一种蓄电池荷电状态计算方法和装置与流程

本发明涉及电池管理技术领域，具体涉及一种蓄电池荷电状态计算方法和装置。

背景技术：

近年来随着新能源发电以及电动汽车产业的发展，而蓄电池作为储能的重要环节，蓄电池管理系统(Battery Management System，BMS)成为研究的重点。蓄电池荷电状态(State of Charge，SOC，也叫剩余电量)估算则是BMS中最重要的功能之一，荷电状态代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示，其取值范围为0～1，当SOC＝0时表示电池放电完全，当SOC＝1时表示电池完全充满。

累计电量法是目前惯常使用的一种SOC估算方法，然而其精度受初始SOC值的影响较大。常用的SOC估算方法还可以包括物理建模法(主要包括安时计量法、内阻法、开路电压法等)和整个系统的辨识与参数估计建模法(主要包括卡尔曼滤波法、人工神经网络法、模糊控制法等)，然而这两类算法的精度受SOC值的影响较大，难以获得高精度的SOC值。

技术实现要素：

本发明要解决的技术问题在于现有的SOC估算方法精度较低。

为此，本发明实施例提供了一种蓄电池荷电状态计算方法，包括：根据开路电压法和人工神经网络法计算该蓄电池的初始荷电状态；根据该初始荷电状态和充放电电流值，采用累计电量法计算该蓄电池的荷电状态。

可选的，该根据开路电压法和人工神经网络法计算该蓄电池的初始荷电状态，包括：采用开路电压法计算该蓄电池的第一初始荷电状态；采用人工神经网络法计算该蓄电池的第二初始荷电状态；将该第一初始荷电状态与第一权值系数的乘积以及第二初始荷电状态与第二权值系数的乘积求和作为该初始荷电状态，其中第一权值系数和第二权值系数之和为1。

可选的，该第一权值系数和该第二权值系数随该蓄电池的荷电状态变化。

可选的，在该蓄电池的荷电状态处于基本满电或基本耗尽时，该第一权值系数大于该第二权值系数，在该蓄电池的荷电状态处于中间状态时，该第一权值系数小于该第二权值系数。

可选的，当该蓄电池的荷电状态小于10％或大于90％时，该第一权值系数为0.9-1，该第二权值系数为0-0.1；当该蓄电池的荷电状态在30％-70％之间，该第一权值系数为0-0.1，该第二权值系数为0.9-1；当该蓄电池的荷电状态在10％～30％之间或70％～90％之间，该第一权值系数为0.1-0.3，该第二权值系数为0.7-0.9。

可选的，该采用累计电量法计算的荷电状态包括：根据该蓄电池的环境温度、自放电、循环次数中的至少一个对该荷电状态进行校正。

本发明实施例还提供了一种蓄电池荷电状态计算装置，包括：初始荷电状态计算模块，用于根据开路电压法和人工神经网络法计算该蓄电池的初始荷电状态；荷电状态计算模块，用于根据该初始荷电状态和充放电电流值，采用累计电量法计算该蓄电池的荷电状态。

可选的，该初始荷电状态计算模块包括：开路电压法计算子模块，用于采用开路电压法计算该蓄电池的第一初始荷电状态；人工神经网络法计算子模块，用于采用人工神经网络法计算该蓄电池的第二初始荷电状态；求和子模块，用于将该第一初始荷电状态与第一权值系数的乘积以及第二初始荷电状态与第二权值系数的乘积求和，作为该初始荷电状态，其中第一权值系数和第二权值系数之和为1。

可选的，在该求和子模块中，该第一权值系数和该第二权值系数随该蓄电池的荷电状态变化。

可选的，当该蓄电池的荷电状态小于10％或大于90％时，该第一权值系数为0.9-1，该第二权值系数为0-0.1；当该蓄电池的荷电状态在30％-70％之间，该第一权值系数为0-0.1，该第二权值系数为0.9-1；当该蓄电池的荷电状态在10％～30％之间或70％～90％之间，该第一权值系数为0.1-0.3，该第二权值系数为0.7-0.9。

本发明实施例的蓄电池荷电状态计算方法和装置，采用开路电压法和人工神经网络法来综合预测初始荷电状态值，提高了初始荷电状态值的精度，从而最终提高了荷电状态值的预测精度；另外，通过在累计电量法的基础上增加温度校正、循环次数(电池老化)校正和自放电校正，进一步地提高了荷电状态的预测精度。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1是本发明实施例的蓄电池荷电状态计算方法的流程图；

图2是图1所示的蓄电池荷电状态计算方法的部分步骤的细化流程图；

图3是本发明实施例的蓄电池荷电状态计算装置的示意图。

具体实施方式

下面将结合附图对本发明的实施例进行详细描述。

如图1所示，本发明实施例提供了一种蓄电池荷电状态计算方法，可以包括如下步骤：

S1.根据开路电压法和人工神经网络法确定蓄电池的初始荷电状态。

如背景技术部分该，蓄电池的初始SOC值是整个电池电量计算的初始点和基准点，其计算精度非常重要，然而现有的物理建模法和整个系统的辨识与参数估计建模法这种单一的预测方法无法满足初始SOC值的需要。本发明的发明人经过研究后发现，当SOC值特别高或特别低时，例如SOC值小于10％或大于90％时，开路电压法的开路电压和SOC值成良好的线性关系，可以获得一个精度较高的SOC值；当SOC值范围在30％～70％之间时，采用人工神经网络法则会得到一个精度较高的SOC值，采用开路电压法和人工神经网络法这两种估算方法结合可以得到精度较高的SOC值。具体的，开路电压法是利用其一定的条件下其开路电压和SOC值成一定的线性关系这一特性来通过测量开路电压来得出SOC值；人工神经网络法则是利用其极强的学习能力和非线性拟合特性来模拟蓄电池的动态特性，利用蓄电池的外部可测数据来训练得到蓄电池的SOC。通过结合两种方法的优势，可以较好的提高计算精度。

