[发明专利]基于贝叶斯概率的动力电池多算法融合SOC估计方法

说明书

本发明具体涉及基于贝叶斯概率的动力电池多算法融合SOC估计方法，包括：构建相应的等效电路模型，对等效电路模型对应的模型参数进行参数辨识；基于多种估计算法分别构建用于预测动力电池端电压和SOC的多个观测器；在动态应力测试工况下，采集动力电池的关联参数，输入各个观测器以输出对应的端电压预测值和SOC估计值；基于不同时刻下的端电压预测值与对应实测值之间的残差，结合贝叶斯概率分配对应的加权值；基于对应的加权值对各个观测器输出的SOC估计值进行加权累加，生成对应的融合SOC估计值。本发明能够有效融合多种估计算法的SOC估计结果并实现多种估计算法的互补，从而能够在动力电池的整个充放电区间保持SOC估计全局最优。

技术领域

本发明涉及电动汽车动力电池管理技术领域，具体涉及基于贝叶斯概率的动力电池多算法融合SOC估计方法。

背景技术

动力电池目前广泛地应用于电动汽车领域，其是影响电动汽车整车性能的关键因素，其对行驶里程、加速能力、最大爬坡度会产生直接的影响。电池电荷状态(State ofCharge,SOC)估计，是电池管理系统研究的核心和难点，动力电池的非线性特性使得许多滤波方法难以得到准确的估计结果。现有技术中，对于动力电池状态的管理与分析中常使用等效电路模型，通过基于电池动态特性和工作原理而由电阻、电容和电压源组成的动态特性的电路网络，来描述电池的开路电压，欧姆内阻以及电池内部反应过程的极化和扩散现象，然后通过相应滤波算法对动力电池SOC进行估计。

目前，动力电池SOC估计方法主要有安时计量法、开路电压法、神经网络法。安时计量法偏重于应用场合，在线、方便、准确但是需要测量设备精度高；开路电压法只适用于电池静置足够长时间后进行估计，不能实时估计；神经网络能够在线估计，缺点是需要相似电池的大量训练数据。为此，公开号为CN111098755A的中国专利公开了《一种电动汽车动力电池SOC估计方法》，包括：通过间歇恒流放电法测取动力电池的电流与电压，通过多项式拟合法确定动力电池的OCV-SOC的函数关系式；建立动力电池二阶RC等效电路模型，推导其辨识模型；构建改进的混沌引力搜索算法的流程，完成辨识；针对锂离子电池非线性系统建立电池的状态空间模型，构建高斯-厄米特滤波算法的流程，并与改进的混沌引力搜索算法组成联合估计算法。

上述现有方案中的动力电池SOC估计方法通过模型参数辨识和SOC估计的联合估计来提升SOC估计的实时性。但申请人发现，现有的动力电池SOC估计方法一般依赖单个估计算法完成SOC估计，而单一估计算法无法保证在整个充放电区间对动力电池状态的估计一直保持最准确，即无法实现在动力电池的整个充放电区间始终保持SOC估计最优。为此，申请人想到通过多种估计算法来实现动力电池的全局SOC估计，使得能够在动力电池的整个充放电区间保持SOC估计全局最优。然而，如何设计一种能够有效融合多种估计算法的SOC估计结果并实现多种估计算法的互补的框架是亟需解决的技术问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于贝叶斯概率的动力电池多算法融合SOC估计方法，能够有效融合多种估计算法的SOC估计结果并实现多种估计算法的互补，从而能够在动力电池的整个充放电区间保持SOC估计全局最优，并保证动力电池SOC估计的准确性。

为了解决上述技术问题，本发明采用了如下的技术方案：

基于贝叶斯概率的动力电池多算法融合SOC估计方法，包括以下步骤：

S1：基于对应的动力电池构建相应的等效电路模型，然后通过用于表征动力电池端电压和SOC的关联参数对等效电路模型对应的模型参数进行参数辨识；

S2：基于多种估计算法分别构建用于预测动力电池端电压和SOC的多个观测器；

S3：在动态应力测试工况下，基于等效电路模型采集动力电池的关联参数；然后将动力电池的关联参数分别输入各个观测器以输出对应的端电压预测值和SOC估计值；