CN117074955A - 一种基于云-端修正ocv的锂电池状态联合估计方法 - Google Patents

一种基于云-端修正ocv的锂电池状态联合估计方法 Download PDF

Info

Publication number
CN117074955A
CN117074955A CN202311042952.5A CN202311042952A CN117074955A CN 117074955 A CN117074955 A CN 117074955A CN 202311042952 A CN202311042952 A CN 202311042952A CN 117074955 A CN117074955 A CN 117074955A
Authority
CN
China
Prior art keywords
model
cloud
battery
estimation
ocv
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311042952.5A
Other languages
English (en)
Inventor
王亚雄
赵尚宇
王世权
欧凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202311042952.5A priority Critical patent/CN117074955A/zh
Publication of CN117074955A publication Critical patent/CN117074955A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提出一种基于云‑端修正OCV的锂电池状态联合估计方法，基于云‑端协同估计架构，所述云‑端协同估计架构包括本地电池端BMS、云端模型训练及数据管理平台；云端模型训练的流程为，首先对本地电池端BMS进行参数辨识和模型误差计算，根据设定误差阈值和时间滑动窗口分割出模型误差符合阈值的时间片段和超过阈值的时间片段，上传至云端；然后在云端进行OCV修正和SOH估计，并将最终估计结果回传至本地电池端BMS进行模型参数更新和容量更新；最后在本地电池端BMS以无迹卡尔曼滤波算法估计SOC；本发明能充分利用云平台计算资源，通过数据驱动的方式修正OCV，从而达到修正电池模型误差的目的，通过SOH的估计更新电池最大可用容量，保证了SOC的估计精度。

Description

一种基于云-端修正OCV的锂电池状态联合估计方法
技术领域
本发明涉及电池状态估计技术领域，尤其是一种基于云-端修正OCV的锂电池状态联合估计方法，即基于云-端修正OCV(Open Circuit Voltage，开路电压)的锂电池状态联合估计方法。
背景技术
近几十年来，锂电池由于其高输出电压、高能量密度、高安全和长寿命等优良特性被广泛的应用于许多工程领域。
在实际应用中，锂电池的运行状态和内部状态直接影响了整个主***的工作性能，精确的SOC(State of Charge，荷电状态)估计有利于对电池进行更合理和有效的管理。因此，为了保证储能***中锂离子电池的高效、稳定和安全运行，通过BMS(BatteryManagement System，电池管理***)高精度估计SOC是必不可少的。
目前，普遍应用于荷电状态估计的方法主要分为传统的安时积分法、基于电池模型和机理的估计方法和基于数据驱动的估计方法三类。但安时积分法受到电流噪声和初始SOC值的影响，具有较大的局限性；基于电池模型的估计方法依赖于高精度的电池模型和参数辨识方法；基于数据驱动的估计方法依赖于大量数据集和高质量数据，然而板载BMS的存储和计算资源极其有限，且基于数据驱动的估计精度与超参数的调整密切相关，而超参数的调整是一个极具挑战性的课题，耗时且非常依赖经验。上述单一的锂电池荷电状态估计方法在实际应用中难以满足高精度要求。
在实际工程中，基于电路模型的卡尔曼滤波估计方法由于其稳定性和准确性被广泛应用，但电池模型误差直接影响了该类型方法的估计精度，因此，修正电池模型误差成为保证SOC估计精度的必要手段。而随着电池老化进行，电池最大可用容量也发生了变化，SOC联合SOH(State of Health，健康状态)的状态估计方法能有效解决该问题。
发明内容
本发明提出一种基于云-端修正OCV的锂电池状态联合估计方法，能充分利用云平台计算资源，通过数据驱动的方式修正OCV，从而达到修正电池模型误差的目的，通过SOH的估计更新电池最大可用容量，保证了SOC的估计精度。
本发明采用以下技术方案。
一种基于云-端修正OCV的锂电池状态联合估计方法，基于云-端协同估计架构，所述云-端协同估计架构包括本地电池端BMS、云端模型训练及数据管理平台；云端模型训练的流程为，首先对本地电池端BMS进行参数辨识和模型误差计算，根据设定误差阈值和时间滑动窗口分割出模型误差符合阈值的时间片段和超过阈值的时间片段，上传至云端；然后在云端进行OCV修正和SOH估计，并将最终估计结果回传至本地电池端BMS进行模型参数更新和容量更新；最后在本地电池端BMS以无迹卡尔曼滤波算法估计SOC。
所述本地电池端BMS包括主控单元BCU和从控单元BMU；主控单元BCU的应用层包括SOC估计模块、均衡控制模块、SOH估计模块、充电管理模块，主控单元BCU的硬件层包括无线通信模块、通信接口；从控单元BMU用于电池模组电流、电压、温度的监测、采集以及下发主控单元BCU的管理指令；
主控单元BCU和从控单元BMU之间通过CAN总线进行通讯；接收从控单元BMU采集的电池电压、电流、温度；所述SOC估计模块包括参数辨识、模型误差计算及误差时间片段数据提取、无迹卡尔曼滤波器三个子模块，主控单元BCU的无线通信模块将采集的电池测量端电压、温度、充放电时间、循环次数上传至数据管理平台；
所述云端模型训练及数据管理平台包括锂电池数据库、云端估计模块和下行控制平台；锂电池数据库用于接收本地电池端BMS中主控单元BCU的无线通信模块上传的数据包并进行数据的预处理；云端估计模块包括OCV修正估计模块和SOH估计模块，用于部署深度学***台用于将云端估计模块的OCV修正估计和SOH估计结果回传至本地电池端；
数据管理平台通过本地电池端BMS的无线通信模块与本地端电池BMS连接并进行信息交互。
所述本地电池端BMS的主控单元BCU包括无线通信模块，该无线通信模块为Wi-Fi模块、蓝牙模块、4G/5G模块、NB-IoT模块中的一种，无线通信模块通过网络与云端模型训练及数据管理平台进行信息交互，数据上行频率和下行频率由所选的无线通信模块的不同频段而确定；
所述本地电池端BMS的主控单元BCU中的SOH估计模块，用于接收云端下行回传的SOH估计值，进行电池最大可用容量的更新，并输入SOC估计模块中进行SOC的估计；
所述下行控制平台将云端估计模块的OCV修正估计结果和SOH估计结果回传至本地电池端的频率为电池循环充放电一周期，即在电池充放电一次静置时进行OCV修正估计和SOH估计数据的下行回传；
