【技术实现步骤摘要】
本专利技术涉及电池的端电压预测，具体涉及一种用于电池系统内单体电池的端电压预测方法。
技术介绍
1、电池系统作为现代能源存储的核心组件，在推动低碳环保和提高燃料效率方面发挥着关键作用。随着对清洁能源需求的增加，电池模组的设计和管理变得尤为重要。为了充分利用电池系统的潜力，需采用先进的电池管理系统，以确保电池的安全性、稳定性和性能优越。
2、在电池系统中，单体电池作为构成电池模组的基本组成单元，其关键参数的准确预测面临挑战，因为单体电池的特性多变且受多种因素影响。这种不确定性给电池管理系统带来了挑战，因为精准的参数预测对于实现最佳性能至关重要。
3、目前存在的问题是，直接测量单体电池的成本相对较高。这主要是因为单体电池的参数涉及到多个复杂且动态变化的因素，需要使用高成本的仪器和设备进行准确测量。此外，由于电池系统中存在大量的单体电池，逐一测量每个单体电池的参数将会耗费大量时间和资源，增加了整体成本，也不可能对电池模组进行拆卸测量。
4、除了上述问题外，直接测量电池模组也受到单体电池一致性差的影响。由于单体电池之间存在微小差异，直接测量电池模组可能无法充分考虑这些差异，从而导致对整个电池模组性能的准确评估变得困难。不一致性可能源于制造过程中的微小变化或材料差异，进一步增加了直接测量方法的局限性。
5、在这种情况下，采用端电压预测方法可以更好地处理上述问题，通过对电池系统内部的动态变化进行建模和预测，提供了一种更全面、稳定且可靠的评估手段。这有助于提高电池模组的一致性和整体性能，减轻直接
6、此外，目前大多数电池方面的研究，包括soh（state of health）预测、soc（stateof charge）预测等，通常依赖于电池的电压进行。然而，现有的方法在准确预测电池系统内单体电池的端电压方面存在一定的限制。
技术实现思路
1、针对现有技术中的问题，本专利技术提供一种用于电池系统内单体电池的端电压预测方法，便于获取电池系统内单体电池的端电压信息。
2、一种用于电池系统内单体电池的端电压预测方法，包括以下步骤：
3、步骤1：通过电流分布结构构建电流分布表；
4、步骤2：获得电池模组的总电压值、总电流值以及剩余电量；
5、步骤3：根据电池模组的并联支路数量，进而通过查电流分布表得到支路电流的先验分布，然后通过电池拓扑结构推理出单体电池的支路电流值；
6、步骤4：以总电压值、支路电流值和剩余电量三个变量作为端电压预测模型的输入，从而预测出单体电池的端电压值。
7、进一步为：步骤4具体包括以下步骤：
8、步骤4.1：搭建深度网络电压回归模型；
9、深度网络电压回归模型的输入包含历史 h步电压、电流、第时刻的电流、第时刻的剩余电量，以及表示 时刻的均衡平衡器是否开启的开关量，所有输入被组合为一个第时刻的列向量；
10、 (10)
11、深度网络电压回归模型的输出值为当前第时刻估计的单体电池的端电压：
12、 (11)
13、其中，是深度网络电压回归模型中第k时刻的第 个输入 与前一时刻隐藏层的状态信息 之间的加权矩阵，是输出层第k时刻的输入存储的列向量，输出层为全连接层，采用线性函数作为激活函数；
14、步骤4.2 将训练好的深度网络电压回归模型与双扩展卡尔曼滤波器进行结合，搭建端电压预测模型，并通过端电压预测模型对单体电池的端电压进行预测；同时，在实时预测中对模型输出层权重进行更新，并且对预测过程中出现的累计误差进行纠正。
15、进一步为：
16、双扩展卡尔曼滤波器的离散状态空间方程如下：
17、 (12)
18、其中，为系统状态函数，描述了系统状态随时间的迁移过程；为系统观测函数，描述了系统状态和观测变量之间的传递关系；和分别表示时间步长处的维状态变量和维观测变量，是系统维输入信号，和分别是系统维观测噪声和随机过程噪声；
