OCV-SOC在线估计方法、装置和计算机设备与存储介质制造方法及图纸

本发明专利技术公开了一种OCV

【技术实现步骤摘要】
OCV
‑
SOC在线估计方法、装置和计算机设备与存储介质


[0001]本专利技术涉及电池状态估算计算领域，尤其涉及一种基于可重构电池网络的OCV
‑
SOC在线估计方法、一种计算机可读存储介质、一种计算机设备和一种基于可重构电池网络的OCV
‑
SOC在线估计装置。

技术介绍

[0002]目前，锂离子电池具有快速响应、能量密度高和寿命长等优势，被广泛应用于电动汽车、移动通讯、航空航天等领域，并被认为是大规模储能应用的主要替代能源。
[0003]相关技术中，锂离子电池的SOC被定义为剩余容量与最大可用容量的比值，是评估电池电气状态的重要指标，因此，精准的SOC估计可以有效的防止过充或过放、提高电池的能量利用率，从而保证电池系统安全、可靠、高效、稳定的工作，同时尽可能的延长其工作寿命。
[0004]然而，相关技术的问题在于，在传统的固定串/并联电池模组中，只能通过测量电模组的端电压与电流，以结合某一电路等效模型推算其电池内阻，进而再估算电池模组的OCV，而该估算过程会引入两次误差的传递，使得电池模组的OCV与SOC之间的拟合精度降低，导致无法精确估计电池模组的OCV，进而严重影响其系统能量控制的精度。