所述SOC估计模块中搭建等效电路模型，并进行参数辨识和电池模型误差计算及误差时间片段对应数据提取，参数辨识采用带遗忘因子的最小二乘法，电池模型误差通过模型输出端电压和实际测量端电压进行计算，SOC估计方法是基于等效电路模型部署的卡尔曼滤波算法；
所述误差时间片段对应数据包括超过模型误差阈值的短时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果，还包括符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV值；所述误差时间片段的划分通过定义模型误差阈值、时间滑动窗口和窗口滑动步长来确定；
所述误差时间片段对应数据包括超过模型误差阈值的短时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果，以及符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV值，通过本地电池端BMS中主控单元BCU的无线通信模块上传云端，符合误差阈值的时间片段对应数据用于训练云端OCV修正估计模型，超出误差阈值的时间片段对应OCV需要进行修正；
所述电池测量端电压、温度、充放电时间、循环次数是云端SOH估计所需的特征数据，通过本地电池端BMS中主控单元BCU的无线通信模块上传云端；
所述无线通信模块将从控单元BMU上传的协议数据信息封装成符合TCP/IP传输协议的数据包，本地电池端BMS中主控单元BCU的无线通信模块通过与云端模型训练数据管理平台建立socket通信，将数据包上传至云端模型训练及数据管理平台，云端模型训练及数据管理平台中下行控制平台通过同样的方式将OCV和SOH估计结果回传至本地电池端。
所述云端估计模块中深度学习模型训练和估计方式如下：
步骤一：在云端模型训练及数据管理平台中的云端估计模块部署深度学习模型；
步骤二：在云端模型训练及数据管理平台中的电池数据库中对从本地电池端接收的估计值对应的特征数据进行预处理，得到预处理后的正常数据集；
步骤三：对所述正常数据集进行归一化处理，得到云端深度学习模型的训练集和测试集；
步骤四：对所述训练集和测试集进行升维处理，将二维数据集处理为三维数据集；
步骤五：定义云端部署的深度学习模型的网络深度、通道数、卷积核大小、膨胀因子大小、损失函数、优化器种类及学习率、单次训练样本量、训练次数；
步骤六：基于得到所述的云端深度学习模型的三维训练集和测试集，对在云端部署的深度学习模型进行训练，训练模型至规定次数后保存；
步骤七：将需要估计时刻OCV和SOH对应的特征数据作为特征向量输入基于历史数据训练好的深度学习模型中进行OCV的修正估计和SOH的估计
所述锂电池状态联合估计方法的具体实施步骤包括：
步骤S1：本地电池端BMS的从控单元BMU实时采集电池单体和电池组电压、电流、温度，并上传至主控单元BCU，将测量端电压、温度、充放电时间、循环次数上传至云端模型训练及数据管理平台；
步骤S2：本地电池端BMS的主控单元BCU接收从控单元BMU采集的电池电压、电流，并在SOC估计模块中进行参数辨识，然后计算电池模型误差，若电池模型误差符合要求，则利用已辨识的模型参数和OCV进行SOC的估计，若不符合要求，则进行下一步骤；
步骤S3：在本地电池端BMS的SOC估计模块中设置一定的模型误差阈值、时间滑动窗口和步长，计算每个时间滑动窗口内的电池模型误差，并判断是否超过阈值，以此来分割超过模型误差阈值的短时间片段和符合模型误差阈值的长时间片段；
步骤S4：提取超过模型误差阈值的短时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果和符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV，并上传至云端模型训练及数据管理平台；
步骤S5：云端模型训练及数据管理平台中的电池数据库接收本地电池端BMS上传的超过模型误差阈值的短时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果和符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV并进行数据的预处理并存储；利用预处理后的符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV进行云端OCV修正估计模型的训练，将预处理后的超过模型误差阈值的短时间片段对应的SOC、测量端电压、测量端电流输入云端OCV修正估计模型中进行OCV的修正估计；
步骤S6：云端模型训练及数据管理平台中的电池数据库接收本地电池端BMS上传的测量端电压、温度、充放电时间、循环次数，并进行数据预处理并存储，将预处理后的数据输入云端SOH估计模型中进行模型训练和SOH的估计；
步骤S7：云端模型训练及数据管理平台得到的OCV修正估计结果和SOH的估计值通过下行控制平台回传至本地电池端。利用修正后的OCV重新在SOC估计模块中进行参数辨识，利用SOH估计值在SOH模块中更新最大可用容量并利用无迹卡尔曼滤波算法进行SOC的估计，其中，OCV修正估计结果在电池每次运行周期结束后，即静置时间进行估计结果的下行回传，SOH作为长时间尺度变量，短时间内变化较小，根据电池自身和运行工况的实际情况进行估计结果的下行回传，可设定为几个循环周期回传更新一次容量；
所述云端模型训练及数据管理平台包括电池数据库、云端估计模块、下行控制平台，该平台提供数据可视化和人机交互界面，使用户能够实时监测电池状态、运行情况和能量利用效率，方便用户进行电池管理和调度策略优化；
所述电池数据库用于接收本地电池端BMS实时上传的数据，并进行清洗处理操作、预处理操作，并将处理后的数据存储到数据库中；
所述深度学习模型部署在云端估计模块上，云端估计模块包括OCV估计模块和SOH估计模块，两个估计模块使用相同的深度学习模型；
所述下行控制平台用于定时回传云端OCV修正结果和SOH估计值至本地电池端；
所述本地电池端BMS中主控BCU的SOC估计模块所用SOC估计模型为基于等效电路的无迹卡尔曼滤波模型，该SOC估计模块包括定期接收SOH估计模块传递的更新后的电池最大可用容量；
所述等效电路为戴维南等效电路模型，该模型的状态方程如下：
其中，Up代表极化电压，UL代表端电压，IL代表端电流，Uoc代表开路电压，Δt代表采样间隔，R0代表欧姆内阻，R1代表极化内阻，C1代表极化电容；
所述等效电路的参数辨识方法为带遗忘因子的最小递推二乘法；
所述云端估计模块部署的深度学习模型为TCN(Temporal ConvolutionalNetwork，时间卷积网络)模型。所述TCN模型包括输入层、隐藏层和输出层，隐藏层各层之间通过残差模块连接，残差模块包括膨胀因果卷积、权重正则化、ReLU函数、Dropout层和一次残差操作，通过卷积模块实现对时间序列特征的提取，使用残差模块能同时避免梯度消失或梯度***问题；
所述本地电池端BMS中主控单元BCU的SOC估计模块包括参数辨识、模型误差计算及误差时间片段数据提取、无迹卡尔曼滤波器三个子模块。
