一种电容器荷电状态的预测方法、装置及电子设备与流程

本发明涉及锂电容荷电状态的技术领域，具体涉及一种电容器荷电状态的预测方法、装置及电子设备。

背景技术：

车用储能装置的剩余容量的状态一般用荷电状态(简称soc)来反映，用百分比的形式表示。锂离子电容器的电化学特征比较复杂，具有一定的电池特性，在混合动力车用环境下，电流、温度等变化较大，为了保证锂离子电容器的合理使用以及锂离子电容器的有效运行，获得准确的soc估计值具有重要的意义。

当前soc估算主要方法有电流积分、开路电压法和神经网络法。其中，电流积分法是在一段时间内得到电荷量的变化情况，由于电流积分法受初始soc精度影响，所以，最终的soc依赖于初始soc的精度，若初始的soc值存在误差，导致最终的soc值的估算误差增加。开路电压(简称ocv)与soc之间存在着一一对应的关系，虽然当电容器处于平衡状态时可以得到精度较高的soc估计值，但是在车载动态工况下，电容器很难处于平衡状态，这将导致估算精度也受到影响。因此，电流积分法与开路电压法均会导致soc估算精度降低，而上述中的神经网络法需要通过大量的参考数据进行训练，虽然可保证soc的估算精度，但是该神经网络法估算算法的误差受训练数据和训练算法的影响，对硬件平台要求高，这些因素都限制了神经网络的实际应用。从而需要解决现有技术中锂离子电容器的soc估计值准确性不高的问题。

技术实现要素：

有鉴于此，本发明实施例提供了一种电容器荷电状态的预测方法、装置及电子设备，以解决现有技术中锂离子电容器的soc估计值准确性不高的问题。

根据第一方面，本发明实施例提供了一种电容器荷电状态的预测方法，包括：获取目标电容器的荷电状态曲线图和在上一时刻的第一荷电状态值；根据所述第一荷电状态值，从所述荷电状态曲线图中确定所述目标电容器在上一时刻的开路电压值；构建所述目标电容器在上一时刻的一阶rc等效电路模型；按照带遗传因子的递归最小二乘算法，更新所述上一时刻的一阶rc等效电路模型中的电参数得到当前时刻的一阶rc等效电路模型；对所述当前时刻的一阶rc等效电路模型进行离散化处理后，采用自适应平方根容积卡尔曼滤波算法得到当前时刻的第二荷电状态值。

结合第一方面，在第一方面第一实施方式中，所述目标电容器包括极化电阻、极化电容、串联电阻和等效电源，其中所述极化电阻与所述极化电容并联连接，所述等效电源分别与所述极化电阻、极化电容连接，所述极化电阻、所述极化电容与所述串联电阻连接。

结合第一方面第一实施方式，在第一方面第二实施方式中，所述构建所述目标电容器在上一时刻的一阶rc等效电路模型的步骤还包括：获取所述目标电容器在充电过程或放电过程中的上一时刻的开路电压值、串联电阻值、极化电阻值和极化电容值；根据所述目标电容器在充电过程或放电过程中的上一时刻的开路电压值、串联电阻值、极化电阻值和极化电容值，构建一阶rc等效电路模型。

结合第一方面第二实施方式，在第一方面第三实施方式中，根据所述目标电容器在充电过程或放电过程中的上一时刻的开路电压值、串联电阻值、极化电阻值和极化电容值，构建一阶rc等效电路模型通过如下公式表示：ut＝uocv-up-iri，其中，rp表示所述一阶rc等效电路中的所述极化电阻值，cp表示所述一阶rc等效电路中的极化电容，up表示所述极化电阻上的电压，ut表示所述一阶rc等效电路的输出电压，ri表示所述一阶rc等效电路中的串联电阻，i表示所述一阶rc等效电路中的负载电流，uocv表示所述一阶rc等效电路中的开路电压。

结合第一方面第三实施方式，在第一方面第四实施方式中，所述对所述等效电路模型进行离散化处理的数学表达式为：ut，k＝uocv，k-up，k-ikri，其中，ts表示采样时间，up，k表示第k采样时刻时所述极化电阻上的电压，up，k-1表示第k-1采样时刻时所述极化电阻上的电压，ut，k表示在k时刻采样时所述一阶rc等效电路的输出电压，uocv，k表示在k采样时刻所述一阶rc等效电路中的开路电压，ik表示k采样时刻所述一阶rc等效电路中的负载电流。

根据第二方面，本发明实施例提供了一种电容器荷电状态的预测装置，包括：第一获取模块，用于获取目标电容器的荷电状态曲线图和在上一时刻的第一荷电状态值；第一处理模块，用于根据所述第一荷电状态值，从所述荷电状态曲线图中确定所述目标电容器在上一时刻的开路电压值；模型构建模块，用于构建所述目标电容器在上一时刻的一阶rc等效电路模型；模型更新模块，用于按照带遗传因子的递归最小二乘算法，更新所述上一时刻的一阶rc等效电路模型中的电参数得到当前时刻的一阶rc等效电路模型；第二处理模块，用于对所述当前时刻的一阶rc等效电路模型进行离散化处理后，采用自适应平方根容积卡尔曼滤波算法得到当前时刻的第二荷电状态值。

