储能系统的SOC估算方法及装置、设备及存储介质

储能系统的soc估算方法及装置、设备及存储介质
技术领域
1.本发明涉及储能系统技术领域，尤其涉及一种储能系统的soc估算方法及装置、设备及存储介质。


背景技术：

2.电池充电阶段为先恒流充电再恒压充电；恒流充电阶段，电流恒定，电压持续升高，当电压升高到一定值时转为恒压充电；恒压充电阶段，电压恒定，电流缓慢下降。电池在放电过程中将依据使用情况的实际需求，进行动态复杂放电。并且电池在充电和放电阶段soc-ocv曲线将会存在明显的差值，这个差值就是滞回电压造成的，其中，soc(state ofcharge)代表电池的荷电状态，ocv(open circuit voltage)代表电池的开路电压。这些特点就决定了对电池进行soc估算时需要考虑充电和放电其电压和电流不同及充电和放电电池将会存在滞回特性。
3.现有的电池soc估算单独只考虑电池充电阶段或者放电阶段对电池进行soc估算，其估算结果不精确；此外目前大部分做电池soc估算没有考虑电池充电和放电时其会存在滞回特性，导致相同开路电压ocv在充电和放电阶段将会对应不同的soc，这也将导致soc估算不准确。
4.因此，目前储能电池的soc状态的估算方式仍然有待提高。


技术实现要素：

5.本发明的主要目的在于提供一种储能系统的soc估算方法及装置、设备及存储介质，可以解决现有技术中的soc估算不够准确的问题。
6.为实现上述目的，本发明第一方面提供一种储能系统的soc估算方法，所述方法包括：
7.获取所述储能系统的恒流充电阶段、恒压充电阶段和放电阶段的电压数据、电流数据和温度数据；
8.基于所述电压数据、电流数据、温度数据以及所述储能系统在充放电时的滞回特性，确定恒流充电阶段的交互模型、恒压充电阶段的交互模型和放电阶段的交互模型；
9.分别对所述交互模型进行无迹卡尔曼滤波处理，确定各个所述交互模型的k时刻的第一状态向量估计值，所述状态向量估计值用于反映所述交互模型的soc状态；
10.根据各个所述交互模型的第一状态向量估计值进行交互式多模型的soc融合估算，确定k+1时刻所述储能系统的目标状态向量估计值，所述目标状态向量估计值用于反映所述储能系统的soc状态。
11.在一种可行实现方式中，所述分别对所述交互模型进行无迹卡尔曼滤波处理，确定各个所述交互模型的k时刻的第一状态向量估计值，包括：
12.利用自适应遗忘因子递推最小二乘法对所述交互模型进行参数辨识处理，确定各个所述交互模型的模型参数；
13.根据各个所述交互模型的模型参数，确定所述储能系统的状态方程；
14.利用所述状态方程分别对所述交互模型进行无迹卡尔曼滤波，确定各个所述交互模型的k时刻的第一状态向量估计值。
15.在一种可行实现方式中，所述利用所述状态方程分别对所述交互模型进行无迹卡尔曼滤波，确定各个所述交互模型的k时刻的第一状态向量估计值，包括：
16.对于每个交互模型：
17.在k＝0时，利用所述状态方程进行无迹卡尔曼滤波的初始化处理，确定k＝0时所述交互模型的初始状态向量估计值；
18.令k＝k+1进入无迹卡尔曼滤波的迭代过程：
19.确定k-1时刻的第一数据样本集，所述数据样本集包括若干个k-1时刻的状态向量；
20.将第一数据样本集、k-1时刻的第二状态向量估计值以及第一协方差输入预设的状态更新模型，确定k时刻的第三状态向量估计值以及第三协方差；
21.利用k时刻的第三状态向量估计值以及第三协方差进行k时刻的数据重采样，确定第二数据样本集；
22.将所述第二数据样本集、第二状态向量估计值以及第三状态向量估计值输入预设的均值和协方差模型，确定k时刻的目标状态向量均值以及目标状态向量协方差；
