前存在的问题是，如何根据这些数据有效预测电池的SOH，特别是在不同的工作条件（如离线和在线）下。
[0003]在此背景之下，有研究者提出使用卡尔曼滤波算法处理这些数据。卡尔曼滤波能有效地处理带有噪声的数据，并对系统状态进行最优估计。然而，只使用卡尔曼滤波可能无法充分利用离线和在线数据中蕴含的信息，因为离线和在线数据分别反映了电池在不同工作条件下的状态，可能会有不同的特点。

技术实现思路

[0004]本专利技术的主要目的为提供一种基于离线和在线估算融合算法的SOH数据预测方法，利用卡尔曼滤波对离线和在线数据进行处理，得到两组卡尔曼线轨，并通过设计特定的融合校验模型，将这两组数据有效地结合起来，实现更精准的电池SOH预测。
[0005]为实现上述目的，本专利技术提供了一种基于离线和在线估算融合算法的SOH数据预测方法，包括以下步骤：基于传感组件在一个预设时间周期下采集电池的离线数据和在线数据，其中，所述离线数据和在线数据均包括有soc值、内阻值、温度值、电流值以及电压值；采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨，所述第二卡尔曼线轨基于电池的实时在线工作具有对应的振幅；通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子，且将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值；将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子；将所述SOH预测因子附加于第一卡尔曼线轨上，以在所述第一卡尔曼线轨上产生对应振幅而得到第三卡尔曼线轨；基于所述第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果。
[0006]进一步地，采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨的步骤，包括：
将离线数据和在线数据对应状态下的soc值、内阻值、温度值、电流值以及电压值进行分类；基于所述的分类，采用各个值对应的创建离线线段和在线线段，并基于卡尔曼滤波器算法对各个值进行滤波计算，得到各个值对应的滤波线段；将所述的各个值对应的滤波线段进行拼接，得到拼接各个离线线段的第一卡尔曼线轨、和各个在线状态下的第二卡尔曼线轨。
[0007]进一步地，通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子的步骤，包括：基于所述第一卡尔曼线轨上各个离线线段所对应的状态值，确定出所述第一卡尔曼线轨上的各个电池离线因子；通过所述的各个电池离线因子对应的因子类型，从所述数据库中匹配出与因子类型一一对应的电池标准因子，其中，所述电池标准因子与所述电池的种类对应。
[0008]进一步地，将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值的步骤，包括：基于所述第一卡尔曼线轨上各个离线线段对应的因子类型，将所述电池标准因子附加于第一卡尔曼线轨对应的离线线段上；比对所述电池离线因子与电池标准因子的参数，得到电池离线因子与电池标准因子的参数差异；基于所述卡尔曼滤波器算法识别参数差异，以在所述第一卡尔曼线轨上生成与参数差异对应的偏位阈值。
[0009]进一步地，将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上的步骤，包括：将一个预设时间周期下的第一卡尔曼线轨和第二卡尔曼线轨的占用量进行识别，对应识别出第一卡尔曼线轨和第二卡尔曼线轨的长度；基于所述第二卡尔曼线轨的长度，对应等比调整所述第一卡尔曼线轨上的各个离线线段，得到长度相同的第一卡尔曼线轨和第二卡尔曼线轨的长度；将所述的长度相同的第一卡尔曼线轨和第二卡尔曼线轨进行叠合。
[0010]进一步地，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子的步骤，包括：采用所述融合校验模型识别第一卡尔曼线轨和第二卡尔曼线轨中的各个线段、以及线段对应的因子类型；通过所述偏位阈值对所述第二卡尔曼线轨在第一卡尔曼线轨上进行偏位模拟，其中，所述偏位模拟为相同因子类型的线段条件下，第二卡尔曼线轨基于偏位阈值在第一卡尔曼线轨上进行偏位，得到一条新的第二卡尔曼线轨；基于偏位前后的两项第二卡尔曼线轨，确定出各个在线线段上的前后偏移量并以SOH预测因子输出，所述前后偏移量包括振幅偏移量、节点偏移量和波长偏移量。
[0011]进一步地，将所述SOH预测因子附加于第一卡尔曼线轨上，以在所述第一卡尔曼线轨上产生对应振幅而得到第三卡尔曼线轨的步骤，包括：
基于所述第一卡尔曼线轨的线性参数信息，在相同的电压前提下，结合所述SOH预测因子得到第三卡尔曼线轨，其中，所述线性参数信息包括线性内阻量、线性soc荷电量以及线性温度量。
