[发明专利]使用高斯过程回归估计电池充电状态的方法和系统

说明书

公开了估计电池的充电状态(SoC)的方法和系统。方法在给定了一组电池状态历史测量物理量和电池的SoC的对应的一组历史值的情况下确定SoC值的第一联合高斯分布。方法使用一组历史测量物理量和SoC的对应的一组历史值、电池的当前测量物理量以及第一联合高斯分布来确定SoC的该第二联合高斯分布。最后，方法根据该第二联合高斯分布确定电池的SoC的当前值的均值和方差。该均值是电池的当前SoC的估计，并且该方差是该估计的置信度。

技术领域

本公开涉及用于数据驱动的电池充电状态(SoC)估计的方法和系统。更具体地，本公开涉及估计可充电电池的充电状态。

背景技术

充电状态(SoC)被定义为电池中残存的可用电荷的百分比。SoC给出何时应对电池充电的指示，该指示可以使得电池管理系统能够通过使电池免于过放电或过充电情况来提高电池寿命。因此，为了合适的电池管理而准确测量SoC是非常重要的。

可充电电池借助可逆化学反应来存储能量。传统上，可充电电池提供较低的使用成本，并且与非可充电电池相比结果是支持朝向影响环境的绿色倡议。例如，在包括消费性电子产品、住宅屋顶太阳光伏系统、电动车辆、智能电网系统等中的大量应用中，锂离子(Li离子)可充电电池已经广泛部署作为主能量存储部件。Li离子电池超过具有不同化学反应的其他类型的电池的至少一些主要优点是低自放电率、高单电池电压、高能密度、轻量化、长寿命以及低维护。

然而，Li离子电池和其他类型的电池是化学能存储源，并且该化学能无法直接使用。该问题导致难以估计电池的SoC。因为电池模型无法捕捉基于物理学的非线性动力学和关联的参数不确定性，所以SoC的准确估计依然非常复杂并且难以实施。在实践中发现电池的SoC的估计的差的准确性和可靠性的许多示例。

传统SoC电池估计技术通常被分类为基于模型的方法和基于数据驱动的方法。基于模型的方法利用捕捉电池的化学和物理过程的模型。数据驱动方法使用训练数据来将电池的物理量的测量映射到SoC的对应值。然而，因为电池是表示发生在电池中的物理和化学过程的许多子系统的互联系统，所以电池中的过程非常复杂。各子系统的输出相加地得到总SoC。这种复杂性允许仅使用过度简化模型或简化映射，这防止了对电池SoC的准确估计。

发明内容

技术问题

因此，需要用于估计电池的SoC的改进方法和系统。

技术方案

一些实施方式基于以下认识：电池工作的环境中的条件(诸如外部温度、湿度、空气运动)以不可预测的方式变化，从而使得电池子系统的输出以不可预测(例如，随机)的方式变化。由此，子系统输出可以被建模作为随机变量，因此产生的SoC也是随机的。

为此，一些实施方式基于以下认识：通过调用中心极限定理(CLT)，在给定输入测量的情况下，产生的SoC可以被建模作为高斯分布。类似地，与不同输入对应的SoC值在给定这些输入的情况下根据CLT是联合高斯分布的。

因此，一些实施方式在给定输入的情况下确定输出的第一联合高斯分布的参数，例如在给定训练数据中的输入和对应输出的训练阶段期间进行。在估计阶段期间，一些实施方式在给定了一组测量结果和当前测量的情况下使用第一联合高斯分布的参数来确定SoC的值的第二联合高斯分布和电池的SoC的当前值。这样，可以概率地确定电池的SoC，例如，可以根据第二联合高斯分布来确定电池的SoC的当前值的均值和方差。