19、双扩展卡尔曼滤波器对非线性函数与进行线性变换后得：
20、
21、其中，，，和为线性化后的状态转移矩阵，通过泰勒展开得：
22、
23、进一步为：步骤4.2包括以下步骤：
24、步骤4.2.1：进行状态及误差方差的初始化，其表示为：
25、
26、其中e表示随机变量的期望，和表示后验估计值，表示时刻0的后验估计值，表示时刻0的后验估计值的方差，e[] 表示期望；
27、步骤4.2.2：进行状态过程和状态误差的更新：
28、
29、其中和分别表示在时刻k的先验估计值和先验估计值的方差，和是线性化后的状态转移矩阵，是系统输入信号，是系统过程噪声方差矩阵，表示系统状态转移过程中的噪声；
30、步骤4.2.3：利用先验估计进行观测更新：
31、
32、状态误差方差的后验估计更新：
33、 (24)
34、其中，为滤波增益，为系统过程噪声方差矩阵，为观测噪声方差矩阵，是观测估计值是实际观测值；
35、双扩展卡尔曼滤波器的观测函数采用由深度网络电压回归模型训练的模型，如式25所示：
36、 (25)
37、其中，公式25和公式11一样，但是为了区分状态方程使用的按时积分方程，我们在这里使用表示深度网络电压回归模型第k时刻的估计电压，而状态方程使用的安时积分方程第k时刻的估计电压则用表示，
38、状态方程使用的安时积分方程：
39、
40、其中，和可以直接从数值差分计算中得到，为剩余电量更新的增益；
41、步骤4.2.4：对深度网络电压回归模型的输出层权重更新的过程及观测更新：
42、 (27)
43、 (28)
44、 (29)
45、其中，表示输出层权重知识，表示模型权重知识，表示先验权重， 是相关变量，表示先验权重的时间步长，表示系统状态函数，表示上一时刻的状态后验估计，表示系统输入信号，表示先验权重的j时刻延迟， 是输出层的估计值，表示系统观测函数；
46、步骤4.2.5：更新对应增益并获得输出层权重后验值：
47、 (30)
48、 (31)
49、 (32)...
【技术保护点】
1.一种用于电池系统内单体电池的端电压预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的用于电池系统内单体电池的端电压预测方法，其特征在于：步骤4具体包括以下步骤：
3.根据权利要求2所述的用于电池系统内单体电池的端电压预测方法，其特征在于：
4.根据权利要求3所述的用于电池系统内单体电池的端电压预测方法，其特征在于：步骤4.2包括以下步骤：
5.根据权利要求1所述的用于电池系统内单体电池的端电压预测方法，其特征在于：电流分布表如下：
6.根据权利要求5所述的用于电池系统内单体电池的端电压预测方法，其特征在于：步骤1具体为：
7.根据权利要求6所述的用于电池系统内单体电池的端电压预测方法，其特征在于：步骤3具体为：确定电池模组的并联支路数量以及该电池模组的状态，电池模组的状态包括初始和稳定，根据公式（8）或公式（9）得出 ，再根据公式7求出分支电流 ；
【技术特征摘要】
1.一种用于电池系统内单体电池的端电压预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的用于电池系统内单体电池的端电压预测方法，其特征在于：步骤4具体包括以下步骤：
3.根据权利要求2所述的用于电池系统内单体电池的端电压预测方法，其特征在于：
4.根据权利要求3所述的用于电池系统内单体电池的端电压预测方法，其特征在于：步骤4.2包括以下步骤：
5.根据权利要求1...
【专利技术属性】
技术研发人员：范玉千，赵继飞，王林冰，袁野，吴效莹，高国红，王建平，李学勇，潘灿林，
申请(专利权)人：河南科技学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。