蓄电池荷电状态在线估计检测方法及系统的制作方法
【专利摘要】本发明公开了一种蓄电池荷电状态在线估计检测方法及系统，本发明针对UPS蓄电池放电电压变化的特殊性，将蓄电池放电过程的建模时间上分为两段并分别建模，以期更好的模拟UPS机房蓄电池的工况点实际运行情况，并利用此建立的模型，采用多模型扩展卡尔曼滤波算法进行荷电状态在线跟踪估计，从而对电池充放电的荷电状态实现更好的预测，为电池检修和预维护提供依据。
【专利说明】
蓄电池荷电状态在线估计检测方法及系统
技术领域
[0001] 本发明设及电池领域，特别是设及一种蓄电池荷电状态在线估计检测方法及系 统。
【背景技术】
[0002] 电池作为多种工业系统中重要的能源储备，重要性不言而喻。铅蓄电池价格便宜、 容量大、稳定性强，被广泛应用于数据中屯、UPS(Uninterruptit)Ie power system，不间断电 源)后备电源系统等系统中，是保证整个数据中屯、动力系统供电稳定、安全、完备的重要一 环，也是工业控制系统安全运转的重要前提。目前针对电池的研究主要集中在新能源汽车 领域，而对数据中屯、作为IPS后备电源的蓄电池则研究不多。
[000引在数据中屯、建立起的动力环境监控系统中，电池管理子系统（Battery Management System,BMS)主要用于监控电池的运转状态。其中，电池荷电状态（State-of- Charge，S0C)是表征电池系统运行情况非常关键的参数，一般定义为当前电池的电荷量与 额定容量的比值。SOC的值表征当前电池的一个工作状态，并为维护和检修提供依据，因此 对SOC的估计是重要的研究课题。
[0004] 目前，现有技术中针对电池 SOC的建模有很多模型，但现有模型对数据中屯、UPS蓄 电池 SOC的估计误差较大。
【发明内容】
[0005] 产生上述缺陷的原因在于:常规的模型对蓄电池 SOC进行估计的前提是电池荷电 状态SOC保持在中间值（20%~80%)时，电池端电压基本不会发生很大变化;在SOC小于 20%或者大于90%时，电池端电压则会发生剧变;而UPS蓄电池放电时的曲线变化规律不 符合上述前提，具体说，UPS蓄电池在SOC保持在中间值时，刚开始恒流放电时，电池端电压 也会发生巨大变化。
[0006] 鉴于上述发现的原因及为了克服上述现有技术的缺陷，本发明要解决的技术问题 是提供一种UPS蓄电池的电池荷电状态在线估计检测方法及系统，用W提高对UPS蓄电池 SOC的估计精度。
[0007] 为解决上述技术问题，本发明中的一种蓄电池荷电状态在线估计检测方法，包括： [000引设立模型时间采样分界点，基于设立的所述模型时间采样分界点，将蓄电池的单 体电池恒流放电过程中单体电池端电压随电池荷电状态变化情况分为强变化阶段和平稳 变化阶段，并对应建立用于描述单体电池信号数据与单体电池荷电状态变化关系的第一阶 段模型和第二阶段模型；
[0009] 确定待检测的蓄电池的单体电池的模型时间采样分界点，并从待检测的蓄电池中 选取预设个数的单体电池；
[0010] 采集各单体电池的单体电池信号数据，基于确定的模型时间采样分界点，将采集 的各单体电池的单体电池信号数据，代入所述第一阶段模型和所述第二阶段模型中进行进 行模型参数辨识，得到各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的 模型结构；
[0011] 基于辨识得到的各单体电池的所述第一阶段模型的模型结构和所述第二阶段模 型的模型结构，对每个单体电池采用单模型的扩展卡尔曼滤波器估计出该单体电池在第K 时刻的电池荷电状态；
[0012] 基于估计出的各单体电池的电池荷电状态，采用多模型扩展卡尔曼滤波器估计出 带检测的蓄电池在第即寸刻的荷电状态。
[0013] 为解决上述技术问题，本发明中的一种蓄电池荷电状态在线估计检测系统，包括：
