[发明专利]一种考虑多因素影响的电池包中单体电池SOC估计方法

说明书

一种考虑多因素影响的电池包中单体电池SOC估计方法，涉及一种电池SOC估计方法。对电池包中同种类型的一个单体电池进行实验得到源域数据；利用迁移学习框架将源域数据与目标域数据进行迁移和变换，迁移学习框架包括：特征增强、特征压缩和MPD适配；使用数据驱动算法对变换后的源域数据进行建模，再对变换后的目标域数据进行SOC的预测，从而得到SOC估计值。基于数据驱动算法并采用迁移学习方法来解决温度和电池老化状态等多因素对SOC估计造成的不利影响，并针对现有迁移学习方法存在的问题提出一种同时适配MPD和CPD的迁移学习框架，方法简单并且需要的实验数据少。

技术领域

本发明涉及一种电池SOC估计方法，尤其是一种考虑多因素影响的电池包中单体电池SOC估计方法，属于电池研发技术领域。

背景技术

电动汽车的迅速发展有效缓解了能源危机和环境恶化，而电动汽车的动力源是由大量单体电池组成的电池包，其中，对电池包中各单体电池的荷电状态(State of Charge，SOC)进行准确的估计，对电动汽车的安全至关重要，也可为设计均衡策略及保障电动汽车的续航里程提供准确信息。

由于不同的生产工艺和所受环境的差异，电池包中单体电池之间不可避免地存在不一致性。目前对单体电池SOC进行估计的方法包括基于等效电路模型(EquivalentCircuit Model，ECM)的方法、基于电化学模型的方法、基于数据驱动的方法等，如果将上述方法应用于一个电池包中的所有单体电池，需要大量的计算能力和存储空间。目前，电池包中各单体电池的SOC估计最常用的是基于平均差异模型的方法，但由于单体电池的不一致性，“平均电池”模型不能良好的表征整个电池包，最重要的是，上述方法都是在恒温和固定的老化状态等条件下提出并验证的，然而在实际应用中存在不同的影响因素，如温度、电池老化状态等，会导致现有的估计方法产生较大的偏差甚至不再适用，如不同的影响因素会导致ECM的参数发生变化，此外，虽然数据驱动方法不需要考虑电池内部复杂的反应原理，但不同的影响因素需混合所有的数据进行建模，这会大大增加模型的复杂度和模型的存储空间。实际上，不同的影响因素会改变数据的边缘概率分布(Marginal ProbabilityDistribution，MPD)和条件概率分布(Conditional Probability Distribution，CPD)，从而使单一的数据驱动模型不再适用于其他影响因素。

迁移学习的核心是寻找源域数据和目标域数据之间的相似性，进而顺利实现知识的迁移。但目前，基于实例的迁移学习方法在两个数据域的分布差异较小时是有效的，基于特征的迁移学习方法假定数据域的MPD是一样的，只适配数据域的CPD，基于模型的迁移学习方法需要对模型中的超参数进行调整，且仍假设数据域间的MPD是相同的，导致在实际应用中针对上述问题很难获得良好的迁移效果。因此，亟需对现有迁移学习方法进行改进，并在其基础上提供一种考虑多因素影响的SOC估计方法，以解决目前SOC估计方法存在的缺陷。

发明内容

为解决背景技术存在的不足，本发明提供一种考虑多因素影响的电池包中单体电池SOC估计方法，它基于数据驱动算法并采用迁移学习方法来解决温度和电池老化状态等多因素对SOC估计造成的不利影响，并针对现有迁移学习方法存在的问题提出一种同时适配MPD和CPD的迁移学习框架，方法简单并且需要的实验数据少。

为实现上述目的，本发明采取下述技术方案：一种考虑多因素影响的电池包中单体电池SOC估计方法，包括以下步骤：

步骤一：对电池包中同种类型的一个单体电池进行实验得到源域数据；

步骤二：利用迁移学习框架将得到的源域数据与单体电池的目标域数据进行迁移和变换；

所述迁移学习框架具体包括：

1)特征增强

为得到源域数据和目标域数据中输入变量与目标变量之间隐含的映射关系，将包含MPD信息的输入变量与包含CPD信息的目标变量相结合，获得同时包含CPD和MPD信息的特征增强矩阵如下：