[0012]进一步地，基于所述第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果的步骤，包括：将所述第三卡尔曼线轨置于下一个预设时间周期，且与所述第二卡尔曼线轨相接；在相同的时刻下，识别所述第三卡尔曼线轨对应的振幅、波长、节点的线性信息；通过将所述线性信息进行反向传播以及收敛匹配，推算出soc值、内阻值、温度值、电流值以及电压值在下一个预设时间周期的具体参数值，并以SOH预测结果输出。
[0013]本专利技术还提出一种基于离线和在线估算融合算法的SOH数据预测装置，包括以下单元：采集单元，用于基于传感组件在一个预设时间周期下采集电池的离线数据和在线数据，其中，所述离线数据和在线数据均包括有soc值、内阻值、温度值、电流值以及电压值；滤波单元，用于采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨，所述第二卡尔曼线轨基于电池的实时在线工作具有对应的振幅；比对单元，用于通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子，且将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值；因子单元，用于将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子；推算单元，用于将所述SOH预测因子附加于第一卡尔曼线轨上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于离线和在线估算融合算法的SOH数据预测方法，其特征在于，包括以下步骤：基于传感组件在一个预设时间周期下采集电池的离线数据和在线数据，其中，所述离线数据和在线数据均包括有soc值、内阻值、温度值、电流值以及电压值；采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨，所述第二卡尔曼线轨基于电池的实时在线工作具有对应的振幅；通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子，且将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值；将具有振幅的第二卡尔曼线轨交错在所述第包括一卡尔曼线轨上，预设的融合校验模型基于所述偏位阈值确定出第二卡尔曼线轨偏位后的SOH预测因子；将所述SOH预测因子附加于第一卡尔曼线轨上，以在所述第一卡尔曼线轨上产生对应振幅而得到第三卡尔曼线轨；基于所述第三卡尔曼线轨输出下一个预设时间周期的SOH预测结果。2.根据权利要求1所述的基于离线和在线估算融合算法的SOH数据预测方法，其特征在于，采用卡尔曼滤波将所述离线数据和在线数据对应的各项数值进行滤波，得到离线状态下的第一卡尔曼线轨、和在线状态下的第二卡尔曼线轨的步骤，包括：将离线数据和在线数据对应状态下的soc值、内阻值、温度值、电流值以及电压值进行分类；基于所述的分类，采用各个值对应的创建离线线段和在线线段，并基于卡尔曼滤波器算法对各个值进行滤波计算，得到各个值对应的滤波线段；将所述的各个值对应的滤波线段进行拼接，得到拼接各个离线线段的第一卡尔曼线轨、和各个在线状态下的第二卡尔曼线轨。3.根据权利要求2所述的基于离线和在线估算融合算法的SOH数据预测方法，其特征在于，通过所述第一卡尔曼线轨上携带的电池离线因子，从预设的数据库中标定出与所述电池离线因子匹配的电池标准因子的步骤，包括：基于所述第一卡尔曼线轨上各个离线线段所对应的状态值，确定出所述第一卡尔曼线轨上的各个电池离线因子；通过所述的各个电池离线因子对应的因子类型，从所述数据库中匹配出与因子类型一一对应的电池标准因子，其中，所述电池标准因子与所述电池的种类对应。4.根据权利要求3所述的基于离线和在线估算融合算法的SOH数据预测方法，其特征在于，将所述电池标准因子附加于第一卡尔曼线轨上，通过在所述第一卡尔曼线轨所携带的电池离线因子与电池标准因子的比对，在所述第一卡尔曼线轨上生成偏位阈值的步骤，包括：基于所述第一卡尔曼线轨上各个离线线段对应的因子类型，将所述电池标准因子附加于第一卡尔曼线轨对应的离线线段上；比对所述电池离线因子与电池标准因子的参数，得到电池离线因子与电池标准因子的
参数差异；基于所述卡尔曼滤波器算法识别参数差异，以在所述第一卡尔曼线轨上生成与参数差异对应的偏位阈值。5.根据权利要求4所述的基于离线和在线估算融合算法的SOH数据预测方法，其特征在于，将具有振幅的第二卡尔曼线轨交错在所述第一卡尔曼线轨上的步骤，包括：将一个预设时间周期下的第一卡尔曼线轨和第二卡尔曼线轨的占用量进行识别，对应识别出第一卡尔曼线轨和第二卡尔曼线轨的长度；基于所述第二卡尔曼线轨的长度，对应等比调整所述第一卡尔曼线轨上的各个离线线段...

【专利技术属性】
技术研发人员：邹雨欣，邹炜康，朱小宝，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：