一种面向直流充电桩充电监测数据的新能源汽车电池SOC抗扰评估方法技术

本发明专利技术涉及一种面向直流充电桩充电监测数据的新能源汽车电池SOC抗扰评估方法，以新能源汽车、60KW直流充电桩为例，将本发明专利技术提出的方法与带噪声的安时积分法、EKF法、ASTUK法分别进行实验室环境与工程实际环境新能源汽车充电实验测试，并对SOC评估误差进行分析。面向流充电桩充电监测数据，应用本方法对不良数据阈值进行自适应更新，然后剔除不良数据，提高原始数据准确性，最终结合二级动力电池Thevenin模型应用鲁棒性卡尔曼滤波法进行评估，实现SOC精确评估。充分利用直流充电桩的分析计算优势，以直流充电桩充电监测数据为基础，提高SOC评估精度，增强新能源汽车充电安全性能。性能。性能。

【技术实现步骤摘要】
一种面向直流充电桩充电监测数据的新能源汽车电池SOC抗扰评估方法


[0001]本专利技术涉及一种新能源汽车电池SOC评估方法，更进一步涉及针对恶劣环境与强噪声干扰下的新能源汽车电池充电SOC评估方法，特别涉及一种面向直流充电桩充电监测数据的新能源汽车电池SOC抗扰评估方法。