23.根据目标状态向量均值、目标状态向量协方差以及第三状态向量估计值，确定所述交互模型的k时刻的第一状态向量估计值，令k＝k+1，并返回执行所述确定k-1时刻的第一数据样本集，所述数据样本集包括若干个k-1时刻的状态向量的步骤。
24.在一种可行实现方式中，所述根据目标状态向量均值、目标状态向量协方差以及第三状态向量估计值，确定所述交互模型的k时刻的第一状态向量估计值，包括：
25.利用目标状态向量均值、目标状态向量协方差以及预设的增益矩阵算法，确定k时刻所述无迹卡尔曼滤波的增益矩阵；
26.利用所述增益矩阵以及第三状态向量估计值，确定所述交互模型的k时刻的第一状态向量估计值。
27.在一种可行实现方式中，所述交互式多模型包括输入交互模型以及输出交互模型，则所述根据各个所述交互模型的第一状态向量估计值进行交互式多模型的soc融合估算，确定k+1时刻所述储能系统的目标状态向量估计值，包括：
28.将各个所述交互模型的第一状态向量估计值输入所述输入交互模型进行输入交互，确定输入交互后的各个所述交互模型的k时刻第四状态向量估计值；
29.对所述第四状态向量估计值进行无迹卡尔曼滤波处理，确定k+1时刻各个所述交互模型的第五状态向量估计值、残差及残差协方差；
30.根据预设的模型概率算法、所述残差以及残差协方差，确定k+1时刻各个所述交互模型的模型概率；
31.将各个所述交互模型的模型概率以及第五状态向量估计值输入所述输出交互模型进行状态融合，确定k+1时刻所述储能系统的目标状态向量估计值。
32.在一种可行实现方式中，所述根据预设的模型概率算法、所述残差以及残差协方差，确定k+1时刻各个所述交互模型的模型概率，包括：
33.将所述残差以及残差协方差输入预设的似然函数算法，确定k+1时刻每个交互模型的似然函数；
34.利用所述似然函数、k时刻的各个所述交互模型的模型概率以及所述模型概率算法，确定k+1时刻各个所述交互模型的模型概率。
35.在一种可行实现方式中，所述根据各个所述交互模型的第一状态向量估计值进行交互式多模型的soc融合估算，确定k+1时刻所述储能系统的目标状态向量估计值，之后还包括：
36.利用预设的soc状态提取算法以及所述目标状态向量估计值，确定k+1时刻所述储能系统的目标状态向量估计值。
37.为实现上述目的，本发明第二方面提供一种储能系统的soc估算装置，所述装置包括：
38.数据获取模块：用于获取所述储能系统的恒流充电阶段、恒压充电阶段和放电阶段的电压数据、电流数据和温度数据；
39.模型建立模块：用于基于所述电压数据、电流数据、温度数据以及所述储能系统在充放电时的滞回特性，确定恒流充电阶段的交互模型、恒压充电阶段的交互模型和放电阶段的交互模型；
40.状态估算模块：用于分别对所述交互模型进行无迹卡尔曼滤波处理，确定各个所述交互模型的k时刻的第一状态向量估计值，所述状态向量估计值用于反映所述交互模型的soc状态；
41.状态确定模块：用于根据各个所述交互模型的第一状态向量估计值进行交互式多模型的soc融合估算，确定k+1时刻所述储能系统的目标状态向量估计值，所述目标状态向量估计值用于反映所述储能系统的soc状态。
42.为实现上述目的，本发明第三方面提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如第一方面及任一可行实现方式所示步骤。
43.为实现上述目的，本发明第四方面提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面及任一可行实现方式所示步骤。
44.采用本发明实施例，具有如下有益效果：