根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面任意一个实施方式中所述的电容器荷电状态的预测方法。

根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面或第一方面任意一个实施方式中所述的电容器荷电状态的预测方法。

与现有技术相比，本发明具有以下的有益效果：本发明根据锂离子电容器的电气特性，建立相应的一阶rc等效电路模型。并提出了自适应平方根容积卡尔曼滤波器和可变遗忘因子递归最小二乘法相结合的方法估算锂离子电容器的荷电状态值，自适应平方根容积卡尔曼滤波器用于估计状态变量，可变遗忘因子递归最小二乘法负责更新模型参数，从而使估算的荷电状态值实现更高的估计精度和更强的数值稳定性。

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示出了本发明实施例中的电容器荷电状态的预测方法的流程框图；

图2示出了本发明实施例中的一阶rc等效电路模型的电路结构示意图；

图3示出了本发明实施例中的电容器荷电状态的预测装置的结构示意图；

图4示出了本发明实施例中的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本发明实施例提供了一种电容器荷电状态的预测方法，该方法适用于电动汽车中的锂离子电容器的荷电状态值估算，如图1所示，该方法包括：

步骤s101，获取目标电容器的荷电状态曲线图和在上一时刻的第一荷电状态值；在实际应用中，荷电状态曲线图为待测的锂离子电容器在充放电过程中的soc-ocv曲线图，获取该待测的锂离子电容器在上一时刻时计算的第一荷电状态值。

步骤s102：根据第一荷电状态值，从荷电状态曲线图中确定目标电容器在上一时刻的开路电压值，在实际应用中，；

步骤s103：构建目标电容器在上一时刻的一阶rc等效电路模型；在实际应用中，根据待测的锂离子电容器的在上一时刻的电气特性，该电气特性包括开路电压值、极化电阻的值、极化电容的值和串联电阻的值，构建该待测的锂离子电容器的在上一时刻的一阶rc等效电路模型。

步骤s104：按照带遗传因子的递归最小二乘算法，更新上一时刻的一阶rc等效电路模型中的电参数得到当前时刻的一阶rc等效电路模型；

步骤s105：对当前时刻的一阶rc等效电路模型进行离散化处理后，采用自适应平方根容积卡尔曼滤波算法得到当前时刻的第二荷电状态值。

通过实施本发明实施例中的电容器荷电状态的预测方法，根据目标电容器的电气特性构建一阶rc等效电路模型，通过自适应平方根容积卡尔曼滤波算法和带遗传因子的递归最小二乘算法相结合计算目标电容器的荷电状态值，从而需要解决现有技术中锂离子电容器的soc估计值准确性不高的问题。

可选地，在本发明一些实施例中，如图2所示，上述实施例中的目标电容器包括极化电阻rp、极化电容cp、串联电阻ri和等效电源uocv，其中极化电阻rp与极化电容cp并联连接，等效电源uocv分别与极化电阻rp、极化电容cp连接，极化电阻rp、极化电容cp与串联电阻ri连接。

可选地，在本发明一些实施例中，上述实施例中执行步骤s103过程包括：获取目标电容器在充电过程或放电过程中的上一时刻的开路电压值、串联电阻值、极化电阻值和极化电容值；根据目标电容器在充电过程或放电过程中的上一时刻的开路电压值、串联电阻值、极化电阻值和极化电容值，构建一阶rc等效电路模型。在实际应用中，该一阶rc等效模型的电路图如图2所示，其中，rp表示一阶rc等效电路中的极化电阻值，cp表示一阶rc等效电路中的极化电容，ut表示一阶rc等效电路的输出电压，ri表示一阶rc等效电路中的串联电阻，i表示一阶rc等效电路中的负载电流，uocv表示一阶rc等效电路中的开路电压。

可选地，在本发明一些实施例中，上述实施例中的根据目标电容器在充电过程或放电过程中的上一时刻的开路电压值、串联电阻值、极化电阻值和极化电容值，构建一阶rc等效电路模型通过如下公式(1)和公式(2)表示：

ut＝uocv-up-iri(2)

其中，rp表示一阶rc等效电路中的极化电阻值，cp表示一阶rc等效电路中的极化电容，up表示极化电阻上的电压，ut表示一阶rc等效电路的输出电压，ri表示一阶rc等效电路中的串联电阻，i表示所述一阶rc等效电路中的负载电流，uocv表示所述一阶rc等效电路中的开路电压。

具体地，上述步骤s104中的按照带遗传因子的递归最小二乘算法，更新上一时刻的一阶rc等效电路模型中的电参数得到当前时刻的一阶rc等效电路模型，是通过以下步骤进行更新：