步骤S2的参数辨识过程包括，通过本地电池端BMS中从控单元BMU采集不同时刻的电池电压、电流、温度数据；对采集到的电池数据进行预处理，剔除掉异常数据；由带遗忘因子的递推最小二乘法FFRLS利用预处理后的采集数据对戴维南等效电路模型进行参数辨识；
进一步地，将公式(1)的状态方程中的第二个式子进行拉普拉斯变换、双线性变换、Z的逆变换得到：
UL(k)＝UOC(k)-a1[UL(k-1)-UOC(k-1)]+a2IL(k)+a3IL(k) (2)
其中，k代表时刻k，a1、a2、a3代表关于欧姆内阻、极化内阻、极化电容的表达式，表达式如下：
公式(2)可以写成如下形式：
其中，和θ(k)分别表示为下式：
由带遗忘因子的递推最小二乘法进行的预测，最小递推部分如下：
其中，P代表协方差矩阵，λ代表遗忘因子；
根据公式(6)中预测量由公式(3)反解出R0，R1和C1，即完成参数辨识。
步骤S4中，符合模型误差阈值的时间片段对应的OCV通过SOC多项式拟合得到，视同是准确OCV值，用于训练云端OCV修正深度学习模型。
步骤S7中，无迹卡尔曼滤波算法估计SOC的方法具体包括：
基于参数辨识后的戴维南等效电路模型，构建该电路状态矩阵：
其中，Ca代表电池最大可用容量，通过SOH来更新；
基于构建的电路状态矩阵，由无迹卡尔曼滤波算法估计SOC：
第一步，初始化状态量X、协方差P；
第二步，根据公式(8)初始化的状态量根据UT变换计算得到各Sigma采样点的值：
其中，n表示状态量维度，λ表示缩放比例尺度；
第三步，对2n+1个Sigma采样点进行一步预测，i＝2n+1；
X(i)(k+1|k)＝AkX(i)(k|k-1)+Bkuk+wk (10)
其中，Ak和Bk代表k时刻***状态矩阵，wk代表k时刻测量噪声；
进一步地，计算上一时刻***状态向量X的均值和协方差矩阵预测；
其中，μ代表缩放比例尺度参数，用来降低非线性***的估计误差，i表示第i个采样点，m表示均值，c表示协方差，参数β≥0，a控制采样点X的分布；
进一步地，根据预测值，进行UT变换，得到状态量X新的Sigma采样点；
第四步，根据上一步得到状态向量X的新采样点，带入***的观测方程，从而得到***预测的观测值，如下公式所示；
UL(k+1|k)＝Uoc(k+1|k)-[0 1]X(i)(k+1|k)-I(k+1|k)·R0+v (15)
其中，v代表观测方程的过程噪声；
第五步，根据上一步得到的Sigma采样点的观测量，计算求得***观测量的预测均值和协方差；
其中的观测值Y为UL，Xk为上一步得到的新采样点，R为测量噪声，设置为一个较小值；
第六步，将上一步的计算结果带入上式中更新增益矩阵；
第七步，将上一步更新后的增益矩阵带入上式更新状态量和协方差矩阵；
步骤S5所述OCV修正估计模型，具体按如下方式进行训练和估计：
步骤S51：在云端模型训练及数据管理平台中的云端OCV修正估计模块部署TCN模型；
步骤S52：在云端模型训练及数据管理平台中的电池数据库中对从本地电池端接收的超过模型误差阈值的短时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果和符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV进行预处理，得到预处理后的正常数据集；
步骤S53：对所述正常数据集进行归一化处理，得到云端TCN模型的训练集和测试集，训练集为预处理后的符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV，测试集为预处理后的超过模型误差阈值的时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果；
步骤S54：对所述训练集和测试集进行升维处理，将二维数据集处理为三维数据集；
步骤S55：定义云端部署的TCN模型的网络深度、通道数、卷积核大小、膨胀因子大小、损失函数、优化器种类及学习率、单次训练样本量、训练次数；
步骤S56：基于得到所述的云端TCN模型的三维训练集和测试集，对在云端部署的TCN模型进行训练，训练模型至规定次数后保存；
步骤S57：将需要估计时刻SOC、测量端电压、测量端电流、参数辨识结果作为特征向量输入基于历史数据训练好的深度学习模型中进行OCV的估计。
步骤S6所述SOH估计模型，具体按如下方式进行训练和估计：
步骤S61：在云端模型训练及数据管理平台中的云端SOH估计模块部署TCN模型；
步骤S62：在云端模型训练及数据管理平台中的电池数据库中对从本地电池端接收的测量端电压、温度、充放电时间、循环次数进行预处理，得到预处理后的正常数据集；
步骤S63：对所述正常数据集进行归一化处理，得到云端TCN模型的训练集和测试集；
步骤S64：对所述训练集和测试集进行升维处理，将二维数据集处理为三维数据集；
步骤S65：定义云端部署的TCN模型的网络深度、通道数、卷积核大小、膨胀因子大小、损失函数、优化器种类及学习率、单次训练样本量、训练次数；
步骤S66：基于得到所述的云端TCN模型的三维训练集和测试集，对在云端部署的TCN模型进行训练，训练模型至规定次数后保存；
步骤S67：将需要估计时刻的测量端电压、温度、充放电时间、循环次数作为特征向量输入基于历史数据训练好的深度学习模型中进行SOH的估计；
步骤S62所述对本地电池端上传的电压、电流、温度等数据进行预处理包括对数据进行清洗去噪、补偿缺值。
所述的云-端OCV修正估计模型的训练集和测试集包括输入特征和标签，即SOC、测量端电压、测量端电流及这些特征当下时刻对应的OCV参考值；
其中SOC计算公式为：
其中，SOC0代表电池SOC初始值，Ca代表电池最大容量，η代表库伦效率，I代表当下时刻电池充放电电流，t0和t1分别代表电池充放电起始时间；
所述的云端SOH估计模型的训练集和测试集包括输入特征和标签，即测量端电压、温度、充放电时间、循环次数及这些特征当下时刻对应的SOH；
其中SOH计算公式为：
步骤S66所述三维数据集的尺寸为[批量大小，采样时间，特征数量]，其中批量大小为每次从数据集中采样并输入深度学习模型中训练的数据个数，采样时间指计算每个SOH值对应的特征数据采样时间，特征数量指单位采样时间内采集的测量端电压、温度、充放电时间、循环次数的类型数量总和；
步骤S66所述保存训练模型，具体指保存训练后模型的参数，包括初始定义的输入层、隐含层、输出层的超参数及更新后的权值和阈值；所述的权值和阈值由Adam优化器优化和更新；最大可用容量通过公式(23)来更新。
本发明提供了一种基于云-端修正OCV的锂电池状态联合估计方法，本发明基于云-端交互平台，在本地电池BMS端进行参数辨识和模型误差计算，并根据设定误差阈值分割出模型误差符合阈值的时间片段和超过阈值的时间片段，提取符合阈值时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV训练云端深度学习模型，提取超过阈值时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果并输入训练好的深度学习模型中修正估计误差较大的OCV。最后将修正后的OCV回传至本地电池端BMS端进行参数辨识结果的修正更新，将修正后的OCV和参数辨识结果输入至无迹卡尔曼滤波器中，在云端进行SOH估计并回传至本地端进行最大可用容量的更新，并进行最终SOC的估计。
