一种可解释的数模融合锂电池状态估计方法技术

一种可解释的数模融合锂电池状态估计方法，获取不同工况下电池的工作电压、电流随时间变化的测试数据，建立时间域中离散线性化的电池等效电路模型，通过滤波类算法在线辨识电池等效电路模型参数；通过辨识获得的OCV值，根据OCV‑SOC函数关系获得电池SOC预估计值；根据辨识结果选择欧姆内阻、极化电压、OCV值、端电压误差、电压和电流建立误差补偿模型数据集，并选取数据驱动模型训练建立SOC误差补偿模型；利用训练的SOC误差补偿模型对预估计值进行误差补偿，获得电池SOC估计值。降低了模型计算复杂度，在提高估计精度的同时，提高了误差补偿模型的可解释性。

【技术实现步骤摘要】

本专利技术涉及锂电池状态评估方法，具体的说是一种可解释的数模融合锂电池状态估计方法。

技术介绍

1、锂电池目前已被广泛用于消费电子、电动汽车和储能系统中。为确保电池在使用过程中的安全性，需要对电池进行实时、准确的管理。其中，电池荷电状态（state ofcharge, soc）可有效表征电池剩余能量，防止发生过度充放电，降低电池着火爆炸风险。然而，soc是电池的隐形参数，无法通过传感器直接测量得到，同时受电池本体即用即衰、强时变非线性和复杂工况环境的影响，难以对电池进行精准鲁棒的soc估计。

2、随着大数据、人工智能技术的发展，数据驱动方法被用于soc估计。在解决强非线性问题方面具有显著优势，估计精度高，但需要大量的高质量数据进行训练学习。除此之外，该方法为“黑箱”模型，不具备可解释性，限制了在实际工程中的应用。例如，cn202311232533.8通过核极限学习机算法建立电池soc预估计模型和误差补偿模型，然而这两种模型均为“黑箱”模型，没有在算法中引入电池物理模型，方法缺乏可解释性。cn202310121793.1和cn2022103847本文档来自技高网...

【技术保护点】

1.一种可解释的数模融合锂电池状态估计方法，其特征在于：包括以下步骤：

2.如权利要求1所述的一种可解释的数模融合锂电池状态估计方法，其特征在于：所述步骤（2）中的电池等效电路模型采用一阶RC等效电路模型，模型的状态方程为：，其中，Ut为电池端电压，OCV为电池开路电压，I为电流，R0为欧姆内阻，RP为极化内阻，CP为极化电容，VP为极化电压，为，表示极化电压VP对时间t的微分；该状态方程离散线性化后为：，其中，为k时刻的状态变量，为k+1时刻的状态变量，为第k秒的开路电压，为第k秒的欧姆内阻，为第k秒的极化内阻，为第k秒的极化电压，为时间常数，为第k秒的极化电容，为k时刻的...

【技术特征摘要】

1.一种可解释的数模融合锂电池状态估计方法，其特征在于：包括以下步骤：

2.如权利要求1所述的一种可解释的数模融合锂电池状态估计方法，其特征在于：所述步骤（2）中的电池等效电路模型采用一阶rc等效电路模型，模型的状态方程为：，其中，ut为电池端电压，ocv为电池开路电压，i为电流，r0为欧姆内阻，rp为极化内阻，cp为极化电容，vp为极化电压，为，表示极化电压vp对时间t的微分；该状态方程离散线性化后为：，其中，为k时刻的状态变量，为k+1时刻的状态变量，为第k秒的开路电压，为第k秒的欧姆内阻，为第k秒的极化内阻，为第k秒的极化电压，为时间常数，为第k秒的极化电容，为k时刻的电池端电压观测变量，为状态转移矩阵，为状态观测矩阵，为系统噪声，为测量噪声。

3.如权利要求1所述的一种可解释的数模融合锂电池状态估计方法，其特征在于：所述的步骤（3）中，采用扩展卡尔曼滤波算法，根据电池soc工况数据集中端电压、电流的时间序列，在线辨识获得电池等效电路模型参数的时间序列。

4.如权利要求1所述的一种可解释的数模融合锂电池状态估计方...

【专利技术属性】
技术研发人员：蒋德珑，武超，
申请(专利权)人：洛阳理工学院，
类型：发明
国别省市：