[0014] 建模模块，用于设立模型时间采样分界点，基于设立的所述模型时间采样分界点， 将蓄电池的单体电池恒流放电过程中单体电池端电压随电池荷电状态变化情况分为强变 化阶段和平稳变化阶段，并对应建立用于描述单体电池信号数据与单体电池荷电状态变化 关系的第一阶段模型和第二阶段模型；
[0015] 模型识别模块，用于确定待检测的蓄电池的单体电池的模型时间采样分界点，并 从待检测的蓄电池中选取预设个数的单体电池；
[0016] 采集各单体电池的单体电池信号数据，基于确定的模型时间采样分界点，将采集 的各单体电池的单体电池信号数据，代入所述第一阶段模型和所述第二阶段模型中进行进 行模型参数辨识，得到各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的 模型结构；
[0017] 在线估计模块，用于基于辨识得到的各单体电池的所述第一阶段模型的模型结构 和所述第二阶段模型的模型结构，对每个单体电池采用单模型的扩展卡尔曼滤波器估计出 该单体电池在第即寸刻的电池荷电状态；
[0018] 基于估计出的各单体电池的电池荷电状态，采用多模型扩展卡尔曼滤波器估计出 带检测的蓄电池在第即寸刻的荷电状态。
[0019] 本发明有益效果如下：
[0020] 本发明主要针对UPS蓄电池放电电压变化的特殊性，将蓄电池放电过程的建模时 间上分为两段并分别建模，W期更好的模拟IPS机房蓄电池的工况点实际运行情况，并利用 此建立的模型，采用多模型扩展卡尔曼滤波算法进行在线跟踪估计，从而对电池充放电的 荷电状态实现更好的预测，为电池检修和预维护提供依据。
【附图说明】
[0021] 图1是现有技术中电池端电压与SOC函数变化关系示意图；
[0022] 图2是本发明实施例中多模型H(F滤波示意图；
[0023] 图3是本发明实施例中单体电池放电电流随时间变化关系示意图；
[0024] 图4是本发明实施例中单体电池电压随时间变化关系示意图；
[0025] 图5是本发明实施例中第一阶段线性多项式拟合图；
[0026] 图6是本发明实施例中第二阶段模型拟合图；
[0027] 图7是本发明实施例中EKF法和安时计量法的SOC估计过程示意图；
[0028] 图8是本发明实施例中H(F法和安时计量法的SOC估计过程误差示意图；
[0029] 图9是本发明实施例中1 = 3模型下的自适应跟踪结果示意图；
[0030] 图10是本发明实施例中L = 3模型下各模型的概率分布变化情况示意图；
[0031] 图11是本发明实施例中L = 3模型下各模型的估计误差示意图；
[0032] 图12是本发明实施例中不同模型个数下估计误差比较示意图。
【具体实施方式】
[0033] 针对电池 SOC的建模有很多模型，常采用的计算模型包括化epherd模型、化newehr 模型、Nernst模型等，运类模型的特点是，它由电池的电化学模型经过一定的简化得到。但 是，采用上述模型对SOC进行估计的前提是，电池端电压和当前的SOC值符合如图1所示的函 数变化关系：
[0034] 电池荷电状态SOC保持在中间值(20%~80%)时，电池的端电压基本不会发生很 大变化;而在SOC小于20%或者大于90%时，端电压则会发生剧变。
[0035] 然而通过实验发现，数据中屯、UPS蓄电池放电时的曲线变化不符合上图的规律。在 SOC中间地段变化范围内，刚开始恒流放电时，端电压也会发生巨大变化。因此如果仅用现 有计算模型来对蓄电池进行模型辨识的话，在放电初期端电压剧烈下降的阶段，模型估计 将与实际系统之间的误差较大。
[0036] 鉴于上述发现的原因及为了克服上述现有技术的缺陷，本发明提供了一种电池荷 电状态在线估计检测方法及系统，W下结合附图W及实施例，对本发明进行进一步详细说 明。应当理解，此处所描述的具体实施例仅用W解释本发明，并不限定本发明。
[0037] 在本发明的一个实施方式中，一种蓄电池荷电状态在线估计检测方法，包括：
[0038] 建模步骤:设立模型时间采样分界点，基于设立的所述模型时间采样分界点，将 蓄电池的单体电池恒流放电过程中单体电池端电压随电池荷电状态变化情况分为强变化 阶段和平稳变化阶段，并对应建立用于描述单体电池信号数据与单体电池荷电状态变化关 系的第一阶段模型和第二阶段模型；