与现有技术相比，本发明具有以下优点：本发明针对锂电池技术难点和行业需求，结合互联网技术、移动通讯技术和人工智能技术，从软硬件层面构建了一种基于云-端修正OCV的锂电池荷电状态估计架构，充分利用现有互联网技术、移动通讯技术和人工智能技术，充分利用云平台计算资源，通过数据驱动的方式修正OCV并估计SOH，降低了对板载BMS高算力的要求，同时达到修正电池模型误差的目的，并保证了SOC的估计精度。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1是本发明实施例的基于云-端修正OCV的锂电池状态联合估计架构示意图；
附图2是本发明实施例的基于云-端修正OCV的锂电池状态联合估计流程示意图；
附图3是本发明实施例的云-端修正OCV及模型参数流程示意图；
附图4是本发明实施例的无迹卡尔曼滤波算法估计SOC流程示意图；
附图5是本发明实施例的TCN修正OCV结构原理示意图；
附图6是本发明实施例的TCN估计SOH结构原理示意图；
附图7是本发明实施例的10℃下模型误差计算和误差时间片段分割示意图；
附图8是本发明实施例的10℃下OCV修正前后模型输出电压对比示意图；
附图9是本发明实施例的10℃下无迹卡尔曼滤波算法估计DST工况SOC结果示意图；
附图10是本发明实施例的25℃下模型误差计算和误差时间片段分割示意图；
附图11是本发明实施例的25℃下OCV修正前后模型输出电压对比示意图；
附图12是本发明实施例的25℃下无迹卡尔曼滤波算法估计DST工况SOC结果示意图；
附图13是本发明实施例的TCN估计SOH结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本实施例提供了一种基于云-端修正OCV的锂电池状态联合估计方法架构，具体包括以下内容：
基于云-端修正OCV的锂电池状态联合估计方法架构包括本地电池端BMS和云端模型训练及数据管理平台；
本地电池端BMS包括主控单元BCU和从控单元BMU。主控单元BCU应用层包括SOC估计模块、SOH估计模块、充电管理模块和其他管理模块，硬件层包括无线通信模块、均衡控制模块、通信接口等；从控单元BMU用于电池模组电流、电压、温度的监测、采集以及下发主控单元BCU的管理指令。
云端模型训练及数据管理平台包括锂电池数据库、云端估计模块和下行控制平台，该平台主要通过本地电池端BMS的无线通信模块与本地电池端BMS进行信息交互。
在本实施例中，本地电池端BMS中主控单元BCU与云端模型训练及数据管理平台之间进行信息交互的无线通信方式为5G通信模块，基于5G通信模块的数据上行频率范围为885-909MHz，数据下行频率范围为930-954MHz。本地电池端BMS采用英伟达Jetson Nano开发板进行模拟，规格为：1.43GHz的CPU独立处理器核心数为4个，NVIDIA Maxwell GPU处理器核心数为128个，显存为4GB，存储器内存为16GB，可提供了473千兆浮点算力。云端模型训练及数据管理平台中电池数据库选用MySQL数据库，其硬件规格：存储内存为500GB，2.5GHz的CPU独立处理器核心数为4个，内存为8GB；云端估计模块采用基于Pytorch环境的AI计算架构，其硬件规格：存储内存为256GB，2.5GHz的CPU独立处理器核心数为8个，GPU独立处理器核心数为128个，内存为128GB。
本实施例的具体实施步骤如下：
S1：本地电池端BMS的电压、电流、温度采集模块实时采集电池电压、电流、温度，并上传至主控单元BCU(Jetson Nano开发板)；
S2：本地电池端BMS的主控单元BCU接收采集的测量端电压、电流、温度、充放电时间及循环次数，再封装成符合TCP/IP传输协议的数据包，本地电池端BMS中主控单元BCU的无线通信模块通过与云端模型训练数据管理平台建立socket通信，将数据包上传至云端模型训练及数据管理平台；
S3：本地电池端BMS的主控单元BCU接收采集模块采集的电池电压、电流、温度数据，并在SOC估计模块中进行参数辨识、模型误差计算及误差时间片段数据提取和无迹卡尔曼滤波算法估计SOC，将SOC估计模块输出的SOC参考值、测量端电压、测量端电流、参数辨识结果和符合模型误差阈值的长时间片段对应的SOC参考值、模型输出端电压、模型输出端电流、参数辨识结果、OCV数据信息封装成符合TCP/IP传输协议的数据包，本地电池端BMS中主控单元BCU的无线通信模块通过与云端模型训练数据管理平台建立socket通信，将数据包上传至云端模型训练及数据管理平台；
S4：云端模型训练及数据管理平台中的电池数据库接收并解析数据包，并进行数据清洗去噪、补偿缺值等预处理操作；将预处理得到的训练集、测试集上传至云端估计模块，分别进行OCV修正估计模型的训练和SOH估计模型的训练并根据当前时刻上传数据分别进行OCV修正估计和SOH估计；
S5：云端模型训练及数据管理平台得到的OCV修正估计结果和SOH估计值通过下行控制平台回传至储能电池端。利用修正后的OCV重新在SOC估计模块中进行参数辨识，利用云端回传的SOH值在SOH模块中进行最大可用容量的更新，最后由无迹卡尔曼滤波算法进行SOC的估计。
在本实施例中，步骤S3中储能电池端BMS中主控单元的SOC估计模块包括参数辨识、模型误差计算及误差时间片段数据提取、无迹卡尔曼滤波器三个子模块。
参数辨识过程具体包括：
通过本地电池端BMS采集的不同时刻的电池电压、电流、温度等数据；
对采集到的电池数据进行预处理，剔除掉异常数据；
由带遗忘因子的递推最小二乘法(FFRLS)利用预处理后的采集数据对戴维南等效电路模型进行参数辨识。
所述戴维南等效电路模型的状态方程如下：
进一步地，将状态方程(1)中的第二个式子进行拉普拉斯变换、双线性变换、Z的逆变换得到：
UL(k)＝UOC(k)-a1[UL(k-1)-UOC(k-1)]+a2IL(k)+a3IL(k) (2)
其中，k代表时刻k，a1、a2、a3代表关于欧姆内阻、极化内阻、极化电容的表达式，表达式如下：
公式(2)可以写成如下形式：
其中，和θ(k)分别表示为下式：
由带遗忘因子的递推最小二乘法进行的预测，最小递推部分如下：
其中，P代表协方差矩阵，λ代表遗忘因子。
根据(6)中预测量由公式(3)反解出R0，R1和C1，即完成参数辨识。
模型误差计算及误差时间片段数据提取具体包括：
对参数辨识后的戴维南等效电路模型进行误差计算，设定模型误差阈值、时间滑动窗口和步长，计算每个时间滑动窗口内的模型误差并判断是否超出阈值，分割出符合模型误差阈值的时间片段和超出模型误差阈值的时间片段，提取超过模型误差阈值的时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果和符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV。
