一種蓄電池荷電狀態計算方法和裝置與流程

本發明涉及電池管理技術領域，具體涉及一種蓄電池荷電狀態計算方法和裝置。

背景技術：

近年來隨著新能源發電以及電動汽車產業的發展，而蓄電池作為儲能的重要環節，蓄電池管理系統(Battery Management System，BMS)成為研究的重點。蓄電池荷電狀態(State of Charge，SOC，也叫剩余電量)估算則是BMS中最重要的功能之一，荷電狀態代表的是電池使用一段時間或長期擱置不用后的剩余容量與其完全充電狀態的容量的比值，常用百分數表示，其取值范圍為0～1，當SOC＝0時表示電池放電完全，當SOC＝1時表示電池完全充滿。

累計電量法是目前慣常使用的一種SOC估算方法，然而其精度受初始SOC值的影響較大。常用的SOC估算方法還可以包括物理建模法(主要包括安時計量法、內阻法、開路電壓法等)和整個系統的辨識與參數估計建模法(主要包括卡爾曼濾波法、人工神經網絡法、模糊控制法等)，然而這兩類算法的精度受SOC值的影響較大，難以獲得高精度的SOC值。

技術實現要素：

本發明要解決的技術問題在于現有的SOC估算方法精度較低。

為此，本發明實施例提供了一種蓄電池荷電狀態計算方法，包括：根據開路電壓法和人工神經網絡法計算該蓄電池的初始荷電狀態；根據該初始荷電狀態和充放電電流值，采用累計電量法計算該蓄電池的荷電狀態。

可選的，該根據開路電壓法和人工神經網絡法計算該蓄電池的初始荷電狀態，包括：采用開路電壓法計算該蓄電池的第一初始荷電狀態；采用人工神經網絡法計算該蓄電池的第二初始荷電狀態；將該第一初始荷電狀態與第一權值系數的乘積以及第二初始荷電狀態與第二權值系數的乘積求和作為該初始荷電狀態，其中第一權值系數和第二權值系數之和為1。

可選的，該第一權值系數和該第二權值系數隨該蓄電池的荷電狀態變化。

可選的，在該蓄電池的荷電狀態處于基本滿電或基本耗盡時，該第一權值系數大于該第二權值系數，在該蓄電池的荷電狀態處于中間狀態時，該第一權值系數小于該第二權值系數。

可選的，當該蓄電池的荷電狀態小于10％或大于90％時，該第一權值系數為0.9-1，該第二權值系數為0-0.1；當該蓄電池的荷電狀態在30％-70％之間，該第一權值系數為0-0.1，該第二權值系數為0.9-1；當該蓄電池的荷電狀態在10％～30％之間或70％～90％之間，該第一權值系數為0.1-0.3，該第二權值系數為0.7-0.9。

可選的，該采用累計電量法計算的荷電狀態包括：根據該蓄電池的環境溫度、自放電、循環次數中的至少一個對該荷電狀態進行校正。

本發明實施例還提供了一種蓄電池荷電狀態計算裝置，包括：初始荷電狀態計算模塊，用于根據開路電壓法和人工神經網絡法計算該蓄電池的初始荷電狀態；荷電狀態計算模塊，用于根據該初始荷電狀態和充放電電流值，采用累計電量法計算該蓄電池的荷電狀態。

可選的，該初始荷電狀態計算模塊包括：開路電壓法計算子模塊，用于采用開路電壓法計算該蓄電池的第一初始荷電狀態；人工神經網絡法計算子模塊，用于采用人工神經網絡法計算該蓄電池的第二初始荷電狀態；求和子模塊，用于將該第一初始荷電狀態與第一權值系數的乘積以及第二初始荷電狀態與第二權值系數的乘積求和，作為該初始荷電狀態，其中第一權值系數和第二權值系數之和為1。

可選的，在該求和子模塊中，該第一權值系數和該第二權值系數隨該蓄電池的荷電狀態變化。

可選的，當該蓄電池的荷電狀態小于10％或大于90％時，該第一權值系數為0.9-1，該第二權值系數為0-0.1；當該蓄電池的荷電狀態在30％-70％之間，該第一權值系數為0-0.1，該第二權值系數為0.9-1；當該蓄電池的荷電狀態在10％～30％之間或70％～90％之間，該第一權值系數為0.1-0.3，該第二權值系數為0.7-0.9。