[0039] 模型识别步骤:确定待检测的蓄电池的单体电池的模型时间采样分界点，并从待 检测的蓄电池中选取预设个数的单体电池；
[0040] 采集各单体电池的单体电池信号数据，基于确定的模型时间采样分界点，将采集 的各单体电池的单体电池信号数据，代入所述第一阶段模型和所述第二阶段模型中进行进 行模型参数辨识，得到各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的 模型结构；
[0041] 在线估计步骤:基于辨识得到的各单体电池的所述第一阶段模型的模型结构和所 述第二阶段模型的模型结构，对每个单体电池采用单模型的扩展卡尔曼滤波器估计出该单 体电池在第即寸刻的电池荷电状态；
[0042] 基于估计出的各单体电池的电池荷电状态，采用多模型扩展卡尔曼滤波器估计出 带检测的蓄电池在第即寸刻的荷电状态。
[0043] 本发明实施方式主要针对UPS蓄电池放电电压变化的特殊性，将蓄电池放电过程 的建模时间上分为两段并分别建模，W期更好的模拟UPS机房蓄电池的工况点实际运行情 况，并利用此建立的模型，采用多模型扩展卡尔曼滤波算法进行在线跟踪估计，从而对电池 充放电的荷电状态实现更好的预测，为电池检修和预维护提供依据。
[0044] 在本发明的又一个实施方式中，一种蓄电池荷电状态在线估计检测系统，包括：
[0045] 建模模块，用于设立模型时间采样分界点，基于设立的所述模型时间采样分界点， 将蓄电池的单体电池恒流放电过程中单体电池端电压随电池荷电状态变化情况分为强变 化阶段和平稳变化阶段，并对应建立用于描述单体电池信号数据与单体电池荷电状态变化 关系的第一阶段模型和第二阶段模型；
[0046] 模型识别模块，用于确定待检测的蓄电池的单体电池的模型时间采样分界点，并 从待检测的蓄电池中选取预设个数的单体电池；
[0047] 采集各单体电池的单体电池信号数据，基于确定的模型时间采样分界点，将采集 的各单体电池的单体电池信号数据，代入所述第一阶段模型和所述第二阶段模型中进行进 行模型参数辨识，得到各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的 模型结构；
[0048] 在线估计模块，用于基于辨识得到的各单体电池的所述第一阶段模型的模型结构 和所述第二阶段模型的模型结构，对每个单体电池采用单模型的扩展卡尔曼滤波器估计出 该单体电池在第即寸刻的电池荷电状态；
[0049] 基于估计出的各单体电池的电池荷电状态，采用多模型扩展卡尔曼滤波器估计出 带检测的蓄电池在第即寸刻的荷电状态。
[0050] W下详细说明本发明的方法实施方式和系统实施方式。
[0051] 一、建模模块和建模步骤：
[0052] 为了叙述方便，用到的公式符号意义如下表所示：
[0化3]
[0054] 第一阶段：即恒流放电前半段化《ko)
[0055] 此时电池刚进入恒流，根据文献，本文做类似的推导，认定在机房常溫(T = 25°C) 及工况点下，可认为电池的荷电状态SOC与电池端电压之间呈现近似多项式线性拟合的关 系，即：
[0056；
(1 )
[0057]其中比o，Ki，. . .，Kn]是模型需要估计的参数。根据（I)式，即E =出体，求得参数：
[0化引 K=化1了地1)-1化了相 (2)
[0059] 第二阶段：即恒流放电后半段化>ko)
[0060] 此时电池端电压不发生剧烈的变化，而是平稳缓慢随着SOC发生变化，因为端电压 变化在平稳段，此时适合采用化rnst模型比较适合，即：
[0061] yk = E〇CT-R*ik+Kiln(a〇+K2ln(l-xk) (3)
[0062] 其中be化=曲"，1?瓜瓜]'，是模型需要估计的参数。根据(3)式，可知：
[0063]
(4)
[0064] 因此可求得参数：
[00化]be化二化2了地2)-1出T相 (5)