其中，符合模型误差阈值的时间片段对应的OCV通过SOC多项式拟合得到，可认为是准确OCV值，用于训练云端OCV修正深度学习模型。
无迹卡尔曼滤波算法估计SOC具体包括：
基于参数辨识后的戴维南等效电路模型，构建该电路状态矩阵：
其中，Ca代表电池最大可用容量，通过SOH来更新。
基于构建的电路状态矩阵，由无迹卡尔曼滤波算法估计SOC：
第一步，初始化状态量X、协方差P；
第二步，根据(9)初始化的状态量根据UT变换计算得到各Sigma采样点的值：
其中，n表示状态量维度，λ表示缩放比例尺度。
第三步，对2n+1个Sigma采样点进行一步预测，i＝2n+1；
其中，Ak和Bk代表k时刻***状态矩阵，wk代表k时刻测量噪声。
进一步地，计算上一时刻***状态向量X的均值和协方差矩阵预测；
其中，μ代表缩放比例尺度参数，用来降低非线性***的估计误差，i表示第i个采样点，m表示均值，c表示协方差，参数β≥0，a控制采样点X的分布。
进一步地，根据预测值，进行UT变换，得到状态量X新的Sigma采样点；
第四步，根据上一步得到状态向量X的新采样点，带入***的观测方程，从而得到***预测的观测值。
UL(k+1|k)＝Uoc(k+1|k)-[0 1]X(i)(k+1|k)-I(k+1|k)·R0+v (15)
其中，v代表观测方程的过程噪声。
第五步，根据上一步得到的Sigma采样点的观测量，计算求得***观测量的预测均值和协方差。
/>
其中的观测值Y为UL，Xk为上一步得到的新采样点，R为测量噪声，一般设置为一个较小的值。
第六步，将上一步的计算结果带入上式中更新增益矩阵；
第七步，将上一步更新后的增益矩阵带入上式更新状态量和协方差矩阵；
在本实施例中，步骤S4所述深度学习模型具体按如下方式进行训练和估计：
S41：在云端模型训练及数据管理平台中的云端估计模块部署TCN模型；
S42：在云端模型训练及数据管理平台中的电池数据库中对从本地电池端接收OCV修正对应特征数据和SOH估计对应特征数据进行预处理，得到预处理后的正常数据集；
S43：对所述正常数据集进行归一化处理，得到云端TCN模型的训练集和测试集；
S44：对所述训练集和测试集进行升维处理，将二维数据集处理为三维数据集；
S45：定义云端部署的TCN模型的网络深度、通道数、卷积核大小、膨胀因子大小、损失函数、优化器种类及学习率、单次训练样本量、训练次数；
S46：基于得到所述的云端TCN模型的三维训练集和测试集，对在云端部署的TCN模型进行训练，训练模型至规定次数后保存；
S47：将需要估计时刻的特征向量输入基于历史数据训练好的深度学习模型中进行OCV和SOH的估计。
在本实施例中，通过两种温度下的动态工况实验来验证本发明提供方法的可行性，分别是10℃和25℃下的DST工况。限于现实实验条件和实验周期，SOH估计方法在公开数据集中进行验证，该实施例不改变本发明的策略，仅对估计方法精度进行说明。
10℃和25℃下的DST工况采用SONY公司US18650VTC6型号的三元锂电池进行实验，额定容量为3Ah，上下截止电压分别为4.2V和2.5V。验证SOH估计精度的公开数据集采用NASA锂离子动力电池的性能退化数据集,利用电池5数据作为训练集训练云端深度学***下进行放电，直到电池5、7的电池电压分别降至2.7V、2.2V，重复充放电过程至电池额定容量下降30％时，实验停止。
依照以上实施例方法内容和步骤，对两种温度下的DST工况进行模型误差的计算和误差时间片段的划分，并且确定符合误差阈值时间片段对应数据作为训练集来修正误差较大的OCV，设定模型误差阈值RMSE为50mV，时间滑动窗口设为四分之一工况时长，步长与时间滑动窗口相同，在时间滑动窗口内若超出阈值则认为该时间段内OCV需要进行修正。模型误差计算和误差时间片段分割如图7和图10所示，修正OCV后的模型误差前后对比如图8和图11所示，10℃DST工况下超出误差阈值的时间片段部分模型均方根误差RMSE修正降低为12.3mV，全时间段DST工况下模型均方根误差RMSE修正前为51.11mV，修正后降低为25.70mV；25℃DST工况下超出误差阈值的时间片段部分模型均方根误差修正降低为12.6mV，全时间段DST工况下模型均方根误差RMSE修正前为37.98mV，修正后降低为25.93mV；由修正后的OCV重新进行参数辨识，根据云端回传的SOH估计值更新电池最大可用容量，并利用无迹卡尔曼滤波算法进行最终的SOC估计，估计结果如图9和图12所示，10℃DST工况下无迹卡尔曼滤波算法估计SOC平均绝对误差MAE仅有0.57％，25℃DST工况下无迹卡尔曼滤波算法估计SOC平均绝对误差MAE仅有0.22％；在云端利用TCN进行SOH的估计，将估计值回传至更新电池最大可用容量，估计结果如图13所示，SOH估计绝对平均误差仅有0.78％。从本发明实施例的验证结果可以看出，电池模型的误差修正和SOC及SOH的联合估计均具有较佳的效果。
综上所述，本发明针对锂电池行业技术难点和行业需求，结合互联网技术、移动通讯技术和人工智能技术，从软硬件层面构建了一种基于云-端修正OCV的锂电池联合状态估计架构，详细描述了基于云-端修正OCV的锂电池联合状态估计的方法及步骤，充分利用现有互联网技术、移动通讯技术和人工智能技术，发挥了云端计算资源和数据驱动算法的优势，通过数据驱动的方式进行OCV的修正估计和SOH的估计，降低对板载BMS高算力的要求，同时达到修正电池模型误差的目的，并保证了SOC的估计精度。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (10)

1.一种基于云-端修正OCV的锂电池状态联合估计方法，基于云-端协同估计架构，其特征在于：所述云-端协同估计架构包括本地电池端BMS、云端模型训练及数据管理平台；云端模型训练的流程为，首先对本地电池端BMS进行参数辨识和模型误差计算，根据设定误差阈值和时间滑动窗口分割出模型误差符合阈值的时间片段和超过阈值的时间片段，上传至云端；然后在云端进行OCV修正和SOH估计，并将最终估计结果回传至本地电池端BMS进行模型参数更新和容量更新；最后在本地电池端BMS以无迹卡尔曼滤波算法估计SOC。
2.根据权利要求1所述的一种基于云-端修正OCV的锂电池状态联合估计方法，其特征在于：所述本地电池端BMS包括主控单元BCU和从控单元BMU；主控单元BCU的应用层包括SOC估计模块、均衡控制模块、SOH估计模块、充电管理模块，主控单元BCU的硬件层包括无线通信模块、通信接口；从控单元BMU用于电池模组电流、电压、温度的监测、采集以及下发主控单元BCU的管理指令；
主控单元BCU和从控单元BMU之间通过CAN总线进行通讯；接收从控单元BMU采集的电池电压、电流、温度；所述SOC估计模块包括参数辨识、模型误差计算及误差时间片段数据提取、无迹卡尔曼滤波器三个子模块，主控单元BCU的无线通信模块将采集的电池测量端电压、温度、充放电时间、循环次数上传至数据管理平台；