对上述实施例中的公式(1)和(2)执行拉普拉斯变换和z变换的离散格式，得到公式(3)：

ut，k＝(1-a1)uocv，k-1+a1ut，k-1+b0ik+b1ik-1(3)

其中，然后定义：θk＝[(1-a1)uocv，k，a1，b0，b1]^t，yk＝ut，k-uocv，k。

引入遗忘因子提高递归最小二乘算法的收敛速度和跟踪性能，遗忘因子λ可以缓解数据饱和度，增强当前数据的权重，提高算法的跟踪性能。当λ的值越小，系统跟踪能力越强，对噪声越敏感。当λ的值越大，跟踪能力越弱，对噪声的敏感性越小，收敛时的估计误差越小。变量遗忘因子可以根据估计误差实现跟踪性能的自适应调整，具体的算法如下所示：

模型等式为

更新遗忘因子：

更新增益矩阵：

更新参数向量：

更新协方差矩阵：：

其中，k表示采样时刻，k的值大于或等于2，且为正整数。λk表示第k采样时刻的遗忘因子的值，λmin表示遗忘因子的最小值，pk是第k采样时刻时的协方差矩阵，kk是第k采样时刻时的增益矩阵，round是指舍入积分函数。

具体地，上述步骤s105中的对当前时刻的一阶rc等效电路模型进行离散化处理后，采用自适应平方根容积卡尔曼滤波算法得到当前时刻的第二荷电状态值，是通过以下步骤得到的：

根据当前时刻的一阶rc等效电路模型得到当前时刻的状态方程(4)和观测方程(5)：

ut，k＝uocv，k-up，k-ikri+vk(5)

其中，yk＝ut，k分别表示离散时刻k中的状态变量和观测变量。将uk＝ik定义为系统的外部控制变量，假设状态噪声和观测噪声vk为独立同分布，具有协方差矩阵qk和rk的加性高斯白噪声。

该算法使用一系列等权重的容积点来近似后验分布的最佳状态，基于三阶球面径向容积规则计算容积点。

其中ξi是指定义的cubature点集合，n是状态变量的维度。ei表示n维单位矩阵的第i列。每个容积点具有相同的权重

采用基于最大似然估计的协方差自适应匹配方法，以适应动态工况中噪声信息的不确定性，平方根法可以高精度地保证状态协方差的正定性，避免cholesky分解非正定矩阵引起的偏差，影响算法性能。具有协方差自适应匹配方法和平方根方法的算法过程如下所示。

模型方程：

初始化：

时间更新：

计算容积点：

更新状态估计和误差协方差：

测量更新：

计算容积点：

更新新息防方差和交叉协方差：

更新增益矩阵：

更新噪声协方差：

更新状态和协方差矩阵：

其中s＝tria(a)是qr分解，s是a的平方根矩阵，它是下三角矩阵。，指的是协方差矩阵的cholesky分解，hk是从观测方程导出的雅可比矩阵：

本发明实施例还提供了一种电容器荷电状态的预测装置，如图3所示，包括：第一获取模块101，用于获取目标电容器的荷电状态曲线图和在上一时刻的第一荷电状态值，详细内容参见上述方法实施例中的步骤s101中所述内容；第一处理模块102，用于根据所述第一荷电状态值，从所述荷电状态曲线图中确定所述目标电容器在上一时刻的开路电压值，详细内容参见上述方法实施例中的步骤s102中所述内容；模型构建模块103，用于构建所述目标电容器在上一时刻的一阶rc等效电路模型，详细内容参见上述方法实施例中的步骤s103中所述内容；模型更新模块104，用于按照带遗传因子的递归最小二乘算法，更新所述上一时刻的一阶rc等效电路模型中的电参数得到当前时刻的一阶rc等效电路模型，详细内容参见上述方法实施例中的步骤s104中所述内容；第二处理模块105，用于对所述当前时刻的一阶rc等效电路模型进行离散化处理后，采用自适应平方根容积卡尔曼滤波算法得到当前时刻的第二荷电状态值，详细内容参见上述方法实施例中的步骤s105中所述内容。

通过实施本发明实施例中的电容器荷电状态的预测装置，根据目标电容器的电气特性构建一阶rc等效电路模型，通过自适应平方根容积卡尔曼滤波算法和带遗传因子的递归最小二乘算法相结合计算目标电容器的荷电状态值，从而需要解决现有技术中锂离子电容器的soc估计值准确性不高的问题。

本发明实施例还提供了一种电子设备，如图4所示，该电子设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图4中以通过总线连接为例。

处理器51可以为中央处理器(centralprocessingunit，cpu)。处理器51还可以为其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的电容器荷电状态的预测方法对应的程序指令/模块(例如，图3所示的第一获取模块101、第一处理模块102、模型构建模块103、模型更新模块104和第二处理模块105)。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的电容器荷电状态的预测方法。

存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1-3所示实施例中的电容器荷电状态的预测方法。

上述电子设备具体细节可以对应参阅图1至图2所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flashmemory)、硬盘(harddiskdrive，缩写：hdd)或固态硬盘(solid-statedrive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，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。