[0066] 通过(2)、（5)式可求得两阶段下两个模型的参数。但是SOC的值是未知的，运里采 用安时计量法对SOC进行估算。
[0067] 根据安时计量法，剩余容量满足：
[0068]
(6)
[0069] 换成离散递推公式如下：
[0070]
巧)
[0071] 由（7)式可知，通过采集电池放电电流ik，可求出任意时刻的SOC值Xk;再将求得的 (7)中SOC值带入公式(2)和公式巧），根据实测的电压yk和上述计算得到的Xk之间的模型关 系，采用最小二乘法可计算得出两个模型的K参数和beta参数，从而得到模型的结构，如公 式（8)。因为两段模型分别用的是多项式模型和化rnst模型，因此本文称之为Poly-Nernst 模型。
[007^
(8)
[0073] 也就是说，所述对应建立用于描述单体电池信号数据与单体电池荷电状态变化关 系的第一阶段模型和第二阶段模型的步骤包括：
[0074] 在小于等于设立的所述模型时间采样分界点的时间段，建立用于描述单体电池端 电压与单体电池荷电状态随时间变化的线性关系的化Iy模型；
[0075] 在大于设立的所述模型时间采样分界点的时间段，建立用于描述单体电池端电压 与单体开路电压、单体放电电流和单体电池荷电状态随时间变化的平稳关系的Nerns t模 型。
[0076] 所述建模模块包括：
[0077] 第一阶段建模模块，用于在小于等于设立的所述模型时间采样分界点的时间段， 建立用于描述单体电池端电压与单体电池荷电状态随时间变化的线性关系的化Iy模型；
[0078] 第二阶段建模模块，用于在大于设立的所述模型时间采样分界点的时间段，建立 用于描述单体电池端电压与单体开路电压、单体放电电流和单体电池荷电状态随时间变化 的平稳关系的化rnst模型。
[0079] 二、模型识别模块和模型识别参数
[0080] 本发明试验选用的是机房UPS蓄电池组华达电池，其额定电压2V，额定容量Qc = SOOAh,因为是放电测试，因此放电系数为1。放电倍率采用0.1C。因为整个UPS处于在线工作 状态，电池放电深度只放容量的30%左右，放电中止电压设为1.8V。抽取某组UPS共240节电 池中4节典型电池作为测试样本，在有带WS负载下，对电池组进行恒流放电测试。电池放电 前的额定容量、初始容量、初始电压数值如下表：
[0081] 亲1
[0082]
[0083] 设定t〇 = 5min为模型建模分界点时间，在0~5min采用多项式建模，5min后采用 化rnst模型。同时考虑到放电开始时端电压变化较剧烈，而放电后期则变化较平缓，因此调 整数据采样周期，〇~5111；[]1内13 = 63,5111；[]1后13 = 6〇3。
[0084] 经过采集滤波处理，放电过程中=节电池端电压、电流的变化过程图3和图4所示。 所有电池均串联，因此所有通过的单体电池的电流大小都是一样的。
[0085] 由图3可知，在0.2C放电倍率下，电流很快就达到了恒流放电电流，约90A。由图4可 知，在恒流放电过程中，电池端电压在初始阶段有很快的下降，随后有一定的回升，然后随 着放电深度的增加端电压缓慢下降。说明不能单纯用传统的化rnst计算模型来估计SOC值。
[0086] 对抽取的4节工况下的电池，对第一阶段进行多项式拟合得到的结果如图5所示， 可W看出，在N=4和N = 5时yk和Xk拟合的误差已经很小了。因此选择N = 4阶的多项式拟合， 得到的S节电池的多项式系数K如下表2所示，其中系数仅为数值，无物理意义。
[0087] 表2第一阶段模型辨识参数(IO8)
[008引
[0089] 对第2阶段进行化rnst模型拟合，得到S节电池的拟合参数如下表3所示。
[0090] 表3第二阶段模型辨识参数
[0091]
[0092] 值得注意的是，Nernst模型中的参数有物理意义，其中Eocv和R分别为电池的开路 电压和内阻。由表3可知，S节电池的开路电压均在2.3V左右，内阻在2mQ左右。此时可W看 到模型辨识如图6所示，可W说该模型还是比较能拟合实际电池的模型的。
