一种电池系统SOC估计方法技术方案

本发明专利技术提供一种电池系统SOC估计方法，包括以下步骤：S1、针对同一类型电池系统获取历史数据，对数据集进行预处理；S2、根据电池系统不同状态划分为不同的数据子集，并分别进行特征构造，划分训练、测试数据；S3、对不同电池系统状态下的数据子集，分别构建基于XGBoost算法的SOC估计模型；S4、采集电池系统实时监测数据，对数据进行预处理；本发明专利技术基于电池系统不同状态下数据驱动多算法融合的SOC估计方法，能够准确估计出电池系统的SOC值，不需要进行频繁校准，不存在误差累计效应，提出一种融合递推平均滤波器与一阶滞后滤波器的平滑滤波策略，能够高效实现SOC的平滑控制，避免出现SOC跳变。SOC跳变。SOC跳变。

【技术实现步骤摘要】
一种电池系统SOC估计方法


[0001]本专利技术属于电池系统领域，具体地说是一种电池系统SOC估计方法。

技术介绍

[0002]近年来，电池技术取得了长足的进步，使得各种电池系统应用成为可能，其中包括电动汽车、飞行器、船舶、储能系统等。随着电池系统应用的普及，电池管理技术也变得越来越重要。其中，荷电状态(SOC,State of Charge)估计是电池管理技术中的一项关键组成部分。SOC估计算法是用来估计电池剩余电量百分比(SOC)的算法。对电池系统SOC实时准确的估计具有十分重要的意义。首先，可以避免电池的过度充电或放电，提高电池寿命，降低电池成本；其次，可以更灵活地进行充电和放电，提高能源利用率；再次，基于准确的SOC估计可以应用于其他电池状态监测，从而更早发现系统故障，提高电池系统可靠性；最后，实时准确的SOC估计可以支持能量管理和控制，优化控制策略来更好的满足系统需求，提高系统运行效率，
[0003]目前，电池系统中常用的SOC估计算法主要有电流和电压基础算法、Ka lman滤波算法和神经网络算法，其中，电流和电压基础算法包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池系统SOC估计方法，其特征在于，包括以下步骤：S1、针对同一类型电池系统获取历史数据，对数据集进行预处理；S2、根据电池系统不同状态划分为不同的数据子集，并分别进行特征构造，划分训练、测试数据；S3、对不同电池系统状态下的数据子集，分别构建基于XGBoost算法的SOC估计模型；S4、采集电池系统实时监测数据，对数据进行预处理；S5、对当前电池系统状态进行识别，不同状态加载不同模型，获取第一SOC估计值；S6、辨识SOC线性模型参数，通过卡尔曼滤波器获取第二SOC估计值；S7、对第二SOC估计值进行平滑滤波获取第四SOC估计值，输出第四SOC估计值为最终SOC估计结果；S8、定期评估SOC估算精度是否发生漂移。2.如权利要求1所述电池系统SOC估计方法，其特征在于：所述S1包括S101、S102和S103三个步骤，其中s101是加载来自实验室测试以及实际应用环境中测量得到的同一类型、同一型号不同老化状态电池系统的历史数据，主要包括电池系统外特性数据、电池系统状态数据、采集时间以及测量得到的SOC值，其中电池系统外特性数据包括电压、电流，电池系统状态数据包括充电状态、最高温度值、最低温度值、充放电倍率。3.如权利要求2所述电池系统SOC估计方法，其特征在于：所述S102是对于数据中的缺失值，使用删除法进行处理，对于异常值，使用预设阈值和/或离群值检测算法进行识别，使用删除法进行处理；离群值检测算法：对于属性X
i
的数据集合X
i
＝{x1，x2，x3，...，x
n
}，计算其均值为μ
i
，以及标准差σ
i
，对于每个数据点x
j
，计算其与均值的差值：z＝(x
j
‑
μ
i
)/σ
i
，如果某个数据点的z值超过预设阈值T
i
，则认为它是异常值。4.如权利要求2所述电池系统SOC估计方法，其特征在于：所述S103使用Min
‑
Max归一化方法，对于数据集中的每个属性X
i
，将其映射到{0，1}之间的值，公式如下：X
′
i
＝(X
i
‑
min(X
i
))/(max(X
i
)
‑
min(X
i
))，其中min(X
i
)和max(X
i
)分别是数据集中属性的最小值和最大值。5.如权利要求1所述电池系统SOC估计方法，其特征在于：所述S2包括S201、S202和S203三个步骤，其中s201是根据充电状态及电流数据可以将电池系统状态归为充电、放电、静置状态三类，当电池系统非充电且存在正向电流时，电池系统状态为放电状态，当电池系统非充电且电流值为零时，电池系统状态为静置状态，其余状态为充电状态，根据电池系统不同状态划分数据子集，s202是对每一个数据子集，以预处理后的特征作为基本特征，基于统计学方法及电化学原理构造衍生特征，包括动态历史电压、动态历史电流、动态历史消耗电量，对于预设窗口大小T，t时刻动态历史电压U
′
t
＝(U
t
+U
t
‑1+U
t
‑2+...+U
t
‑
T+1
)/T，t时刻动态历史电流I
′
t
＝(I
t
+I
t
‑1+I
t
‑2+...+I
t
‑
T+1
)/T，t时刻动态历史消耗电量Q
t
＝∑(I
i
×
Δt
i
)，其中，i∈{t
‑
T+1，t
‑
T+2，...，t
‑
1，t}，I
i
表示第i个采样点的电流值，Δt
i
表示第i个采样点与第i
‑
1个采样点之间的时间差，∑表示对所有采样点的电流值与时间差进行求和，S203是对每一个数据子集，将数据子集中SOC数值范围划分为预设的若干个区间，采用分层随机采样的方法将数据集划分为训练集和测试集，保证训练集和测试集中各SOC区间的样本比例相同。6.如权利要求1所述电池系统SOC估计方法，其特征在于：所述S3包括S301、S302、S303、S304和S305五个步骤，其中S301是构建初始化的XGBoost模型，S302是基于预设的参数范
围，以平均绝对误差作为目标函数，使用网格搜索确定XGBoost模型的最佳参数...

【专利技术属性】
技术研发人员：闫方超，丁洋洋，
申请(专利权)人：天津布尔科技有限公司，
类型：发明
国别省市：