技术介绍

[0002]随着化石能源逐渐枯竭与环境日益恶化，新能源汽车的发展为解决能源与环境问题带来了曙光，成为世界各国重要的能源发展战略。在新能源汽车规划发展战略中，直流充电桩与直流充电方式由于其极快速高效的充电效率，得到学界广泛关注，直流充电枪可通过CAN总线基于27930通信协议与汽车BMS系统进行高速信息双向交互，使得新能源汽车能够成为一种承载车网互动的“充电宝”。然而直流充电桩充电过程中的安全状态监测与安全管理成为制约新能源汽车与充电设施发展的关键技术瓶颈。其中荷电状态(State ofCharge，SOC)是重要的充电安全状态评估指标，其定义为电池某时刻的剩余电量与电池的实际电荷容量的比值。精准估算汽车电池过程中的SOC工作状态，无论对新能源汽车车载电池能量管理系统(Battery Management System，BMS)还是对直流充电装置本身而言，均具有重要的意义，不仅能够有效提高电池安全性能而且有利于提高充电效率，增强直流充电设施安全稳定性。若SOC评估不准确，则可能会致使电池充电操作不正确，缩短电池的使用寿命，增加使用成本，降低电池的工作效率，甚至对整个充电站安全运营造成严重危害。因此，精确的SOC评估是大力发展新能源汽车战略、保障直流充电桩充电安全的核心内容。
[0003]目前SOC的评估方法主要包括安时积分法、开路电压法、神经网络法、卡尔曼滤波法等。其中卡尔曼滤波法(Kalman Filtering，KF)是一种基于白箱模型的最优化自回归数据处理算法，针对任意类型的动力电池SOC评估具有良好的适用性，得到诸多应用。Livint G等人提出一种基于改进扩展卡尔曼滤波的电池SOC评估方法，具有较高的准确性和收敛性。He H等人提出一种改进型自适应强跟踪卡尔曼滤波，有效解决了系统噪声统计不确定性。然而上述研究均基于实验室理想环境，将噪声统一建模为高斯白噪声或噪声干扰极小。在实际新能源汽车充电过程中，由于恶劣环境、自然灾害、低温、电磁干扰等各类型因素干扰，使得BMS量测数据往往极度不准确或存在强噪声干扰，导致SOC评估偏差较大。
[0004]近年来，随着直流充电桩的智能化发展与落地应用，其自身具有良好的边缘计算资源与分析能力，且对充电过程中全周期充电信息进行直接监测，可在一定程度上降低外部环境干扰。因此，面向直流充电桩充电监测数据，适应于恶劣充电环境且具有强鲁棒性的动力电池SOC评估方法成为重要的研究方向之一。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足之处，提供一种面向直流充电桩充电监测数据的新能源汽车电池SOC抗扰评估方法，在恶劣环境与强噪声干扰下能有效地对充电电
压、电流等直流充电桩充电监测数据进行降噪处理，实现动力电池SOC准确评估，全面支撑新能源汽车充电安全性分析。
[0006]本专利技术解决其技术问题是采取以下技术方案实现的：
[0007]一种面向直流充电桩充电监测数据的新能源汽车电池SOC抗扰评估方法，包含有如下阶段：
[0008]1)建立二阶动力电池Thevenin等效模型
[0009]分析二阶等效电路模型，根据Thevenin定理得到电池的端电压与电流之间的关系：
[0010][0011]U
oc
为开路电压；R0为电池内阻；R1、R2为极化电阻；C1、C2为等效电容；U1、U2为极化电压，利用脉冲放电实现(Hybrid Pulse Power Characteristic，HPPC)获取测试数据，基于Matab对端电压、电流曲线进行拟合，实现电池等效电路模型参数辨识，得到上述R0、R1、R2、C1、C2参数值。基于实际直流充电桩充电监测数据，通过比较实际值与端电压值对模型进行验证。
[0012]2)基于不同工况的不良数据检测与剔除
[0013]考虑低温、自然灾害、极端恶劣天气、电磁辐射等多因素影响而造成的SOC评估强噪声干扰问题，基于车载电池能量管理系统的SOC评估初值，充分利用直流充电桩充电数据采集与分析处理功能，提出一种前置滤波过程随监测量变化趋势自适应阈值调整方法，对充电电流、电压等直流充电桩充电监测值进行不良数据辨识与剔除，具体步骤如下：
[0014](1)获取数据
[0015]提取充电桩采集的充电电压、充电电流等监测数据，同时将直流充电桩与新能源汽车BMS系统控制平台通过CAN总线连接，基于27930通信协议进行双向信息互动，获取BMS的SOC预估初值。
[0016](2)前置滤波
[0017]设定一个初始阈值δ0，将t时刻的BMS预估值Z
k
与监测值m
k
求差得到ΔZ
k
，定义ΔZ
k
与评估值Z
k
之比为校正系数，计算如(式2)所示。
[0018][0019](3)阈值更新
[0020]考虑k
‑
1时刻阈值δ
k
‑1与校正系数β
k
‑1的大小关系，进行自适应阈值更新。
[0021][0022]式中：m为取值范围为[4,10]的修正常数。若阈值小于校正系数，则提高阈值，若阈值大于校正系数，则减小阈值，从而逐渐减小预估值与监测值的差值，实现高精度不良数据辨识，消除强噪声干扰。
[0023](4)检验不良数据
[0024]ΔV
k
为k时刻监测值m
k
与前一时刻监测值m
k－1
差的绝对值，即：
[0025]ΔV
k
＝|m
k
‑
m
k
‑1|
ꢀꢀꢀ
(式4)
[0026]若ΔV
k
>δ
k
m
k－1
，则认为量测量m
k
为不良数据，则舍弃该测量值，进而使用评估值Z
k
代替量测值m
k
；
[0027]3)基于鲁棒性扩展卡尔曼滤波法量测
[0028]通过2)得到已剔除不良数据的动力电池充电程中的电压、电流监测量，采用鲁棒性扩展卡尔曼滤波法(Robust Extended Kalman Filtering，REKF)进行数据处理与SOC评估，具体步骤如下：
[0029](1)初始化
[0030]基于1)中HPPC测试获取R0、R1、R2、C1、C2参数初值，并基于该参数将模型端电压评估值与端电压真实充电数据进行对比，验证二阶动力电池Thevenin等效模型的精确度。
[0031](2)线性化处理
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向直流充电桩充电监测数据的新能源汽车电池SOC抗扰评估方法，其特征在于：包含有如下阶段：1)建立二阶动力电池Thevenin等效模型，分析二阶等效电路模型，根据Thevenin定理得到电池的端电压与电流之间的关系：U
oc
为开路电压；R0为电池内阻；R1、R2为极化电阻；C1、C2为等效电容；U1、U2为极化电压，利用脉冲放电实现获取测试数据，基于Matab对端电压、电流曲线进行拟合，实现电池等效电路模型参数辨识，得到上述R0、R1、R2、C1、C2参数值，基于实际直流充电桩充电监测数据，通过比较实际值与端电压值对模型进行验证；2)基于不同工况的不良数据检测与剔除考虑低温、自然灾害、极端恶劣天气、电磁辐射等多因素影响而造成的SOC评估强噪声干扰问题，基于车载电池能量管理系统的SOC评估初值，充分利用直流充电桩充电数据采集与分析处理功能，提出一种前置滤波过程随监测量变化趋势自适应阈值调整方法，对充电电流、电压等直流充电桩充电监测值进行不良数据辨识与剔除；3)基于鲁棒性扩展卡尔曼滤波法量测通过2)得到已剔除不良数据的动力电池充电程中的电压、电流监测量，采用鲁棒性扩展卡尔曼滤波法进行数据处理与SOC评估；4)动力电池实验验证：选择任意品牌型号的新能源汽车，提取其电池参数信息，在实验室充电场景与直流充电桩充电实际工程场景下，对新能源汽车进行充电操作，在此过程中通过CAN总线，实时互动并记录车载BMS估测值与直流充电桩充电监测数据，基于3)进行SOC精确评估。2.根据权利要求1所述的一种面向直流充电桩充电监测数据的新能源汽车电池SOC抗扰评估方法，其特征在于：步骤2)对充电电流、电压等直流充电桩充电监测值进行不良数据辨识与剔除，具体方法步骤如下：步骤1获取数据提取充电桩采集的充电电压、充电电流等监测数据，同时将直流充电桩与新能源汽车BMS系统控制平台通过CAN总线连接，基于27930通信协议进行双向信息互动，获取BMS的SOC预估初值；步骤2前置滤波设定一个初始阈值δ0，将t时刻的BMS预估值Z
k
与监测值m
k
求差得到ΔZ
k
，定义ΔZ
k
与评估值Z
k
之比为校正系数，计算如(式2)所示：
步骤3阈值更新考虑k
‑
1时刻阈值δ
k
‑1与校正系数β
k
‑1的大小关系，进行自适应阈值更新：式中：m为取值范围为[4,10]的修正常数，若阈值小于校正系数，则提高阈值，若阈值大于校正系数，则减小阈值，从而逐渐减小预估值与监测值的差值，实现高精度不良数据辨识，消除强噪声干扰；步骤4检验不良数据ΔV
k
为k时刻监测值m
k
与前一时刻监测值m
k－1
差的绝对值，即：ΔV
k
＝|m
k
‑
m
k
‑1|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(式4)若ΔV
k
>δ
k
m
...

【专利技术属性】
技术研发人员：张剑，杨景禄，王强，郭智利，孟凡杰，匙航，席燕军，王洋，白银明，
申请(专利权)人：国家电网有限公司国网天津市电力公司城南供电分公司，
类型：发明
国别省市：