[0093] 图5和图6的实验结果表明，该Poly-Nernst模型能够比较好的辨识铅蓄电池的放 电情况。
[0094] 也就是说，在本步骤中还可W包括：
[00%]在进行模型参数辨识时，对每个单体电池采集1组单体电池信号数据，对该组单体 电池信号数据进行多项式拟合得到拟合的单体电池信号数据，将多项式拟合后的单体电池 信号数据代入所述第一阶段模型和所述第二阶段模型中进行进行模型参数辨识。
[0096] 其中，对每个单体电池采集1组单体电池信号数据时，在小于等于确定的所述模型 时间采样分界点的时间段内设置第一采样周期，在大于确定的所述模型时间采样分界点的 时间段内设置第二采样周期;所述第一采用周期大于所述第二采样周期。
[0097] 在本模块中包括：
[0098] 数据拟合模块，用于在进行模型参数辨识时，对每个单体电池采集1组单体电池信 号数据，对该组单体电池信号数据进行多项式拟合得到拟合的单体电池信号数据，将多项 式拟合后的单体电池信号数据代入所述第一阶段模型和所述第二阶段模型中进行进行模 型参数辨识。
[0099] 采样周期设置模块，用于对每个单体电池采集1组单体电池信号数据时，在小于等 于确定的所述模型时间采样分界点的时间段内设置第一采样周期，在大于确定的所述模 型时间采样分界点的时间段内设置第二采样周期;所述第一采用周期大于所述第二采样周 期。
[0100] 下面将利用辨识得到的模型结构进行邸。仿真估计。
[0101] s、soc在线估计算法
[0102] 1.单模型EKF SOC估计
[0103] 由公式（1)和(3)可知，端电压yk与SOC值Xk是非线性关系，因此采用扩展卡尔曼滤 波化K巧算法。邸F离散形式的状态方程和观测方程如下：
[0104] 状态方程：
[0105]
巧3
[0106] 观测方程：
[0107] yk = CkXk+Vk = g(Xk,Uk)+Vk (10)
[010引f(xk，Uk)和g(祉，Uk)均是由电池模型确定的非线性方程，师和Vk分别为状态噪声和 观测噪声。对于第2节中的化Iy-Nerns t模型，对应有：
[0109] (11)
[01川上式Xk即SOC值，yk即端电压值，从而得至化KF的递推公式如下：
[0110] 灯 2)
[01。] (13)
[0 …] (14)
[0114] 此时卡尔曼滤掘狀杰估计估协方差为：
[0115] (巧）
[0116]
[0117] (1 6)
[011 引
[0119] (17)
[0120] (18)
[0121] 具体说，模型辨识后对系统进行SOC跟踪估计。为了比较，试验采取将邸F法和安时 计量法的估计过程进行对比，安时计量法的计算方式采用公式(7)，得到两种估计过程和估 计误差分别如图7和图8所示。
[0122] 可W看出，随着放电的进行，EKF估计法在放电初始时误差相对较大，特别是在 300s前后，运主要是由于本文的化Iy-Nernst模型是由两部分模型结构组成的，在模型切换 时产生了相对较大的误差，但随着放电的深入，误差逐渐减小，估计值和真实更接近。而安 时法则在初期估计值误差相对较小，随着时间的累积误差逐渐增大。因此，EKF法能比较稳 定的对SOC值实现估计，并且EKF估计的SOC误差比安时计量法整体要小。同时，随着估计时 长的增加，误差并不会累积变大;而安时计量法随着时间的累积，估计误差越来越大，运也 是安时计量法的劣势。
[0123] 为多次验证，对=节电池放电过程中的平均误差进行对比，得到如表4所示的对 比。可W看出，整体上邸F估计误差小于安时计量法，也即邸F估计法要优于安时计量法。
[0124] 表4S0C平均估计误差比较
[0125]
[0126] 2.多模型EKF SOC估计
[0127] 多模型自适应滤波如上图2所示。因为前面建立的是非线性模型，此处每一路采 用扩展卡尔曼滤波的方式进行SOC估计。设共有L个EKF模型，在k时刻，SOC的真实值为Xk，第 i路邸F模型的输出为祉1，每一路滤波器的输出组合形成了最终多模型滤波SOC估计输出Xk, 计算如下：