所述云端模型训练及数据管理平台包括锂电池数据库、云端估计模块和下行控制平台；锂电池数据库用于接收本地电池端BMS中主控单元BCU的无线通信模块上传的数据包并进行数据的预处理；云端估计模块包括OCV修正估计模块和SOH估计模块，用于部署深度学***台用于将云端估计模块的OCV修正估计和SOH估计结果回传至本地电池端；
数据管理平台通过本地电池端BMS的无线通信模块与本地端电池BMS连接并进行信息交互。
3.根据权利要求2所述的一种基于云-端修正OCV的锂电池状态联合估计方法，其特征在于：所述本地电池端BMS的主控单元BCU包括无线通信模块，该无线通信模块为Wi-Fi模块、蓝牙模块、4G/5G模块、NB-IoT模块中的一种，无线通信模块通过网络与云端模型训练及数据管理平台进行信息交互，数据上行频率和下行频率由所选的无线通信模块的不同频段而确定。
4.根据权利要求2所述的一种基于云-端修正OCV的锂电池状态联合估计方法，其特征在于：所述本地电池端BMS的主控单元BCU中的SOH估计模块，用于接收云端下行回传的SOH估计值，进行电池最大可用容量的更新，并输入SOC估计模块中进行SOC的估计；
所述下行控制平台将云端估计模块的OCV修正估计结果和SOH估计结果回传至本地电池端的频率为电池循环充放电一周期，即在电池充放电一次静置时进行OCV修正估计和SOH估计数据的下行回传；
所述SOC估计模块中搭建等效电路模型，并进行参数辨识和电池模型误差计算及误差时间片段对应数据提取，参数辨识采用带遗忘因子的最小二乘法，电池模型误差通过模型输出端电压和实际测量端电压进行计算，SOC估计方法是基于等效电路模型部署的卡尔曼滤波算法；
所述误差时间片段对应数据包括超过模型误差阈值的短时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果，还包括符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV值；所述误差时间片段的划分通过定义模型误差阈值、时间滑动窗口和窗口滑动步长来确定；
所述误差时间片段对应数据包括超过模型误差阈值的短时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果，以及符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV值，通过本地电池端BMS中主控单元BCU的无线通信模块上传云端，符合误差阈值的时间片段对应数据用于训练云端OCV修正估计模型，超出误差阈值的时间片段对应OCV需要进行修正；
所述电池测量端电压、温度、充放电时间、循环次数是云端SOH估计所需的特征数据，通过本地电池端BMS中主控单元BCU的无线通信模块上传云端；
所述无线通信模块将从控单元BMU上传的协议数据信息封装成符合TCP/IP传输协议的数据包，本地电池端BMS中主控单元BCU的无线通信模块通过与云端模型训练数据管理平台建立socket通信，将数据包上传至云端模型训练及数据管理平台，云端模型训练及数据管理平台中下行控制平台通过同样的方式将OCV和SOH估计结果回传至本地电池端。
5.根据权利要求2所述的一种基于云-端修正OCV的锂电池状态联合估计方法，其特征在于：所述云端估计模块中深度学习模型训练和估计方式如下：
步骤一：在云端模型训练及数据管理平台中的云端估计模块部署深度学习模型；
步骤二：在云端模型训练及数据管理平台中的电池数据库中对从本地电池端接收的估计值对应的特征数据进行预处理，得到预处理后的正常数据集；
步骤三：对所述正常数据集进行归一化处理，得到云端深度学习模型的训练集和测试集；
步骤四：对所述训练集和测试集进行升维处理，将二维数据集处理为三维数据集；
步骤五：定义云端部署的深度学习模型的网络深度、通道数、卷积核大小、膨胀因子大小、损失函数、优化器种类及学习率、单次训练样本量、训练次数；
步骤六：基于得到所述的云端深度学习模型的三维训练集和测试集，对在云端部署的深度学习模型进行训练，训练模型至规定次数后保存；
步骤七：将需要估计时刻OCV和SOH对应的特征数据作为特征向量输入基于历史数据训练好的深度学习模型中进行OCV的修正估计和SOH的估计。
6.根据权利要求5所述的一种基于云-端修正OCV的锂电池状态联合估计方法，其特征在于：所述锂电池状态联合估计方法的具体实施步骤包括：
步骤S1：本地电池端BMS的从控单元BMU实时采集电池单体和电池组电压、电流、温度，并上传至主控单元BCU，将测量端电压、温度、充放电时间、循环次数上传至云端模型训练及数据管理平台；
步骤S2：本地电池端BMS的主控单元BCU接收从控单元BMU采集的电池电压、电流，并在SOC估计模块中进行参数辨识，然后计算电池模型误差，若电池模型误差符合要求，则利用已辨识的模型参数和OCV进行SOC的估计，若不符合要求，则进行下一步骤；
步骤S3：在本地电池端BMS的SOC估计模块中设置一定的模型误差阈值、时间滑动窗口和步长，计算每个时间滑动窗口内的电池模型误差，并判断是否超过阈值，以此来分割超过模型误差阈值的短时间片段和符合模型误差阈值的长时间片段；
步骤S4：提取超过模型误差阈值的短时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果和符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV，并上传至云端模型训练及数据管理平台；
步骤S5：云端模型训练及数据管理平台中的电池数据库接收本地电池端BMS上传的超过模型误差阈值的短时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果和符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV并进行数据的预处理并存储；利用预处理后的符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV进行云端OCV修正估计模型的训练，将预处理后的超过模型误差阈值的短时间片段对应的SOC、测量端电压、测量端电流输入云端OCV修正估计模型中进行OCV的修正估计；
步骤S6：云端模型训练及数据管理平台中的电池数据库接收本地电池端BMS上传的测量端电压、温度、充放电时间、循环次数，并进行数据预处理并存储，将预处理后的数据输入云端SOH估计模型中进行模型训练和SOH的估计；
步骤S7：云端模型训练及数据管理平台得到的OCV修正估计结果和SOH的估计值通过下行控制平台回传至本地电池端。利用修正后的OCV重新在SOC估计模块中进行参数辨识，利用SOH估计值在SOH模块中更新最大可用容量并利用无迹卡尔曼滤波算法进行SOC的估计，其中，OCV修正估计结果在电池每次运行周期结束后，即静置时间进行估计结果的下行回传，SOH作为长时间尺度变量，短时间内变化较小，根据电池自身和运行工况的实际情况进行估计结果的下行回传，可设定为几个循环周期回传更新一次容量；
所述云端模型训练及数据管理平台包括电池数据库、云端估计模块、下行控制平台，该平台提供数据可视化和人机交互界面，使用户能够实时监测电池状态、运行情况和能量利用效率，方便用户进行电池管理和调度策略优化；
