本发明涉及数据驱动的动力电池荷电状态估计方法。
背景技术：
现有的动力电池如广泛使用的锂离子电池其荷电状态估计方法大致可分为三类：
第一类为电量累计法，又称为安时法，通过电池在充电和放电时的电量来估计电池的荷电状态(state of charge，SOC)，并根据电池温度和放电率等对SOC进行修正，此方法简单，算法较易实现，但存在的主要问题有：(1)涉及到的参数较多，如果参数测量不准，易造成误差；(2)未对电池老化和循环次数进行补偿；(3)受电流测量精度和修正系数等因素的影响较大；(4)需要给定精度的初始SOC值，这在实际应用中很难给出。
第二类为电压测量法，根据电池的开路电压与电池的放电深度之间的关系，通过测量电池的开路电压来估计SOC值，该方法简单，然而在实际应用中想要得到精确的SOC值，必须将电池长时间静置，在电压稳定之后才能确定SOC值，实际工作时电流是剧烈波动的，因此较少用于电动汽车等实际应用场合，而是作为电池充放电截止的判据。
第三类是基于神经网络、模糊神经网络和高斯过程等非线性建模方法在电池端电压、温度、电流等输入参数和电池SOC值输出之间建立非线性模型，根据大量实验曲线和数据对系统进行训练。此类方法的主要问题是没有考虑到电池运行是一个动态过程，而且系统运行存在较大的不确定性，不能估计动态系统的不确定程度并修正模型。
第四类是基于电池等值电路模型的方法，采用电流源、电阻和电容对磷酸铁锂的充放电电路进行数学建模，离线或在线辨识模型参数，如内阻和电容值，将电池SOC看作是系统内部状态向量的一个分量，采用扩展卡尔曼滤波(extended Kalman filter，EKF)或无迹卡尔曼滤波(unscented Kalman filter，UKF)等方法来动态估计SOC值和新息，其主要的问题在于：(1)此类方法一般将状态方程表示为线性模型，观测方程表示为非线性方程，然而SOC值受电池组温度、充放电电流和使用时间等非线性因素的影响，其线性建模不能反映其真实物理过程；(2)观测方程中的SOC值与开路电压的非线性关系用多项式拟合逼近的方法，工作时所测的端电 压与开路电压的关系再根据等值电路来确定，因此也依赖于系统的建模精度和参数辨识精度。
技术实现要素：
本发明的目的之一是为了克服现有技术中的不足，提供一种高精度、稳健的动力电池SOC估计方法。
为实现以上目的，通过以下技术方案实现：
数据驱动的动力电池荷电状态估计方法，其特征在于，包括步骤：
(1)离线训练，获得电池在设定状态下的荷电状态SOC值的高斯过程模型；
(2)在线估计，电池实际运行状态下，采集每个时刻的端电压、工作电流和温度等数据，根据离线训练获得的荷电状态SOC高斯过程模型估计荷电状态SOC值，并计算估计的荷电状态SOC值的均值和方差值；然后根据方差值修正估计的荷电状态SOC值。
优选地是，所述设定状态为电池倍率或环境温度，所述离线估计步骤包括(1.a)、采集电池在不同倍率、不同环境温度下的每一采样时刻t的端电压vt，工作电流it和温度值ct，并进行SOC值估计，得到SOCt，并对所有数据进行标准化处理，使得符合高斯分布的所有荷电状态SOC值均值为0。
优选地是，所述离线估计的具体步骤如下：
设系统的输入为：ut＝[it；ct]，其中it为t时刻采样的电流值，ct为t时刻采样的温度值，ut为t时刻的输入向量，由t时刻的采样的电流值和温度值构成；
系统的状态变量为：
xt＝SOCt
其中SOCt为离线估计时标定的t时刻的荷电状态SOC估计值，xt表示系统的状态变量，就由标定的t时刻的荷电状态SOCt构成；
系统的观测变量为：
yt＝vt
其中vt为t时刻采样的电池端电压值，yt即为t时刻的观测变量，由t时刻采样的电池端电压值vt构成；
(1.b)根据实时采集的数据学习SOC动态高斯过程：
其中收集前k个时刻的数据构成矩阵：
矩阵的第i行构成一个数据向量
设k个时刻的SOC值服从高斯过程，即
其中表示均值为0矢量、协方差矩阵为Kg的高斯分布，协方差矩阵Kg的每个元素设为：
其中表示矩阵的第i行第m列的元素，其参数θg＝(wg1，Wg2，Wg3，τg0，αg0，αg1，σg0)为待学习模型参数，δij为delta算子；选取N段连续的k个时刻数据，利用最大似然法学习模型参数θg，其目标函数为：
其上标n表示第n段数据，采用梯度法优化此目标函数就可以得到模型参数θg的估计值；
同理，学习观测模型的动态高斯过程：
其中根据t时刻的数据和前k-1的数据构成一个矩阵：
设k个时刻的端电压观测值服从高斯过程，即
其中协方差矩阵Kh的每个元素设为：
其中表示矩阵的第i行第m列的元素，矩阵参数θh＝(wh1，wh2，wh3，τh0，αh0，αh1，σh0)为待学习模型参数；根据相应的N段连续的k个时刻数据，利用最大似然法学习模型参数θh，其目标函数为：
同样采用梯度法优化此目标函数就可以得到模型参数θg的估计值。
优选地是，所述在线估计包括以下步骤：
(2.a)状态估计时域更新：
首先根据前一时刻SOC值的估计值产生三个Sigma点：
此处的根据训练好的动态模型高斯过程参数产生相应的预测值：
此处
为根据构成的核第一行；
因此可以得到SOC值在t时刻的先验估计：
其中
(2.b)方差时域更新
