一种串联型电池系统能量状态预测方法技术方案

本发明专利技术公布了一种串联型电池系统能量状态预测方法，所述方法如下：由电池单体模型参数结合串联电路特性建立电池系统模型，构造电池空间状态方程；再结合电池系统电压在线检测值U和电流在线检测值I，对电池系统荷电状态SOC进行估计；将SOC、U为输入，通过能量状态基值预测模块获得能量状态预测基值SOE

【技术实现步骤摘要】
一种串联型电池系统能量状态预测方法


[0001]本专利技术属于智能电网中大容量电池储能系统设计与控制
，涉及一种串联型电池系统能量状态预测方法。

技术介绍

[0002]当今世界面临着能源短缺和环境恶化两大问题，各个国家都在大力提倡低碳经济，新能源的开发和利用对低碳经济的发展至关重要；新能源汽车作为低碳经济的重要组成部分,越来越得到社会的关注。新能源汽车的续航能力和安全是用户关注的重点，因此，对电动汽车的能量状态(State of Energy，SOE)的研究至关重要。然而，电池能量状态的预测和实际状态存在偏差，因为电池组内部的电化学过程无法直接观察，且受电池容量、工作工况、电池健康状态(SOH)和电池单体的一致性等因素的影响，往往导致串联电池系统中充放电特性不一致，因此，电池系统的SOE精确预测具有重要意义。
[0003]目前国内外关于SOE的预测方法研究多集中在电池单体，有关串联型电池系统SOE预测方法的文献并不多，专利(CN104459551A)公开了一种电动汽车动力电池能量状态(SOE，State
‑
of
‑
Energy)估算方法。该方法在估算过程中考虑了电池电压的变化，较现有的电池荷电状态(SOC)估算能更加全面的反应电池状态和车辆续驶里程，其特征在于，该方法包括如下步骤：第一、初始化过程，系统根据当前电池温度、电压、静置前状态以及静置时间，计算初始SOE值；第二、循环过程，系统通过采集的电池温度、充/放电倍率以及记录的电池使用次数来修正电池平衡电势EMFr/>‑
SOE关系曲线、电池额定能量。再根据能量守恒原理计算电池能量的变化量，利用初始SOE值，计算下一时刻SOE值，不断循环，实时更新SOE值。该模型考虑了电池系统中电池温度、充/放电倍率以及记录的电池使用次数对电池SOE的影响，在一定程度上提高了电池SOE精度，但未考虑电池不一致对电池SOE偏差的影响，导致电池系统SOE精度受限。
[0004]为进一步提高串联型电池系统SOE预测精度，本专利技术公布了一种串联型电池系统的能量状态预测方法，考虑电池不一致对电池SOE偏差的影响，利用电池单体离线数据建立BP神经网络，将电池单体电压偏差值ΔU
i
和电池系统电流在线检测值I作为SOE修正器的输入，得到能量状态补偿值ΔSOE
b
，以获得准确的电池系统SOE，进而更新电池系统模型，以提高电池系统模型精度，并进一步提高电池系统SOE的预测精度。