45.本发明提供一种储能系统的soc估算方法，方法包括：获取储能系统的恒流充电阶段、恒压充电阶段和放电阶段的电压数据、电流数据和温度数据；基于电压数据、电流数据、温度数据以及储能系统在充放电时的滞回特性，确定恒流充电阶段的交互模型、恒压充电阶段的交互模型和放电阶段的交互模型；分别对交互模型进行无迹卡尔曼滤波处理，确定各个交互模型的k时刻的第一状态向量估计值，状态向量估计值用于反映交互模型的soc状态。根据各个交互模型的第一状态向量估计值进行交互式多模型的soc融合估算，确定k+1时刻储能系统的目标状态向量估计值，目标状态向量估计值用于反映储能系统的soc状态。通过上述方式，建立了储能系统的多个的交互模型，在soc估算过程中考虑了不同的充放电阶段以及滞回特性，有利于提高估算结果的准确性，并且通过后续的无迹卡尔曼滤波以及交互式多模型的处理，进一步的提高估算结果的准确性。
附图说明
46.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.其中：
48.图1为本发明实施例中一种储能系统的soc估算方法的流程图；
49.图2为本发明实施例中一种不同充放电阶段的电流-电压变化曲线示意图；
50.图3为本发明实施例中一种考虑滞回特性的等效二阶rc电路示意图；
51.图4为本发明实施例中一种充电开路电压和放电开路电压滞回曲线图；
52.图5为本发明实施例中一种储能系统的soc估算方法的另一流程图；
53.图6为本发明实施例中一种恒流充电阶段的交互模型采用affrls参数辨识结果图；
54.图7为本发明实施例中一种恒压充电阶段的交互模型采用affrls参数辨识结果图；
55.图8为本发明实施例中一种恒流放电阶段的交互模型采用affrls参数辨识结果图；
56.图9为本发明实施例中一种恒流充电阶段的交互模型采用aukf进行soc估算图；
57.图10为本发明实施例中一种恒压充电阶段的交互模型采用aukf进行soc估算图；
58.图11为本发明实施例中一种恒流放电阶段的交互模型采用aukf进行soc估算图；
59.图12为本发明实施例中一种imm-aukf系统框图；
60.图13为本发明实施例中一种imm-aukf进行soc估算融合图；
61.图14为本发明实施例中一种储能系统的soc估算装置的结构框图；
62.图15为本发明实施例中计算机设备的结构框图。
具体实施方式
63.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，所描述的实施例仅仅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，本领域普通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。
64.请参阅图1，图1为本发明实施例中一种储能系统的soc估算方法的流程图，如图1所示方法包括如下步骤：
65.101、获取所述储能系统的恒流充电阶段、恒压充电阶段和放电阶段的电压数据、电流数据和温度数据；
66.102、基于所述电压数据、电流数据、温度数据以及所述储能系统在充放电时的滞回特性，确定恒流充电阶段的交互模型、恒压充电阶段的交互模型和放电阶段的交互模型；
67.需要说明的是，本技术所示的储能系统的soc估算方法是为了进行储能系统的实时soc计算，以便动态掌握储能系统的soc状态。首先，为了计算储能系统的soc，需要建立储能系统的等效模型，本技术根据不同的充放电阶段为储能系统建立至少三个等效电路的交