本發明實施例的蓄電池荷電狀態計算方法和裝置，采用開路電壓法和人工神經網絡法來綜合預測初始荷電狀態值，提高了初始荷電狀態值的精度，從而最終提高了荷電狀態值的預測精度；另外，通過在累計電量法的基礎上增加溫度校正、循環次數(電池老化)校正和自放電校正，進一步地提高了荷電狀態的預測精度。

附圖說明

通過參考附圖會更加清楚的理解本發明的特征和優點，附圖是示意性的而不應理解為對本發明進行任何限制，在附圖中：

圖1是本發明實施例的蓄電池荷電狀態計算方法的流程圖；

圖2是圖1所示的蓄電池荷電狀態計算方法的部分步驟的細化流程圖；

圖3是本發明實施例的蓄電池荷電狀態計算裝置的示意圖。

具體實施方式

下面將結合附圖對本發明的實施例進行詳細描述。

如圖1所示，本發明實施例提供了一種蓄電池荷電狀態計算方法，可以包括如下步驟：

S1.根據開路電壓法和人工神經網絡法確定蓄電池的初始荷電狀態。

如背景技術部分該，蓄電池的初始SOC值是整個電池電量計算的初始點和基準點，其計算精度非常重要，然而現有的物理建模法和整個系統的辨識與參數估計建模法這種單一的預測方法無法滿足初始SOC值的需要。本發明的發明人經過研究后發現，當SOC值特別高或特別低時，例如SOC值小于10％或大于90％時，開路電壓法的開路電壓和SOC值成良好的線性關系，可以獲得一個精度較高的SOC值；當SOC值范圍在30％～70％之間時，采用人工神經網絡法則會得到一個精度較高的SOC值，采用開路電壓法和人工神經網絡法這兩種估算方法結合可以得到精度較高的SOC值。具體的，開路電壓法是利用其一定的條件下其開路電壓和SOC值成一定的線性關系這一特性來通過測量開路電壓來得出SOC值；人工神經網絡法則是利用其極強的學習能力和非線性擬合特性來模擬蓄電池的動態特性，利用蓄電池的外部可測數據來訓練得到蓄電池的SOC。通過結合兩種方法的優勢，可以較好的提高計算精度。

S2.根據該初始荷電狀態和充放電電流值，采用累計電量法計算該蓄電池的荷電狀態。

具體的，累計電量法計算SOC的公式(1)如下：

其中，SOC₀為初始SOC值；η為蓄電池的效率；i為充放電電流值，放電時為正，充電時為負；C_n為電池容量；由于實際情況中，在不同的條件下電池能充入或放出的容量是不一致的，因此一般是利用蓄電池廠家提供的電池充放電效率η對充入和放出的電池容量進行修正。

本發明實施例的蓄電池荷電狀態計算方法，采用開路電壓法和人工神經網絡法來綜合預測初始荷電狀態值，提高了初始荷電狀態值的精度，從而最終提高了荷電狀態值的預測精度。

可選的，如圖2和公式(2)所示，上述步驟S1可以包括：

S11.采用開路電壓法計算蓄電池的第一初始荷電狀態SOC₁；

S12.采用人工神經網絡法計算蓄電池的第二初始荷電狀態SOC₂；

S13.將SOC₁與第一權值系數α的乘積以及SOC₂與第二權值系數β的乘積求和作為初始荷電狀態SOC₀，其中α和β之和為1。

SOC₀＝αSOC₁+βSOC₂ (2)

上述第一權值系數α和第二權值系數β隨蓄電池的荷電狀態變化。在最初始的計算時，由于并未獲得蓄電池的第一初始荷電狀態，可以以預設的α和β值來進行計算，例如，可以設定為α＝β＝0.5。

作為一種優選實施方式，在蓄電池的荷電狀態處于基本滿電或基本耗盡時，第一權值系數α大于第二權值系數β，在蓄電池的荷電狀態處于中間狀態時，第一權值系數α小于第二權值系數β。如此既有較高精度且運算快。