技术实现思路

[0005]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的第一个目的在于提出一种基于可重构电池网络的OCV
‑
SOC在线估计方法，能够通过可重构电池网络实现待测电池模组的SOC值在线估计，同时，在对待测电池模组的SOC值进行在线估计前，通过采用GBDT算法建立OCV
‑
SOC映射关系，能够确保待测电池模组的SOC值在线估计精确度。
[0006]本专利技术的第二个目的在于提出一种计算机可读存储介质。
[0007]本专利技术的第三个目的在于提出一种计算机设备。
[0008]本专利技术的第四个目的在于提出一种基于可重构电池网络的OCV
‑
SOC在线估计装置。
[0009]为达到上述目的，本专利技术第一方面实施例提出的基于可重构电池网络的OCV
‑
SOC在线估计方法，包括以下步骤：采用GBDT算法建立OCV
‑
SOC映射关系；获取可重构电池网络中的待测电池模组的OCV值；根据所述待测电池模组的OCV值与所述OCV
‑
SOC映射关系，对所述待测电池模组的SOC值进行在线估计。
[0010]根据本专利技术实施例提出的基于可重构电池网络的OCV
‑
SOC在线估计方法，采用GBDT算法建立OCV
‑
SOC映射关系，进而，获取可重构电池网络中的待测电池模组的OCV值，以及，根据待测电池模组的OCV值与OCV
‑
SOC映射关系，对待测电池模组的SOC值进行在线估计。由此，通过可重构电池网络实现待测电池模组的SOC值在线估计，同时，在对待测电池模组的SOC值进行在线估计前，通过采用GBDT算法建立OCV
‑
SOC映射关系，从而减少电池模组
的OCV值与SOC值的拟合误差，提高OCV
‑
SOC映射关系的拟合精度，确保待测电池模组的SOC值在线估计精确度。
[0011]另外，根据本专利技术上述实施例的基于可重构电池网络的OCV
‑
SOC在线估计方法，还可以具有如下的附加技术特征：
[0012]根据本专利技术的一个实施例，所述获取可重构电池网络中的待测电池模组的OCV值，包括：控制所述可重构电池网络中的待测电池模组进行动态脱离，以在获取所述待测电池模组的OCV值的同时，使其它电池模组保持正常工作运行。
[0013]根据本专利技术的一个实施例，所述采用GBDT算法建立OCV
‑
SOC映射关系，包括：采集多组SOC
‑
OCV样本数据；对所述多组SOC
‑
OCV样本数据进行数据清洗，以去除异常样本数据；设置所述GDBT算法的运行参数；根据数据清洗后的SOC
‑
OCV样本数据和所述GDBT算法的运行参数建立所述OCV
‑
SOC映射关系。
[0014]根据本专利技术的一个实施例，所述采集多组SOC
‑
OCV样本数据，包括：在不同温度条件下，将电池模组充/放电至预设SOC值并静置预设时间，并获取与所述预设SOC值对应的OCV值，以采集所述多组SOC
‑
OCV样本数据。
[0015]根据本专利技术的一个实施例，所述对所述多组SOC
‑
OCV样本数据进行数据清洗，以去除异常样本数据，包括：判断与所述预设SOC值对应的OCV值是否大于预设电压上限值或者小于预设电压下限值；当所述预设SOC值对应的OCV值大于所述预设电压上限值或者小于所述预设电压下限值时，确定该所述预设SOC值对应的OCV值为所述异常样本数据。
[0016]根据本专利技术的一个实施例，所述根据数据清洗后的SOC
‑
OCV样本数据和所述GDBT算法的运行参数建立所述OCV
‑
SOC映射关系，包括：对第一棵决策树模型进行初始化；采用所述决策树模型根据所述GDBT算法的运行参数对所述SOC
‑
OCV样本数据进行数据迭代拟合，并获取数据拟合误差和模型迭代次数；所述数据拟合误差是否大于所述预设阈值，或者，所述模型迭代次数是否小于或等于所述预设迭代次数；当所述数据拟合误差大于所述预设阈值，或者，所述模型迭代次数小于或等于所述预设迭代次数时，根据所述数据拟合误差和所述SOC
‑
OCV样本数据，建立新决策树模型，并根据所述新决策树模型，更新GBDT模型；以及，当所述数据拟合误差小于所述预设阈值，或者，所述模型迭代次数大于所述预设迭代次数时，根据最后一次更新的GBDT模型建立所述OCV
‑
SOC映射关系。
[0017]根据本专利技术的一个实施例，所述对所述待测电池模组的SOC进行在线估计，包括：根据所述待测电池模组的OCV值，从所述OCV
‑
SOC映射关系中获取对应的SOC值，并将对应的SOC值确定为所述待测电池模组的SOC值。
[0018]为达到上述目的，本专利技术第二方面实施例提出的计算机可读存储介质，其上存储有基于可重构电池网络的OCV
‑
SOC在线估计程序，该基于可重构电池网络的OCV
‑
SOC在线估计程序被处理器执行时实现如第一方面实施例所述的基于可重构电池网络的OCV
‑
SOC在线估计方法。
[0019]根据本专利技术实施提出的计算机可读存储介质，在通过处理器执行基于可重构电池网络的OCV
‑
SOC在线估计程序时，能够通过可重构电池网络实现待测电池模组的SOC值在线估计，同时，在对待测电池模组的SOC值进行在线估计前，通过采用GBDT本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可重构电池网络的OCV
‑
SOC在线估计方法，其特征在于，所述方法包括以下步骤：采用GBDT算法建立OCV
‑
SOC映射关系；获取可重构电池网络中的待测电池模组的OCV值；根据所述待测电池模组的OCV值与所述OCV
‑
SOC映射关系，对所述待测电池模组的SOC值进行在线估计。2.根据权利要求1所述的基于可重构电池网络的OCV
‑
SOC在线估计方法，其特征在于，所述获取可重构电池网络中的待测电池模组的OCV值，包括：控制所述可重构电池网络中的待测电池模组进行动态脱离，以在获取所述待测电池模组的OCV值的同时，使其它电池模组保持正常工作运行。3.根据权利要求1所述的基于可重构电池网络的OCV
‑
SOC在线估计方法，其特征在于，所述采用GBDT算法建立OCV
‑
SOC映射关系，包括：采集多组SOC
‑
OCV样本数据；对所述多组SOC
‑
OCV样本数据进行数据清洗，以去除异常样本数据；设置所述GDBT算法的运行参数；根据数据清洗后的SOC
‑
OCV样本数据和所述GDBT算法的运行参数建立所述OCV
‑
SOC映射关系。4.根据权利要求3所述的基于可重构电池网络的OCV
‑
SOC在线估计方法，其特征在于，所述采集多组SOC
‑
OCV样本数据，包括：在不同温度条件下，将电池模组充/放电至预设SOC值并静置预设时间，并获取与所述预设SOC值对应的OCV值，以采集所述多组SOC
‑
OCV样本数据。5.根据权利要求4所述的基于可重构电池网络的OCV
‑
SOC在线估计方法，其特征在于，所述对所述多组SOC
‑
OCV样本数据进行数据清洗，以去除异常样本数据，包括：判断与所述预设SOC值对应的OCV值是否大于预设电压上限值或者小于预设电压下限值；当所述预设SOC值对应的OCV值大于所述预设电压上限值或者小于所述预设电压下限值时，确定该所述预设SOC值对应的OCV值为所述异常样本数据。6.根据权利要求3所述的基于可重构电池网络的OCV
‑
SOC在线估计方法，其特征在于，所述根据数据清洗后的SOC
‑
OCV样本数据和所述GDBT算法的运行参数建立所述OCV
‑
SOC映射关...

【专利技术属性】
技术研发人员：张永密，王澍豪，慈松，朱昌煜，石雪倩，周杨林，张凯，汤睿，王子毅，萨仁娜，欧阳飙，陈悦，刘钰磊，朱轶，郝爱华，
申请(专利权)人：湘投云储科技有限公司清华大学，
类型：发明
国别省市：