互模型，以提高储能系统的等效模型的建模准确度。具体的，结合储能系统的充放电时的滞回特性以及储能系统的恒流充电阶段、恒压充电阶段和放电阶段的电压数据、电流数据和温度数据，建立储能系统的充电交互模型以及放电交互模型，其中，充电交互模型可以包括恒流充电阶段的交互模型、恒压充电阶段的交互模型以及放电阶段的交互模型，其中，储能系统可以为储能电池等。温度数据、电压数据以及电流数据的获取方式，可以是通过设置在储能系统的传感器采集得到，并得到每个充放电阶段的温度数据、电压数据以及电流数据，以此建立每个充放电阶段的交互模型。
68.示例性的，以储能系统为储能电池为例，步骤101可以具体包括：通过电压电流采集设备采集电池的恒流充电阶段、恒压充电阶段和放电阶段时的电压和电流，通过温度传感器采集各个阶段的电池的极柱温度。
69.本实施例采用某型号、额定容量为660ah的铅炭电池为实验对象，电池额定电压均为2v，放电截止电压为1.8v，最大充电电流为300a。在放电1.8v时视soc为0，然后先采用0.1c即66a恒流充电至电压达到2.35v，再以恒压2.35v充电至电流小于9a视为电池充满，充电结束。以0.05c即33a对充满的电池进行恒流放电至压为1.85v，电池soc为20％时止放电。采用蓝电电池测试系统采集充放电电压、电流数据，采用ds18b20粘贴式温度传感器进行温度测量。室温为25℃，电池在充电和放电时温度会略微有所上升，但温升不大，即视为测试温度恒定为25℃。可以参阅图2，图2为本发明实施例中一种不同充放电阶段的电流-电压变化曲线示意图，图2中示出了恒流充电时采集到的电压电流和电压，电流恒定为66a，电压从1.8v逐渐上升至2.35v；恒压充电时采集到的电压和电流，电压恒定在2.35v，电流从66a逐渐下降至9a视为电池已充满；恒流放电时采集到的电压和电流，电流恒定为-33a，电压从2.35v逐渐下降至1.95v，此时电池soc为20％，结束放电。
70.进一步的，步骤102具体包括：电池充电阶段为先恒流充电再恒压充电；恒流充电阶段，电流恒定，电压持续升高，当电压升高到2.35v时转为恒压充电；恒压充电阶段，电压恒定，电流缓慢下降，并且电池在充电阶段和放电阶段开路电压会存在滞回特性。依据恒流恒压充电阶段电压和电流不同，用考虑滞回特性的等效二阶rc电路来建立带滞回特性的电池恒流充电交互模型和带滞回特性的恒压充电交互模型。电池放电阶段可能会存在短时恒流，短时恒压，及其他复杂动态工况放电，用考虑滞回特性的等效二阶rc电路来建立带滞回特性的电池放电交互模型。请参阅图3，图3为本发明实施例中一种考虑滞回特性的等效二阶rc电路示意图。图3示出了基于电化学阻抗谱考虑滞回特性的等效二阶rc电路，上述电路由电池平衡电势emf和滞回电压uh组成电压源来代替电池的开路电压u
ocv(soc,h,t)
，由电阻r0代替储能电池的欧姆内阻，由二阶rc电路来代替等效电路的极化电阻和极化电容。
71.其中，储能系统的状态方程和观测方程为：
[0072][0073]
式中，
[0074][0075]
τ1＝r1c1；
[0076]
τ2＝r2c2；
[0077]
其中，开路电压u
ocv(soc,h,t)
可以表示为：
[0078]uocv(soc,h,t)
＝emf+uh[0079]
式中，滞回电压uh和平衡电势emf计算公式如下：
[0080][0081]
式中，η取值为0.5～1，u
charge
为充电时电池的平衡态端电压，u
discharge
为放电时电池的平衡态端电压,本实施例中η取值为0.5。
[0082]
可以参阅图4，图4为本发明实施例中一种充电开路电压和放电开路电压滞回曲线图，从图4的充放电滞回电压曲线中可以看出，相同的soc下。电池充电阶段电池的的开路电压要明显高于电池放电阶段的开路电压，或者说相同的开路电压，在电池充电时对应的soc要明显小于电池放电时的soc，其soc差值以达到30％soc。可见电池的滞回特性对电池soc估算的精确性有很大的影响。所以在进行电池充电和放电时必须考虑其滞回特性，分别对充电和放电进行建模，采用不同的soc-ocv曲线进行参数辨识和soc估算。