例如，當SOC值特別高或特別低時(SOC值小于10％或大于90％時)，開路電壓法的開路電壓和SOC值成良好的線性關系，而人工神經網絡則需要經過大量的運算，所以此時分配給開路電壓法的第一權值系數為0.9-1，更優選地為1；而人工神經網絡的第二權值系數為0-0.1，更優選地為0，此時加快了運算速度，且能保持高精度。

當SOC值范圍在30％～70％之間時，相對于SOC值的變化來說開路電壓的變化過小，二者不成線性關系，因此分配給開路電壓法的第一權值系數為0-0.1，更優先地為0；而人工神經網絡可以根據放電電流、端電壓和電池表面溫度等很好的擬合出三者與SOC值之間的非線性關系，因此分配給人工神經網絡的第二權值系數為0.9-1，更優選為1，可以得到高精度的結果。

當SOC值處于10％～20％以及80％～90％的區間時，開路電壓法和人工神經網絡法都具有一定的優缺點，但是開路電壓法在此時的線性關系已開始出現失真，所以分配給開路電壓法的第一權值系數為0.1-0.3，更優選地為0.2，而人工神經網絡的第二權值系數為0.7-0.9，更優選地為0.8。

另外，蓄電池的容量會受到環境溫度的影響，當溫度升高，蓄電池的容量會增加，反之則減少，因此在上述步驟S2中增加溫度校正是優選的；蓄電池從工作到停止都有一定的自恢復時間。當停機時間大于蓄電池的自恢復時間時，就要考慮到蓄電池自放電對電池容量產生的影響，因此在上述步驟S2中增加自放電校正是優選的；電池的循環使用會導致其容量的損失，隨著電池循環使用次數的增加電池容量的損失也會相應增加，因此在上述步驟S2中增加循環次數(或稱電池老化)校正是優選的。

如圖3所示，本發明實施例還提供了一種蓄電池荷電狀態計算裝置，包括：

初始荷電狀態計算模塊1，用于根據開路電壓法和人工神經網絡法計算該蓄電池的初始荷電狀態；

荷電狀態計算模塊2，用于根據該初始荷電狀態和充放電電流值，采用累計電量法計算該蓄電池的荷電狀態。

優選地，上述始荷電狀態計算模塊1可以包括開路電壓法計算子模塊、人工神經網絡法計算子模塊和求和子模塊，其中，開路電壓法計算子模塊用于采用開路電壓法計算蓄電池的第一初始荷電狀態，人工神經網絡法計算子模塊用于采用人工神經網絡法計算蓄電池的第二初始荷電狀態，求和子模塊用于將該第一初始荷電狀態與第一權值系數的乘積以及第二初始荷電狀態與第二權值系數的乘積求和，作為初始荷電狀態，其中第一權值系數和第二權值系數之和為1。優選地，上述第一權值系數和第二權值系數隨蓄電池的荷電狀態變化。例如，當蓄電池的荷電狀態小于10％或大于90％時，該第一權值系數為0.9-1，更優選為1，第二權值系數為0-0.1，更有選為0；當蓄電池的荷電狀態在30％-70％之間，第一權值系數為0-0.1，更優選為0，第二權值系數為0.9-1，更優選為1；當蓄電池的荷電狀態在10％～30％之間或70％～90％之間，第一權值系數為0.1-0.3，更優選為0.2，第二權值系數為0.7-0.9，更優選為0.8

優選地，上述荷電狀態計算模塊可以包括溫度校正模塊、自放電校正模塊、電池老化(循環次數)校正模塊中的至少一個對荷電狀態進行校正。

本發明實施例的蓄電池荷電狀態計算裝置，采用開路電壓法和人工神經網絡法來綜合預測初始荷電狀態值，提高了初始荷電狀態值的計算精度；通過在預測了荷電狀態時進一步增加了溫度校正、循環次數(電池老化)校正和自放電校正中的至少一個，提高了荷電狀態的預測精度。

雖然結合附圖描述了本發明的實施方式，但是本領域技術人員可以在不脫離本發明的精神和范圍的情況下作出各種修改和變型，這樣的修改和變型均落入由所附權利要求所限定的范圍之內。