[0128]
(19)
[0129] 其中，P(ai|xk)，i = l，. . .，L为k时刻所有模型的概率分布，根据Bayes全概率公式：
(20)
[0130]
[0131] 其中，P(Qj I Xk-I)为第k-1时刻，第j个模型的概率，P(祉I Qj,Xk-I)表示第j个EKF滤波 器的条件概率密度函数。理论上讲，与真实系统越靠近的模型，其条件概率密度也越大，即 可认为模型i在第k时刻的输出值和实际SOC值之间的残差eik表征了系统的条件概率密度。 误差eik计算如下：
[0132] e：Lk = xk-化i ,i二 (21)
[0133] 可知eik的均值iie = 0,设其方差为oik，则观测到的噪声方差为：
[0134] X 化=PikT〇ikP化+R化，i = l，. . .，L (22)
[0135] 其中Pik为第i个卡尔曼滤波器k时刻状态估计协方差，Rik为第i个卡尔曼滤波器k 时刻的测量噪声方差。因此P(xk|a叫k-i)可由e化组成的多维高斯分布密度计算，公式如下：
[0136]
^ 23)
[0137] 其中n表示观测向量的维度。
[0138] 为测试多模型的估计效果，采用L = 3时，3个邸F模型自适应滤波跟踪进行测试，模 型跟踪结果、各模型概率分布变化情况、各模型误差变化分别如图9、图10、图11所示。其中 模型1、2、3分别采用的是上述辨识得到的电池#4、#50、#66的模型结构。
[0139] 由图9可看出，L = 3下的多模型自适应SOC估计首先与model 2最接近，然后切换到 model 3,从而保证估计值与真实SOC值最接近。图10是=个模型概率分布随时间变化过程， 可W看出随着时间变化，多模型自适应匹配上从model 2转向了model 3。图11表明了各单 个模型下模型误差与L = 3下多模型估计误差的对比图，可W看出多模型下的误差是最小 的。
[0140] 为了比较不同模型个数下的估计效果，选取在L = 2,3,4个模型结构下，比较估计 的测试结果，其误差比较如图12所示，其中模型选取的是上述的四节电池辨识得到的模型。 可知，模型个数L = 2时的误差相对于L = 3，L = 4下的误差还是比较大的，即增加模型个数， 能够显著的减少估计误差。同时也看到，L = 3和L = 4下相比较，误差减小的不明显，即模型 的估计精度有一定的限度，运主要是受限于测试设备的环境噪声、测量的精度等条件，也即 模型的个数并非越多越好。
[0141] 可W看出，多模型自适应估计输出是选择当前各模型结构下最优的输出作为当前 系统的估计结果，其效果是优于任意单一模型估计结果的。另一方面，综合考虑系统估计的 准确性和模型的复杂度，模型的个数选择并非越多越好，从本文来看，模型个数为3即可满 足试验的要求。
[0142] 根据W上测试分析表明，本发明针对数据中屯、UPS蓄电池的运行情况，着重对蓄电 池在工况点下的放电运行进行了研究。首次提出了化Iy-Nernst模型，即采用多项式拟合与 扩展卡尔曼滤波相结合的方式，对电池放电端电压和荷电状态之间的关系进行建模，通过 合理的试验采集对模型进行了辨识，得到了良好的辨识结果。利用辨识的模型，采用扩展卡 尔曼滤波的方式对蓄电池的SOC运行情况进行模拟在线估计，并将其估计效果和安时计量 法进行了对比，从而得到，采用自建的化Iy-Nernst模型能够很好地实现对SOC的在线估计， 并且相对于安时计量法没有累计误差。为使模型能有更好的适应性，进一步提出采用多模 型自适应扩展卡尔曼滤波算法对电池 SOC进行估计，从而得到多模型自适应估计效果优于 任意单一模型的估计结果，同时提出为兼顾SOC估计的准确性和模型的复杂度，自适应模 型的个数选择3可满足要求。
[0143] 具体描述发明的实施步骤：
[0144] 1.初始化参数舶，11，电初值X0,自适应模型个数L(选择的单体电池个数），迭代次数 N等；
[0145] 2.电池信号采集和预处理，得到电池端电压氣、放电电流I；;
[0146] 3.系统参数辨识Q = I :L)