[0083]
103、分别对所述交互模型进行无迹卡尔曼滤波处理，确定各个所述交互模型的k时刻的第一状态向量估计值，所述状态向量估计值用于反映所述交互模型的soc状态；
[0084]
得到每个充放电阶段的交互模型之后，可以通过无迹卡尔曼滤波(简称：aukf滤波)进行交互模型的soc估算，具体的，分别对交互模型进行无迹卡尔曼滤波处理，确定各个交互模型的k时刻的第一状态向量估计值，其中，状态向量估计值用于反映交互模型的soc状态。通过aukf滤波的处理，便可以得到恒压充电阶段的交互模型的k时刻的状态向量估计值、恒流充电阶段的交互模型的k时刻的状态向量估计值以及放电阶段的交互模型的k时刻的状态向量估计值。其中，由于状态向量为多电力参数的状态估计值构成的矩阵，以三电力参数的状态向量xk为例，xk是由u1、u2以及soc构成的三参数矩阵，因此，状态向量估计值可以用于反映交互模型的soc状态。
[0085]
需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
[0086]
104、根据各个所述交互模型的第一状态向量估计值进行交互式多模型的soc融合估算，确定k+1时刻所述储能系统的目标状态向量估计值，所述目标状态向量估计值用于反映所述储能系统的soc状态。
[0087]
得到每个交互模型k时刻的第一状态向量估计值之后，可以利用每个交互模型的第一状态向量估计值以及预设的交互式多模型(interacting multiple model，imm)进行
交互式多模型的soc融合处理，确定k+1时刻所述储能系统的目标状态向量估计值，也即k+1时刻储能系统的soc状态。通过上述方式，便可以实时的通过多个等效的交互模型的估算soc进行融合，实现对储能系统soc的实时计算。
[0088]
其中，交互式多模型控制算法的主体思想是基于贝叶斯理论而提出的模型间的自动识别与切换：在任意跟踪时刻，通过设置对应目标可能模型数量的模型滤波器来进行实时的机动模型检测，对每一个滤波器设置权重系数和模型更新的概率，最后加权计算得出当前最优估计状态，从而达到模型自适应跟踪的目的。
[0089]
因此，通过上述交互式多模型(imm)对多个交互模型的soc进行融合计算，确定储能电池的实时soc，计算的准确度更高，更好延长电池使用寿命以及更好的维护电网安全稳定运行。
[0090]
本发明提供一种储能系统的soc估算方法，方法包括：获取储能系统的恒流充电阶段、恒压充电阶段和放电阶段的电压数据、电流数据和温度数据；基于电压数据、电流数据、温度数据以及储能系统在充放电时的滞回特性，确定恒流充电阶段的交互模型、恒压充电阶段的交互模型和放电阶段的交互模型；分别对交互模型进行无迹卡尔曼滤波处理，确定各个交互模型的k时刻的第一状态向量估计值，状态向量估计值用于反映交互模型的soc状态。根据各个交互模型的第一状态向量估计值进行交互式多模型的soc融合估算，确定k+1时刻储能系统的目标状态向量估计值，目标状态向量估计值用于反映储能系统的soc状态。通过上述方式，建立了储能系统的多个的交互模型，在soc估算过程中考虑了不同的充放电阶段以及滞回特性，有利于提高估算结果的准确性，并且通过后续的无迹卡尔曼滤波以及交互式多模型的处理，进一步的提高估算结果的准确性。
[0091]
请参阅图5，图5为本发明实施例中一种储能系统的soc估算方法的另一流程图，如图5所示方法包括如下步骤：
[0092]
501、获取所述储能系统的恒流充电阶段、恒压充电阶段和放电阶段的电压数据、电流数据和温度数据；
[0093]