所述电池数据库用于接收本地电池端BMS实时上传的数据，并进行清洗处理操作、预处理操作，并将处理后的数据存储到数据库中；
所述深度学习模型部署在云端估计模块上，云端估计模块包括OCV估计模块和SOH估计模块，两个估计模块使用相同的深度学习模型；
所述下行控制平台用于定时回传云端OCV修正结果和SOH估计值至本地电池端；
所述本地电池端BMS中主控BCU的SOC估计模块所用SOC估计模型为基于等效电路的无迹卡尔曼滤波模型，该SOC估计模块包括定期接收SOH估计模块传递的更新后的电池最大可用容量；
所述等效电路为戴维南等效电路模型，该模型的状态方程如下：
其中，Up代表极化电压，UL代表端电压，IL代表端电流，Uoc代表开路电压，Δt代表采样间隔，R0代表欧姆内阻，R1代表极化内阻，C1代表极化电容；
所述等效电路的参数辨识方法为带遗忘因子的最小递推二乘法；
所述云端估计模块部署的深度学习模型为TCN模型。
所述TCN模型包括输入层、隐藏层和输出层，隐藏层各层之间通过残差模块连接，残差模块包括膨胀因果卷积、权重正则化、ReLU函数、Dropout层和一次残差操作，通过卷积模块实现对时间序列特征的提取，使用残差模块能同时避免梯度消失或梯度***问题；
所述本地电池端BMS中主控单元BCU的SOC估计模块包括参数辨识、模型误差计算及误差时间片段数据提取、无迹卡尔曼滤波器三个子模块。
7.根据权利要求6所述的一种基于云-端修正OCV的锂电池状态联合估计方法，其特征在于：步骤S2的参数辨识过程包括，通过本地电池端BMS中从控单元BMU采集不同时刻的电池电压、电流、温度数据；对采集到的电池数据进行预处理，剔除掉异常数据；由带遗忘因子的递推最小二乘法FFRLS利用预处理后的采集数据对戴维南等效电路模型进行参数辨识；
进一步地，将公式(1)的状态方程中的第二个式子进行拉普拉斯变换、双线性变换、Z的逆变换得到：
UL(k)＝UOC(k)-a1[UL(k-1)-UOC(k-1)]+a2IL(k)+a3IL(k) (2)
其中，k代表时刻k，a1、a2、a3代表关于欧姆内阻、极化内阻、极化电容的表达式，表达式如下：
公式(2)可以写成如下形式：
其中，和θ(k)分别表示为下式：
由带遗忘因子的递推最小二乘法进行的预测，最小递推部分如下：
其中，P代表协方差矩阵，λ代表遗忘因子；
根据公式(6)中预测量由公式(3)反解出R0，R1和C1，即完成参数辨识。
8.根据权利要求6所述的一种基于云-端修正OCV的锂电池状态联合估计方法，其特征在于：步骤S4中，符合模型误差阈值的时间片段对应的OCV通过SOC多项式拟合得到，视同是准确OCV值，用于训练云端OCV修正深度学习模型。
9.根据权利要求6所述的一种基于云-端修正OCV的锂电池状态联合估计方法，其特征在于：步骤S7中，无迹卡尔曼滤波算法估计SOC的方法具体包括：
基于参数辨识后的戴维南等效电路模型，构建该电路状态矩阵：
其中，Ca代表电池最大可用容量，通过SOH来更新；
基于构建的电路状态矩阵，由无迹卡尔曼滤波算法估计SOC：
第一步，初始化状态量X、协方差P；
第二步，根据公式(8)初始化的状态量根据UT变换计算得到各Sigma采样点的值：
其中，n表示状态量维度，λ表示缩放比例尺度；
第三步，对2n+1个Sigma采样点进行一步预测，i＝2n+1；
X(i)(k+1|k)＝AkX(i)(k|k-1)+Bkuk+wk (10)
其中，Ak和Bk代表k时刻***状态矩阵，wk代表k时刻测量噪声；
进一步地，计算上一时刻***状态向量X的均值和协方差矩阵预测；
其中，μ代表缩放比例尺度参数，用来降低非线性***的估计误差，i表示第i个采样点，m表示均值，c表示协方差，参数β≥0，a控制采样点X的分布；
进一步地，根据预测值，进行UT变换，得到状态量X新的Sigma采样点；
第四步，根据上一步得到状态向量X的新采样点，带入***的观测方程，从而得到***预测的观测值，如下公式所示；
UL(k+1|k)＝Uoc(k+1|k)-[0 1]X(i)(k+1|k)-I(k+1|k)·R0+v (15)
其中，v代表观测方程的过程噪声；
第五步，根据上一步得到的Sigma采样点的观测量，计算求得***观测量的预测均值和协方差；
其中的观测值Y为UL，Xk为上一步得到的新采样点，R为测量噪声，设置为一个较小值；
第六步，将上一步的计算结果带入上式中更新增益矩阵；
第七步，将上一步更新后的增益矩阵带入上式更新状态量和协方差矩阵；
P(k+1|k+1)＝P(k+1|k)-K(k+1|k)PYKYkKT(k+1|k) (21)；
步骤S5所述OCV修正估计模型，具体按如下方式进行训练和估计：
步骤S51：在云端模型训练及数据管理平台中的云端OCV修正估计模块部署TCN模型；
步骤S52：在云端模型训练及数据管理平台中的电池数据库中对从本地电池端接收的超过模型误差阈值的短时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果和符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV进行预处理，得到预处理后的正常数据集；
步骤S53：对所述正常数据集进行归一化处理，得到云端TCN模型的训练集和测试集，训练集为预处理后的符合模型误差阈值的长时间片段对应的SOC、模型输出端电压、模型输出端电流、参数辨识结果、OCV，测试集为预处理后的超过模型误差阈值的时间片段对应的SOC、测量端电压、测量端电流、参数辨识结果；
步骤S54：对所述训练集和测试集进行升维处理，将二维数据集处理为三维数据集；
步骤S55：定义云端部署的TCN模型的网络深度、通道数、卷积核大小、膨胀因子大小、损失函数、优化器种类及学习率、单次训练样本量、训练次数；
步骤S56：基于得到所述的云端TCN模型的三维训练集和测试集，对在云端部署的TCN模型进行训练，训练模型至规定次数后保存；
步骤S57：将需要估计时刻SOC、测量端电压、测量端电流、参数辨识结果作为特征向量输入基于历史数据训练好的深度学习模型中进行OCV的估计。
10.根据权利要求8所述的一种基于云-端修正OCV的锂电池状态联合估计方法，其特征在于：步骤S6所述SOH估计模型，具体按如下方式进行训练和估计：
步骤S61：在云端模型训练及数据管理平台中的云端SOH估计模块部署TCN模型；
步骤S62：在云端模型训练及数据管理平台中的电池数据库中对从本地电池端接收的测量端电压、温度、充放电时间、循环次数进行预处理，得到预处理后的正常数据集；
步骤S63：对所述正常数据集进行归一化处理，得到云端TCN模型的训练集和测试集；
步骤S64：对所述训练集和测试集进行升维处理，将二维数据集处理为三维数据集；
步骤S65：定义云端部署的TCN模型的网络深度、通道数、卷积核大小、膨胀因子大小、损失函数、优化器种类及学习率、单次训练样本量、训练次数；
步骤S66：基于得到所述的云端TCN模型的三维训练集和测试集，对在云端部署的TCN模型进行训练，训练模型至规定次数后保存；