[0147] 3.1利用公式（7)计算xi,k;
[0148] 3.2利用公式（1)、（2)、（4)、（5)分别求第1个模型的参数1(1和66化1;
[0149] 3.3重复3.1、3.2节，求得1 = 1:1个模型的参数；
[0150] 4. SOC在线估计
[0151] 4.1初始化Wi,k和Vi,k的方差分别为Owi哺Ovi2,荷电估计方差初值Pi,0;
[0152] 4.2计算多模型滤波器组一步预测化= 1:N):
[0153] 4.2.1第i个滤波器一步迭代Q = I :L)
[0154] (1)利用公式（13)计算偏导数Al,k-i;
[0巧5] (2)由状态方程(7)计算SOC估计值
[0156] (3)由式（15)计算状杰估计值协方左：
[0157]
[0158] (4)由式(8)计算状态的估计值裘
[0159] (5)由式（14)求偏导数Ci,k;
[0160] (6)由公式(16)计算卡尔曼滤波增益：
[0161]
[0162] (7)更新状态xi,k及其方差Pi,k:
[0163]
[0164]
[0165] (8)重复步骤(1)~(8)，计算第i = l:L个滤波器的一步输出估计；
[0166] 4.2.2计算多模型输出Xk
[0167] (1)利用公式（21)、（22)、（23)计算 p(xk|aj，祉-1);
[016引（2)由式(20)计算k时刻的模型概率分布p(ailxk);
[0169] (3)由式（19)计算多模型输出Xk;
[0170] 4.3按4.2节的步骤依次递推，计算k = l:N步的预测估计，直至结束。
[0171] 本发明中实施方式通过对UPS蓄电池工况下的电池放电进行完整的建模，采集的 数据要全面反映电池的运行状态，具有代表性。
[0172] 在线估计时选择的模型个数影响了整体的估计性能。模型个数太多则影响估计实 时速度，模型个数太少则影响估计的准确性，因此要根据试验结果合理选择模型的个数。
[0173] 由于模型在时间上分成了两段，因此要考虑对模型分段点的确定。同时第一段模 型在时间运行上比较短，第二段模型在时间运行上比较长，因此两段模型在数据采集时的 采样间隔上设置不一样。
[0174] 由此，对于建立起了动力环境监控系统的数据中屯、机房，可采用本方法直接对SOC 进行在线估计，从而可减少部分人工维护的充放电测试的工作量;达到电池预维护的目的。
[0175] 虽然本申请描述了本发明的特定示例，但本领域技术人员可W在不脱离本发明概 念的基础上设计出来本发明的变型。本领域技术人员在本发明技术构思的启发下，在不脱 离本
【发明内容】
的基础上，还可W对本发明的方法做出各种改进，运仍落在本发明的保护范 围之内。
【主权项】
1. 一种蓄电池荷电状态在线估计检测方法，其特征在于，包括： 设立模型时间采样分界点，基于设立的所述模型时间采样分界点，将蓄电池的单体电 池恒流放电过程中单体电池端电压随电池荷电状态变化情况分为强变化阶段和平稳变化 阶段，并对应建立用于描述单体电池信号数据与单体电池荷电状态变化关系的第一阶段模 型和第二阶段模型； 确定待检测的蓄电池的单体电池的模型时间采样分界点，并从待检测的蓄电池中选取 预设个数的单体电池； 采集各单体电池的单体电池信号数据，基于确定的模型时间采样分界点，将采集的各 单体电池的单体电池信号数据，代入所述第一阶段模型和所述第二阶段模型中进行进行模 型参数辨识，得到各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型 结构； 基于辨识得到的各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的 模型结构，对每个单体电池采用单模型的扩展卡尔曼滤波器估计出该单体电池在第K时刻 的电池荷电状态； 基于估计出的各单体电池的电池荷电状态，采用多模型扩展卡尔曼滤波器估计出带检 测的蓄电池在第K时刻的荷电状态。2. 