502、基于所述电压数据、电流数据、温度数据以及所述储能系统在充放电时的滞回特性，确定恒流充电阶段的交互模型、恒压充电阶段的交互模型和放电阶段的交互模型；
[0094]
需要说明的是，步骤501以及步骤502的内容与图1所示方法中步骤101以及102的内容相似，为避免重复此处不做赘述，具体可参考前述图1所示方法中步骤101以及102的内容。
[0095]
503、利用自适应遗忘因子递推最小二乘法对所述交互模型进行参数辨识处理，确定各个所述交互模型的模型参数；
[0096]
需要说明的是，进行滤波之前需要进行各个交互模型的模型参数的辨识处理，通过自适应遗忘因子递推最小二乘法(affrls)对所述交互模型进行参数辨识处理，确定各个所述交互模型的模型参数。
[0097]
示例性的，利用采集到的电压、电流、温度数据对建立的考虑带滞回特性的电池的恒流充电阶段的交互模型、带滞回特性的恒压充电阶段的交互模型和带滞回特性的电池放电阶段的交互模型，采用自适应遗忘因子递推最小二乘(affrls)进行实时参数辨识。其计算公式可推导为：
[0098][0099]
式中，λ为自适应遗忘因子，l、r为调节系数，e2(k+1)为估计误差的平方值。θk为参数辨识系统的输入，为k+1时刻系统的观测值，y(k+1)为k+1时刻系统的真实反馈值，k(k+1)为系统的增益，p(k+1)为系统协方差矩阵，e为单位矩阵，t为转置。本实施例中l取值为1，r取值为0.04。
[0100]
请参阅图6-8，其中，图6为本发明实施例中一种恒流充电阶段的交互模型采用affrls参数辨识结果图；图7为本发明实施例中一种恒压充电阶段的交互模型采用affrls参数辨识结果图；图8为本发明实施例中一种恒流放电阶段的交互模型采用affrls参数辨识结果图，从三个图对比可以看出在恒流、恒压充电阶段和放电阶段的每个阶段电池内阻r0、极化内阻r1、浓差内阻r2、极化电容c1和浓差电容c2都不一样，恒流充电结束时的内阻和恒压充电开始时的内阻值基本接近。
[0101]
504、根据各个所述交互模型的模型参数，确定所述储能系统的状态方程；
[0102]
505、利用所述状态方程分别对所述交互模型进行无迹卡尔曼滤波，确定各个所述交互模型的k时刻的第一状态向量估计值，所述状态向量估计值用于反映所述交互模型的soc状态；
[0103]
得到每个交互模型的模型参数之后，便可以对交互模型的soc状态进行估算，首先，根据交互模型的模型参数确定储能系统的状态方程，进而通过aukf滤波确定交互模型k时刻的第一状态向量估计值，将辨识得到的模型参数，使用aukf滤波对带滞回特性的电池恒流充电交互模型、带滞回特性的恒压充电交互模型以及带滞回特性的放电交互模型进行soc预估。
[0104]
示例性的，系统的状态方程和观测方程，参考下式：
[0105][0106]
xk＝[soc
k u
1k u
2k
]
t
；
[0107]
式中，xk代表k时刻的状态向量的估计值，sock为k时刻的soc状态的估计值，u
1k
为k时刻的电压u1状态估计值，u
2k
为k时刻的电压u2状态估计值，t为转置。a
k-1
为k-1时刻系统状态转移矩阵，b
k-1
为k-1时刻系统控制矩阵，w
k-1
为k-1时刻系统过程噪声，ck为k时刻系统的观测矩阵，dk为k时刻直联矩阵，vk为k时刻观测噪声，xk也可以看做k时刻状态变量，uk为k时刻输入变量。
[0108]
进一步的，对于每个交互模型，步骤505，可以包括：
[0109]
a1、在k＝0时，利用所述状态方程进行无迹卡尔曼滤波的初始化处理，确定k＝0时所述交互模型的初始状态向量估计值；
[0110]
通过步骤a1初始化设置状态量及协方差矩阵，参考下式：
[0111][0112]