使用SOC值的先验估计，得到方差的先验估计：
其中
(2.c)根据训练好的观测模型高斯过程参数产生Sigma点对应的输出估计值：
此处
为根据构成的核第一行。其输出估计值为：
(2.d)增益估计
计算
得到增益值：
(2.e)得到滤波后状态变量的估计值和方差估计值：
即为t时刻SOC的估计值。
与现有技术相比，本发明的有益效果是一种结合大量实验数据和动态模型的动力电池SOC估计方法，既能有效利用在实验室得到的大量数据，又能在实际运行过程中考虑系统模型、采集数据的不确定性，动态估计SOC值的均值和误差，从而得到一个高精度、稳健的动力电池SOC估计方法。
附图说明
图1为本发明专利实施的流程图。
具体实施方式
下面结合附图及实施例对本发明进行详细的描述：
如图1所示，数据驱动的动力电池荷电状态估计方法，其特征在于，包括步骤：
(1)离线训练，其过程如下：
(1.a)利用电池综合性能测试仪和恒温箱等测试仪器，测得电池在不同倍率、不同温度下每一采样时刻t的端电压vt，工作电流it和温度值ct，并进行SOC值估计，得到SOCt；所有数据均进行标准化处理，使得服从均值为0的高斯分布。
设系统的输入为：ut＝[it；ct]，其中it为t时刻采样的电流值，ct为t时刻采样的温度值，ut为t时刻的输入向量，由t时刻的采样的电流值和温度值构成。
系统的状态变量为：xt＝SOCt，其中SOCt为离线估计时标定的t时刻的荷电状态SOC估计值，xt表示系统的状态变量，就由标定的t时刻的荷电状态SOCt构成。
系统的观测变量为：yt＝vt
其中vt为t时刻采样的电池端电压值，yt即为t时刻的观测变量，由t时刻采样的电池端 电压值vt构成。
(1.b)根据实时采集的数据学习SOC动态高斯过程：
其中收集前k个时刻的数据构成矩阵：
矩阵的第i行构成一个数据向量
设k个时刻的SOC值服从高斯过程，即
其中协方差矩阵Kg的每个元素设为：
其中表示矩阵的第i行第m列的元素，其参数θg＝(wg1，wg2，wg3，τg0，αg0，αg1，σg0)为待学习模型参数，δij为delta算子。选取N段连续的k个时刻数据，利用最大似然法学习模型参数θg，其目标函数为：
其上标n表示第n段数据，采用梯度法优化此目标函数就可以得到模型参数θg的估计值。
同理，学习观测模型的动态高斯过程：
其中根据t时刻的数据和前k-1的数据构成一个矩阵：
设k个时刻的端电压观测值服从高斯过程，即
其中协方差矩阵Kh的每个元素设为：
其中表示矩阵的第i行第m列的元素，其参数θh＝(wh1，Wh2，wh3，τh0，αh0，αh1，σh0)为待学习模型参数。根据相应的N段连续的k个时刻数据，利用最大似然法学习模型参数θh，其目标函数为：
同样采用梯度法优化此目标函数就可以得到模型参数θg的估计值。
(2)在线估计
首先从训练数据里选取有代表性的M段连续数据存储在数据单元中，根据工作电流值和温度值选取最接近的一组数据作为在线估计环节高斯过程核的初始值。设定根据训练数据决定方差值的初始值。值得强调的是训练数据已经进行标准化处理，为得到实际结果，需要根据估计的结果和标准化处理使用的均值和方差进行修正复原。接下来利用UKF来进行在线估计，其过程如下：
(2.a)状态估计时域更新
首先根据前一时刻SOC值的估计值产生三个Sigma点：
此处的根据训练好的动态模型高斯过程参数产生相应的预测值：
此处
为根据构成的核第一行。
因此可以得到SOC值在t时刻的先验估计：
其中
(2.b)方差时域更新
使用SOC值的先验估计，得到方差的先验估计：
其中
(2.c)根据训练好的观测模型高斯过程参数产生Sigma点对应的输出估计值：
此处
为根据构成的核第一行。其输出估计值为：
(2.d)增益估计
计算
得到：
(2.e)得到滤波后状态变量的估计值和方差估计值：
因此即为t时刻SOC的估计值。
由于本方法是一种数据驱动的方法，不是基于电路模型的方法，因此电池SOC的动态过程和观测数据的动态过程全部由高斯过程来建模，而高斯过程模型的训练则是根据历史数据来获得的。基于神经网络等数据驱动方法的SOC值估计方法只是在输入输出间建立一个固定的非线性映射关系，并不能根据上一个时刻的观测值进行动态修正，而本发明方法由于建立了一个动态模型，可以根据系统运行数据进行动态修正，因此具有更好的动态适应能力。
为确保本发明方法的有效性，需要收集大量实验数据进行模型训练，并进行测试验证， 进而调整模型参数，获得最优高斯过程模型。
本发明有两个优点：(1)降低对SOC估计初始设定值的依赖。传统的安时法需要标定SOC的初始值，一般通过深度放电来实现。由于此方法是数据驱动的，可以根据历史数据来初步估计SOC值，同时由于估计过程是一个动态过程，能够动态修正调整SOC估计值，从而在即使SOC初值给定不够精确的情况下，也能得到较精确的SOC估计；(2)估计误差小。通过对磷酸铁锂电池实验室运行情况的测试及根据电动汽车工况运行的模拟测试，本方法的SOC估计绝对值误差绝大多数情况下少于3％，而安时法的SOC估计绝对值误差一般为5％。
本发明中的实施例仅用于对本发明进行说明，并不构成对权利要求范围的限制，本领域内技术人员可以想到的其他实质上等同的替代，均在本发明的保护范围内。