[发明专利]基于SGPR和自适应无穷滤波的锂电池SOC估计方法、设备及介质

说明书

本发明公开了一种基于SGPR和自适应无穷滤波的锂电池SOC估计方法、设备及介质，方法包括：对锂电池在不同工况下进行充放电测试，采集充放电过程中的电压、电流和温度数据集；利用安培计时法计算锂电池充放电过程中各采样点的SOC值；采用稀疏高斯过程回归算法，建立锂电池的SOC与电压、电流、温度之间的非线性关系；获取待测锂电池当前的电压、电池和温度，分别利用安培计时法和非线性关系计算待测锂电池当前的SOC；将安培计和非线性关系得到的SOC值分别作为观察量和状态量，进行自适应无穷滤波，将得到的SOC值作为待测锂电池当前SOC的最终估计值。本发明可以提高锂电池SOC估计精度和鲁棒性，减少估计时间。

技术领域

本发明属于电池管理技术领域，具体涉及一种基于SGPR(稀疏高斯过程回归)和自适应无穷滤波的锂电池SOC估计方法、设备及介质。

背景技术

为了满足国家碳达峰、碳中和目标要求，迫切需要减少化石燃料的消耗和温室气体的排放。新能源如风能、太阳能因其丰富、环境友好的等优点得到重点关注，同时也使得电动汽车得到快速的发展。锂离子电池具有功率密度高、充电速度快、寿命长、自放电率低等优点，作为新型储能系统在电动汽车中得到广泛的应用。然而电动汽车电池组的荷电状态(State of Charge，简称为SOC)是其使用过程中的重要参数，由于不能直接测量，只能通过相关算法进行估计获得。

目前，锂离子的荷电状态估计方法有主要三种，分别为开环方法、状态估计方法和数据驱动方法。开环方法由于简单易实现，在工程领域内应用极为普遍。然而电池的荷电状态初始值和电流测量的不准确，易造成荷电状态估计的不准确和漂移。状态估计方法是在开环方法的基础上建立的，该方法需要准确的电化学模型或者等效电路模型，才能获得准确的荷电状态估计结果。然而，在实际应用中，往往很难获得准确的等效电路模型。数据驱动方法旨在利用机器学习工具箱开发荷电状态估计的“黑箱计算工具箱”。目前主要的数据驱动方法包括人工神经网络、支持向量机、相关向量机和高斯过程回归等。

高斯过程回归方法常用于进行估计和预测，然而针对锂离子电池SOC估计，在数据集样本较大的时候，高斯过程回归训练和预测时间较长，导致算法效率较低。同时现有研究未给出有效的特征参数选择方法。此外，高斯过程回归方法在进行SOC估计时，易得到估计精度低和鲁棒性差的结果。

发明内容

本发明提供一种基于SGPR和自适应无穷滤波的锂电池SOC估计方法，为锂离子电池荷电状态准确估计提供技术方案，并提高估计精度和鲁棒性。

为实现上述技术目的，本发明采用如下技术方案：

一种基于SGPR和自适应无穷滤波的锂电池SOC估计方法，包括：

S1，对锂电池在不同工况下进行充放电测试，采集充放电过程中的电压、电流和温度数据集；

S2，利用安培计时法计算锂电池充放电过程中各采样点的SOC值；

S3，采用稀疏高斯过程回归算法，建立锂电池的SOC与电压、电流、温度之间的非线性关系；

S4，获取待测锂电池当前的电压、电池和温度，一方面利用安培计时法计算待测锂电池当前的SOC，另一方面基于步骤S3建立的非线性关系计算待测锂电池当前的SOC值；

S5，将安培计时得到的SOC值作为观察量，将非线性关系得到的SOC值作为状态量，进行自适应无穷滤波，将得到的SOC值作为待测锂电池当前SOC的最终估计值。

进一步地，步骤S1中的不同工况，是指不同温度和不同充放电倍率组合得到的工况。

进一步地，利用安培计时法计算锂电池SOC值的方法为：