如权利要求1所述的方法，其特征在于，所述对应建立用于描述单体电池信号数据与 单体电池荷电状态变化关系的第一阶段模型和第二阶段模型的步骤包括： 在小于等于设立的所述模型时间采样分界点的时间段，建立用于描述单体电池端电压 与单体电池荷电状态随时间变化的线性关系的Poly模型； 在大于设立的所述模型时间采样分界点的时间段，建立用于描述单体电池端电压与单 体开路电压、单体放电电流和单体电池荷电状态随时间变化的平稳关系的Nerns t模型。3. 如权利要求1所述的方法，其特征在于，所述预设个数为3个。4. 如权利要求1-3中任意一项所述的方法，其特征在于，所述方法还包括： 在进行模型参数辨识时，对每个单体电池采集1组单体电池信号数据，对该组单体电池 信号数据进行多项式拟合得到拟合的单体电池信号数据，将多项式拟合后的单体电池信号 数据代入所述第一阶段模型和所述第二阶段模型中进行进行模型参数辨识。5. 如权利要求4所述的方法，其特征在于，所述方法还包括： 对每个单体电池采集1组单体电池信号数据时，在小于等于确定的所述模型时间采样 分界点的时间段内设置第一采样周期，在大于确定的所述模型时间采样分界点的时间段内 设置第二采样周期;所述第一采用周期大于所述第二采样周期。6. -种蓄电池荷电状态在线估计检测系统，其特征在于，包括： 建模模块，用于设立模型时间采样分界点，基于设立的所述模型时间采样分界点，将蓄 电池的单体电池恒流放电过程中单体电池端电压随电池荷电状态变化情况分为强变化阶 段和平稳变化阶段，并对应建立用于描述单体电池信号数据与单体电池荷电状态变化关系 的第一阶段模型和第二阶段模型； 模型识别模块，用于确定待检测的蓄电池的单体电池的模型时间采样分界点，并从待 检测的蓄电池中选取预设个数的单体电池； 采集各单体电池的单体电池信号数据，基于确定的模型时间采样分界点，将采集的各 单体电池的单体电池信号数据，代入所述第一阶段模型和所述第二阶段模型中进行进行模 型参数辨识，得到各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型 结构； 在线估计模块，用于基于辨识得到的各单体电池的所述第一阶段模型的模型结构和所 述第二阶段模型的模型结构，对每个单体电池采用单模型的扩展卡尔曼滤波器估计出该单 体电池在第K时刻的电池荷电状态； 基于估计出的各单体电池的电池荷电状态，采用多模型扩展卡尔曼滤波器估计出带检 测的蓄电池在第K时刻的荷电状态。7. 如权利要求6所述的系统，其特征在于，所述建模模块包括： 第一阶段建模模块，用于在小于等于设立的所述模型时间采样分界点的时间段，建立 用于描述单体电池端电压与单体电池荷电状态随时间变化的线性关系的Poly模型； 第二阶段建模模块，用于在大于设立的所述模型时间采样分界点的时间段，建立用于 描述单体电池端电压与单体开路电压、单体放电电流和单体电池荷电状态随时间变化的平 稳关系的Nernst模型。8. 如权利要求6所述的系统，其特征在于，所述预设个数为3个。9. 如权利要求6-8中任意一项所述的系统，其特征在于，所述模型识别模块还包括数据 拟合模块，用于在进行模型参数辨识时，对每个单体电池采集1组单体电池信号数据，对该 组单体电池信号数据进行多项式拟合得到拟合的单体电池信号数据，将多项式拟合后的单 体电池信号数据代入所述第一阶段模型和所述第二阶段模型中进行进行模型参数辨识。10. 如权利要求9所述的系统，其特征在于，所述模型识别模块还包括采样周期设置模 块，用于对每个单体电池采集1组单体电池信号数据时，在小于等于确定的所述模型时间采 样分界点的时间段内设置第一采样周期，在大于确定的所述模型时间采样分界点的时间段 内设置第二采样周期;所述第一采用周期大于所述第二采样周期。
【文档编号】G06F17/50GK105954682SQ201610340818
【公开日】2016年9月21日
【申请日】2016年5月20日
【发明人】陈苏, 朱海龙, 张章, 康春建, 曹可建, 刘鑫沛
【申请人】国家计算机网络与信息安全管理中心