技术实现思路

[0005]本专利技术解决的问题是在于提供一种串联型电池系统能量状态预测方法，一方面，改进了相关已公开电池系统SOE估算时未考虑电池组中电池不一致性对SOE的影响，另一方面，解决了采用BP神经网络进行电池系统SOE估算时数据繁杂、训练耗时的问题，提高串联型电池系统SOE估算精度。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种串联型电池系统能量状态预测方法，其中，该电池系统由n个电池单体经串联而成，n为大于等于1的自然数，具体步骤如
下：
[0007]S1、根据电池单体模型参数(1)结合串联电路中电流处处相等、总电压等于各阻抗电压之和的特性，建立一个含2个并联RC电路的串联型电池系统等效电路模型(2)；
[0008]S2、基于串联型电池系统等效电路模型(2)，得到电池空间状态方程，再结合电池系统电压在线检测值U和电流在线检测值I，经电池系统SOC估计模块(3)，得到电池系统荷电状态SOC；
[0009]S3、基于电池系统电压在线检测值U和电池系统荷电状态SOC，结合电池空间状态方程，通过能量状态基值预测模块(4)，获得电池系统能量状态基值SOE
b
；
[0010]S4、基于电池单体离线数据、各电池单体电压偏差值ΔU
i
、电池系统电流在线检测值I，利用电池系统SOE修正器(8)得到能量状态补偿值ΔSOE
b
，所述的电池系统SOE修正器(8)由故障判别器(5)、数据筛选器(6)、BP神经网络(7)模块依次连接而成；所述的经电池系统SOE修正器(8)得到能量状态补偿值ΔSOE
b
的方法为：将电池单体离线数据作为电池系统SOE修正器(8)的输入，依次通过故障判别器(5)、数据筛选器(6)，得到电池单体电压常态数据，再利用BP神经网络(7)，并结合各电池单体电压偏差值ΔU
i
和电池系统电流在线检测值I，获取能量状态补偿值ΔSOE
b
，i为大于等于1的自然数；
[0011]S5、将能量状态预测基值SOE
b
与能量状态补偿值ΔSOE
b
叠加，得到串联型电池系统能量状态预测值SOE
r
。
[0012]所述步骤S4中，电池单体离线数据包含各电池单体电压和电池系统电流离线数据，电池单体电压数据共有N组，每组有n个测量数据，N为大于1的自然数，n为大于等于1的自然数。
[0013]所述步骤S4中，将各电池单体电压U1～U
k
及电池系统电流离线值I
k
输入至故障判别器(5)内进行判别，k为大于等于1且小于等于n的自然数，具体包括：
[0014]1)判断电池系统电流离线值I
k
是否等于0，若I
k
等于0，表明电池系统发生故障信号，输出SOE
r
＝0，若I
k
不等于0，则进行以下判断：
[0015]2)判断各电池单体电压U1～U
k
是否等于0，若U
k
等于0，表明电池系统中第k个电池单体发生故障，输出故障信息，若U
k
不等于0，则进行以下判断：
[0016]3)判断各电池单体电压U1～U
k
是否满足一致性要求，若U
k
满足，则表明无需考虑电池单体不一致对电池系统SOE的影响，输出ΔSOE
b
＝0，若不满足，再将各电池单体电压U1～U
k
送入数据筛选器(6)中。
[0017]所述步骤S4中，数据筛选器(6)设计如下：取电池单体电压离线数据中某一组数据，通过绘制散点图进行相关性的判断：若某个数据点不在趋向线附近，需剔除该数据点；若所取的数据点在趋向线上或在趋向线附近，说明数据点之间存在相关性，即该数据点可留下，最后将所有电池单体电压离线数据筛选后，可留下的全部数据点，即为电池单体电压常态数据。
[0018]所述步骤S4中，BP神经网络(7)设计如下：选用含有一个隐含层的3层BP神经网络(7)，其中，输入层有2个节点，输出层有1个节点，输入变量为电池单体电压常态数据及电池系统电流离线数据，输出变量为ΔSOE
b
，实现BP神经网络(7)流程如下：
[0019]①
采集各电池单体电压常态数据及电池系统电流离线数据，对电压常态数据和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种串联型电池系统能量状态预测方法，其中，串联型电池系统由n个电池单体串联而成，n为大于等于1的自然数，其特征在于，具体步骤如下：S1、根据电池单体模型参数结合串联电路中电流处处相等、总电压等于各阻抗电压之和的特性，建立一个含2个并联RC电路的串联型电池系统等效电路模型；S2、基于串联型电池系统等效电路模型，得到电池空间状态方程，再结合电池系统电压在线检测值U和电流在线检测值I，经电池系统SOC估计模块，得到电池系统荷电状态SOC；S3、基于电池系统电压在线检测值U和电池系统荷电状态SOC，结合电池空间状态方程，通过能量状态基值预测模块，获得电池系统能量状态基值SOE
b
；S4、基于电池单体离线数据、各电池单体电压偏差值ΔU
i
、电池系统电流在线检测值I，利用电池系统SOE修正器得到能量状态补偿值ΔSOE
b
，所述的电池系统SOE修正器由故障判别器、数据筛选器、BP神经网络模块依次连接而成；所述的经电池系统SOE修正器得到能量状态补偿值ΔSOE
b
的方法为：将电池单体离线数据作为电池系统SOE修正器的输入，依次通过故障判别器、数据筛选器，得到电池单体电压常态数据，再利用BP神经网络，并结合各电池单体电压偏差值ΔU
i
和电池系统电流在线检测值I，获取能量状态补偿值ΔSOE
b
，i为大于等于1的自然数；S5、将能量状态预测基值SOE
b
与能量状态补偿值ΔSOE
b
叠加，得到串联型电池系统能量状态预测值SOE
r
。2.根据权利要求1所述的一种串联型电池系统能量状态预测方法，其特征在于，在步骤S4中，所述的电池单体离线数据包含各电池单体电压和电池系统电流离线数据，电池单体电压数据共有N组，每组有m个测量数据，N、m都为大于1的自然数。3.根据权利要求1所述的一种串联型电池系统能量状态预测方法，其特征在于，在步骤S4中，将各电池单体电压U1～U
k
及电池系统电流离线值I
k
输入至故障判别器内进行判别，k为大于等于1的自然数，具体包括：1)判断电池系统电流离线值I
k
是否等于0，若I
k
等于0，表明电池系统发生故障信号，输出SOE
r
＝0，若I
k
不等于0，则进行以下判断：2)判断各电池单体电压U1～U
k
是否等于0，若U
k
等于0，表明电池系统中第k个电池单体发生故障，输出故障信息，若U
k
不等于0，则进行以下判断：3)判断各电池单体电压U1～U
k
是否满足一致性要求，若U
k
满...

【专利技术属性】
技术研发人员：彭思敏，支一脉，苗一凡，张帅，陆春林，阚加荣，张春富，沈翠凤，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：