[发明专利]一种基于云边协同的电池组多状态联合估计方法

说明书

本发明涉及一种基于云边协同的电池组多状态联合估计方法，属于电池技术领域。该方法通过云控平台与车载电池管理系统定期的信息交互实现车用动力电池组不同时间尺度的荷电状态和健康状态联合估计。车载终端基于一个实时估计框架，融合在线参数辨识、自适应状态滤波、安时积分、开路电压静态修正、满充修正和最大最小电压单体筛选策略，实现准确鲁棒的在线荷电状态估计；云控平台则利用机器学习算法实现电池组荷电状态/健康状态的定期更新。车载终端实时更新电池组荷电状态，并与电流、电压、温度等信号定期上传至大数据中心用于模型训练和预测；云控平台则定期更新电池组荷电状态和健康状态并发送至车载终端校准荷电状态估计。

技术领域

本发明属于电池技术领域，涉及一种基于云边协同的电池组多状态联合估计方法。

背景技术

准确鲁棒的电池组荷电状态SOC和健康状态SOH估计对于电池系统的安全、高效、可靠运行至关重要。与电芯相比，单体间的不一致性使得准确的电池组SOC/SOH估计极具挑战。单体不一致性主要由两个因素造成，一是电芯生产制造的随机性造成的不一致；二是电池使用过程中各单体的工作温度、加载幅值、老化状态等不同造成的不一致。

电池组SOC估计方法可分为安时积分法、基于电池模型的方法和基于数据驱动的方法。现被广泛使用的安时积分算法仅在电池组一致性良好的情况下估计精度尚可，随着电池的使用，不一致性加剧，该算法的估计效果会大打折扣，严重时可能导致算法失效。对于基于模型的方法，所使用的模型又可分为大单体模型、均值+偏差模型、最大最小电压模型和多单体模型。其中，大单体模型无法考虑单体间的不一致性，因此当电池组间存在明显不一致时，基于大单体模型的估计精度会极大地降低。而基于均值+偏差模型和多单体模型的方法均无法适用于拥有数百节单体的大型电池组，因为这对于车载微处理单元的计算资源和存储能力要求极高。因此最具应用价值的方法为基于最大最小电压模型的估计方法，该方法考虑了单体间的最大不一致性而且对硬件资源也没有额外的要求，但该方法的一个挑战是如何准确地动态识别出最大最小电压对应的单体。另外，基于数据驱动的方法，因其对数据的数量和质量有着极高的要求，而且对计算能力和存储资源的要求也颇为苛刻，这使得该方法无法在线应用。但是随着5G技术以及物联网时代的到来，该方法有望用于云控平台，通过与车载BMS间进行信息交互，实现准确鲁棒的电池SOC估计。

电池组的SOH估计方法可分为直接计算法、基于电池模型的方法和基于数据驱动的方法。直接计算方法即是基于满充满放工况计算电池的容量随使用的变化即可捕捉SOH，但是电池在实际使用时一般可以实现满充，但满放则不太可能出现，而且满充出现的频率也不会很高，因此该方法在使用上存在很大的局限性。基于电池模型的方法则是基于电池模型对动力电池中反映电池健康状态的参数进行估计，从而实现电池SOH的标定，一般通过与SOC联合估计可提高估计精度。而基于数据驱动的方法是通过建立可测量的特征输入与电池SOH间的映射关系来实现电池的SOH估计，对数据的数量和质量要求均很高。

发明内容

有鉴于此，本发明的目的在于提供一种基于云边协同的电池组多状态联合估计方法。利用各算法的优势，融合安时积分、开路电压修正、满充修正、在线参数辨识、自适应状态滤波、最大最小电压单体筛选策略以及基于数据驱动的定期更新，融入云边协同、多时间尺度和多状态联合估计思想，在不增加车载终端计算资源和硬件成本的前提下实现更高精度、更具鲁棒的电池组多状态协同估计。

为达到上述目的，本发明提供如下技术方案：

一种基于云边协同的电池组多状态联合估计方法，该方法包括以下步骤：

S1：选择合适的电池等效电路模型，结合在线参数辨识、开路电压修正、满充修正、安时积分和自适应滤波算法构建一个多算法融合的状态估计框架，基于定期筛选的最大最小电压单体进行串联电池组实时的荷电状态SOC估计；

S2：选择合适的机器学习算法，基于车载电池管理系统BMS上传的电池数据，定期更新电池组SOC或健康状态SOH；