S2.根据该初始荷电状态和充放电电流值，采用累计电量法计算该蓄电池的荷电状态。

具体的，累计电量法计算SOC的公式(1)如下：

其中，SOC₀为初始SOC值；η为蓄电池的效率；i为充放电电流值，放电时为正，充电时为负；C_n为电池容量；由于实际情况中，在不同的条件下电池能充入或放出的容量是不一致的，因此一般是利用蓄电池厂家提供的电池充放电效率η对充入和放出的电池容量进行修正。

本发明实施例的蓄电池荷电状态计算方法，采用开路电压法和人工神经网络法来综合预测初始荷电状态值，提高了初始荷电状态值的精度，从而最终提高了荷电状态值的预测精度。

可选的，如图2和公式(2)所示，上述步骤S1可以包括：

S11.采用开路电压法计算蓄电池的第一初始荷电状态SOC₁；

S12.采用人工神经网络法计算蓄电池的第二初始荷电状态SOC₂；

S13.将SOC₁与第一权值系数α的乘积以及SOC₂与第二权值系数β的乘积求和作为初始荷电状态SOC₀，其中α和β之和为1。

SOC₀＝αSOC₁+βSOC₂ (2)

上述第一权值系数α和第二权值系数β随蓄电池的荷电状态变化。在最初始的计算时，由于并未获得蓄电池的第一初始荷电状态，可以以预设的α和β值来进行计算，例如，可以设定为α＝β＝0.5。

作为一种优选实施方式，在蓄电池的荷电状态处于基本满电或基本耗尽时，第一权值系数α大于第二权值系数β，在蓄电池的荷电状态处于中间状态时，第一权值系数α小于第二权值系数β。如此既有较高精度且运算快。

例如，当SOC值特别高或特别低时(SOC值小于10％或大于90％时)，开路电压法的开路电压和SOC值成良好的线性关系，而人工神经网络则需要经过大量的运算，所以此时分配给开路电压法的第一权值系数为0.9-1，更优选地为1；而人工神经网络的第二权值系数为0-0.1，更优选地为0，此时加快了运算速度，且能保持高精度。

当SOC值范围在30％～70％之间时，相对于SOC值的变化来说开路电压的变化过小，二者不成线性关系，因此分配给开路电压法的第一权值系数为0-0.1，更优先地为0；而人工神经网络可以根据放电电流、端电压和电池表面温度等很好的拟合出三者与SOC值之间的非线性关系，因此分配给人工神经网络的第二权值系数为0.9-1，更优选为1，可以得到高精度的结果。

当SOC值处于10％～20％以及80％～90％的区间时，开路电压法和人工神经网络法都具有一定的优缺点，但是开路电压法在此时的线性关系已开始出现失真，所以分配给开路电压法的第一权值系数为0.1-0.3，更优选地为0.2，而人工神经网络的第二权值系数为0.7-0.9，更优选地为0.8。

另外，蓄电池的容量会受到环境温度的影响，当温度升高，蓄电池的容量会增加，反之则减少，因此在上述步骤S2中增加温度校正是优选的；蓄电池从工作到停止都有一定的自恢复时间。当停机时间大于蓄电池的自恢复时间时，就要考虑到蓄电池自放电对电池容量产生的影响，因此在上述步骤S2中增加自放电校正是优选的；电池的循环使用会导致其容量的损失，随着电池循环使用次数的增加电池容量的损失也会相应增加，因此在上述步骤S2中增加循环次数(或称电池老化)校正是优选的。

如图3所示，本发明实施例还提供了一种蓄电池荷电状态计算装置，包括：

初始荷电状态计算模块1，用于根据开路电压法和人工神经网络法计算该蓄电池的初始荷电状态；

荷电状态计算模块2，用于根据该初始荷电状态和充放电电流值，采用累计电量法计算该蓄电池的荷电状态。

优选地，上述始荷电状态计算模块1可以包括开路电压法计算子模块、人工神经网络法计算子模块和求和子模块，其中，开路电压法计算子模块用于采用开路电压法计算蓄电池的第一初始荷电状态，人工神经网络法计算子模块用于采用人工神经网络法计算蓄电池的第二初始荷电状态，求和子模块用于将该第一初始荷电状态与第一权值系数的乘积以及第二初始荷电状态与第二权值系数的乘积求和，作为初始荷电状态，其中第一权值系数和第二权值系数之和为1。优选地，上述第一权值系数和第二权值系数随蓄电池的荷电状态变化。例如，当蓄电池的荷电状态小于10％或大于90％时，该第一权值系数为0.9-1，更优选为1，第二权值系数为0-0.1，更有选为0；当蓄电池的荷电状态在30％-70％之间，第一权值系数为0-0.1，更优选为0，第二权值系数为0.9-1，更优选为1；当蓄电池的荷电状态在10％～30％之间或70％～90％之间，第一权值系数为0.1-0.3，更优选为0.2，第二权值系数为0.7-0.9，更优选为0.8

优选地，上述荷电状态计算模块可以包括温度校正模块、自放电校正模块、电池老化(循环次数)校正模块中的至少一个对荷电状态进行校正。

本发明实施例的蓄电池荷电状态计算装置，采用开路电压法和人工神经网络法来综合预测初始荷电状态值，提高了初始荷电状态值的计算精度；通过在预测了荷电状态时进一步增加了温度校正、循环次数(电池老化)校正和自放电校正中的至少一个，提高了荷电状态的预测精度。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。