步骤S67：将需要估计时刻的测量端电压、温度、充放电时间、循环次数作为特征向量输入基于历史数据训练好的深度学习模型中进行SOH的估计；
步骤S62所述对本地电池端上传的电压、电流、温度等数据进行预处理包括对数据进行清洗去噪、补偿缺值。
所述的云-端OCV修正估计模型的训练集和测试集包括输入特征和标签，即SOC、测量端电压、测量端电流及这些特征当下时刻对应的OCV参考值；
其中SOC计算公式为：
其中，SOC0代表电池SOC初始值，Ca代表电池最大容量，η代表库伦效率，I代表当下时刻电池充放电电流，t0和t1分别代表电池充放电起始时间；
所述的云端SOH估计模型的训练集和测试集包括输入特征和标签，即测量端电压、温度、充放电时间、循环次数及这些特征当下时刻对应的SOH；
其中SOH计算公式为：
步骤S66所述三维数据集的尺寸为[批量大小，采样时间，特征数量]，其中批量大小为每次从数据集中采样并输入深度学习模型中训练的数据个数，采样时间指计算每个SOH值对应的特征数据采样时间，特征数量指单位采样时间内采集的测量端电压、温度、充放电时间、循环次数的类型数量总和；步骤S66所述保存训练模型，具体指保存训练后模型的参数，包括初始定义的输入层、隐含层、输出层的超参数及更新后的权值和阈值；所述的权值和阈值由Adam优化器优化和更新；最大可用容量通过公式(23)来更新。
CN202311042952.5A 2023-08-18 2023-08-18 一种基于云-端修正ocv的锂电池状态联合估计方法 Pending CN117074955A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311042952.5A CN117074955A (zh) 2023-08-18 2023-08-18 一种基于云-端修正ocv的锂电池状态联合估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311042952.5A CN117074955A (zh) 2023-08-18 2023-08-18 一种基于云-端修正ocv的锂电池状态联合估计方法

Publications (1)

Publication Number Publication Date
CN117074955A true CN117074955A (zh) 2023-11-17

Family

ID=88701714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311042952.5A Pending CN117074955A (zh) 2023-08-18 2023-08-18 一种基于云-端修正ocv的锂电池状态联合估计方法

Country Status (1)

Country Link
CN (1) CN117074955A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117277520A (zh) * 2023-11-22 2023-12-22 深圳清瑞博源智能科技有限公司 一种面向新能源储能电站的soc-soh联合计算方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117277520A (zh) * 2023-11-22 2023-12-22 深圳清瑞博源智能科技有限公司 一种面向新能源储能电站的soc-soh联合计算方法和装置
CN117277520B (zh) * 2023-11-22 2024-02-02 深圳清瑞博源智能科技有限公司 一种面向新能源储能电站的soc-soh联合计算方法和装置

Similar Documents

Publication Publication Date Title
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
CN110568361B (zh) 一种动力电池健康状态的预测方法
Wang et al. An adaptive working state iterative calculation method of the power battery by using the improved Kalman filtering algorithm and considering the relaxation effect
CN111323719A (zh) 一种电动汽车动力电池组健康状态在线确定方法和***
CN110658459B (zh) 基于双向循环神经网络的锂离子电池荷电状态估计方法
CN111426957B (zh) 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN115084693B (zh) 一种锂电池固相浓度修正方法、***及存储介质
CN112611976A (zh) 一种基于双差分曲线的动力电池健康状态估计方法
CN113777510A (zh) 一种锂电池荷电状态估计方法及装置
CN117074955A (zh) 一种基于云-端修正ocv的锂电池状态联合估计方法
CN114252103A (zh) 融合电站运行故障预测方法
CN106443496A (zh) 一种带改进型噪声估计器的电池荷电状态估计方法
CN115656848A (zh) 一种基于容量修正的锂电池soc估算方法
CN115327415A (zh) 基于限定记忆递推最小二乘算法的锂电池soc估算方法
CN117110891A (zh) 锂离子电池荷电状态估计值的计算方法和计算装置
CN111626013A (zh) 一种混合动力***电池无迹卡尔曼soc估算方法
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN116577686B (zh) 一种基于局部阶段充电数据的多工况soh估计方法和***
CN114280490A (zh) 一种锂离子电池荷电状态估计方法及***
CN117420447A (zh) 考虑噪声偏差补偿的锂电池soc估算方法、***和电子装置
CN115407217B (zh) 一种电动汽车锂电池荷电状态在线估计方法及***
Gruosso et al. State of charge estimation of LiFePO4 battery used in electric vehicles using support vector regression, PCA and DP battery model
CN115308623A (zh) 一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法
CN115577750A (zh) 储能电站***级荷电状态的估计方法、装置及设备
CN114779105A (zh) 一种锂电池组的不一致性估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination