一种基于多技术融合的电池SOC和SOH预测方法及系统技术方案

本发明专利技术涉及电池状态预测技术领域，具体地说是一种基于多技术融合的电池SOC和SOH预测方法及系统。包括以下步骤S1、采集电池的实时数据，包括电压、电流和温度的数值；S2、数据整合并进行预处理，预处理操作涵盖去噪及标准化；S3、电压辨别从电压数据中提取关键特征，包括电压值、电压导数以及统计特征；S4、通过PINNs嵌入物理约束，对电池电压行为进行建模，计算预测电压；通过XGBoost进行特征回归、预测中间变量，通过集成学习构建单体电压预测模型以计算单体电池电压；S5、运用无迹卡尔曼滤波，经Sigma点处理非线性关系，优化并得到SOC和SOH状态的预测值；同现有技术相比，提升预测精度，增强鲁棒性，提高可解释性，实现实时预测确保系统实时性。

【技术实现步骤摘要】

本专利技术涉及电池状态预测，具体地说是一种基于多技术融合的电池soc和soh预测方法及系统。

技术介绍

1、在电池管理系统(bms)中，准确预测电池的荷电状态(soc)和健康状态(soh)是电动车、储能系统等应用的核心需求。soc表示电池剩余电量百分比，而soh反映电池容量随老化退化的程度。当前soc和soh的预测方法主要分为两类：纯数据驱动法和模型驱动法，但两种方法均存在显著缺陷。

2、纯数据驱动法依赖机器学习技术，通过大量历史数据训练模型来预测电池行为。但其鲁棒性差，预测精度显著下降，可解释性低，降低了实际应用中的可信度，数据依赖性高，数据的获取成本高昂且耗时。

3、模型驱动法基于电池的物理模型，通过数学方程描述电池行为，但模型精度有限，在极端条件下表现不佳，参数估计困难，计算复杂度高，不适合实时应用场景。

技术实现思路

1、为解决上述
技术介绍
中提出的问题，本专利技术提供一种基于多技术融合的电池soc和soh预测方法，包括以下步骤s1、采集电池的实时数据，包括电压、电流和温度的数值本文档来自技高网...

【技术保护点】

1.一种基于多技术融合的电池SOC和SOH预测方法，其特征在于：包括以下步骤S1、采集电池的实时数据，包括电压、电流和温度的数值；S2、数据整合并进行预处理，预处理操作涵盖去噪及标准化；S3、电压辨别从电压数据中提取关键特征，包括电压值、电压导数以及统计特征；S4、将关键特征数据同时分别进入物理信息神经网络(PINNs)、分布式梯度增强(XGBoost)和集成学习单体电压预测模型，通过PINNs嵌入物理约束，对电池电压行为进行建模，计算预测电压；通过XGBoost进行特征回归、预测中间变量，通过集成学习构建单体电压预测模型以计算单体电池电压；S5、运用无迹卡尔曼滤波(UKF)，经采样点(...

【技术特征摘要】

1.一种基于多技术融合的电池soc和soh预测方法，其特征在于：包括以下步骤s1、采集电池的实时数据，包括电压、电流和温度的数值；s2、数据整合并进行预处理，预处理操作涵盖去噪及标准化；s3、电压辨别从电压数据中提取关键特征，包括电压值、电压导数以及统计特征；s4、将关键特征数据同时分别进入物理信息神经网络(pinns)、分布式梯度增强(xgboost)和集成学习单体电压预测模型，通过pinns嵌入物理约束，对电池电压行为进行建模，计算预测电压；通过xgboost进行特征回归、预测中间变量，通过集成学习构建单体电压预测模型以计算单体电池电压；s5、运用无迹卡尔曼滤波(ukf)，经采样点(sigma点)处理非线性关系，优化并得到soc(荷电状态)和soh(健康状态)状态的预测值；s6、将预测的soc和soh结果显示、保存，同时传输至电池管理系统(bms)。

2.根据权利要求1所述的一种基于多技术融合的电池soc和soh预测方法，其特征在于：所述的步骤s1具体包括设定固定的时间间隔，从传感器读取电压、电流和温度等原始数据。

3.根据权利要求1所述的一种基于多技术融合的电池soc和soh预测方法，其特征在于：所述的步骤s2具体包括以下步骤：

4.根据权利要求1所述的一种基于多技术融合的电池soc和soh预测方法，其特征在于：所述的步骤s3具体包括以下步骤：

5.根据权利要求1所述的一种基于多技术融合的电池soc和soh预测方法，其特征在于：所...

【专利技术属性】
技术研发人员：刘博赫，颜安祺，
申请(专利权)人：上海派智能源股份有限公司，
类型：发明
国别省市：