式中，x0为k＝0时的状态向量，为k＝0时的初始状态向量估计值，且为求期望后的状态向量估计值；p0为k＝0时的协方差，e代表求期望，t为转置。
[0113]
a2、令k＝k+1进入无迹卡尔曼滤波的迭代过程：
[0114]
a3、确定k-1时刻的第一数据样本集，所述数据样本集包括若干个k-1时刻的状态向量；
[0115]
需要说明的是，通过上一时刻的先验概率进行当前时刻的状态估计，进而需要利用k-1时刻的第二状态向量估计值以及第一协方差进行k-1时刻的数据采样，确定第一数据样本集，其中，该数据样本集包括若干个k-1时刻的状态向量，也即将采集的一个数据点扩充为n个数据点，其中，该数据样本集可以称为西格玛(sigma，σ)采样本，该sigma采样本包括k-1时刻的2n+1个σ点。
[0116]
具体的，利用k-1时刻的第二状态向量估计值和第一协方差p
k-1
计算k-1时刻的2n+1个σ点，即为sigma采样本。
[0117][0118]
式中：表示矩阵(n+λ)p
k-1
的第i列，其总长度为n，为k-1时刻的状态向量估计值，为更新后的k-1时刻的状态向量估计值，i为数据点编号。
[0119]
a4、将第一数据样本集、k-1时刻的第二状态向量估计值以及第一协方差输入预设的状态更新模型，确定k时刻的第三状态向量估计值以及第三协方差；
[0120]
进一步的，通过第一样本数据集中的数据点对k时刻的状态向量进行估计，通过将第一数据样本集、第二状态向量估计值以及第一协方差输入预设的状态更新模型，确定k时刻的第三状态向量估计值以及第三协方差。
[0121]
示例性的，基于步骤a3样本集的采样点计算k时刻的第三状态向量估计值和第三协方差p
k/k-1
的一步预测模型值，完成和p
k/k-1
的更新过程，其中，状态更新模型参考下式：
[0122][0123]
式中：q
k-1
为过程噪声方差矩阵；为期望的权值，为方差的权值。
[0124][0125][0126]
式中：εi为电压信息，hk为k时刻电压信息协方差矩阵，l为信息协方差的时窗大小。
[0127]
a5、利用k时刻的第三状态向量估计值以及第三协方差进行k时刻的数据重采样，确定第二数据样本集；
[0128]
最后，可以通过k时刻的估计值进行才样本的重采样，更新样本集。具体的，利用k时刻的第三状态向量估计值和第三协方差p
k/k-1
计算k时刻2n+1个σ点的进一步预测。
[0129][0130]
a6、将所述第二数据样本集、第二状态向量估计值以及第三状态向量估计值输入预设的均值和协方差模型，确定k时刻的目标状态向量均值以及目标状态向量协方差；
[0131]
将所述第二数据样本集、第二状态向量估计值以及第三状态向量估计值输入预设的均值和协方差模型，通过加权步骤a5预测的σ点来计算均值和协方差矩阵，其中，预设的均值和协方差模型参考下式：
[0132][0133][0134][0135]
式中，以及均为k时刻的协方差矩阵、以及均为k时刻的均值，为k时刻的i个状态向量；为k时刻的状态向量；为k时刻的i个观测向量；为k时刻的观测向量，t为转置。
[0136]
a7、根据目标状态向量均值、目标状态向量协方差以及第三状态向量估计值，确定所述交互模型的k时刻的第一状态向量估计值，令k＝k+1，并返回执行所述确定k-1时刻的第一数据样本集，所述数据样本集包括若干个k-1时刻的状态向量的步骤。
[0137]
进一步的，根据目标状态向量均值、目标状态向量协方差以及第三状态向量估计值，确定所述交互模型的k时刻的第一状态向量估计值，示例性的，可以包括步骤b1-b2：
[0138]
b1、利用目标状态向量均值、目标状态向量协方差以及预设的增益矩阵算法，确定k时刻所述无迹卡尔曼滤波的增益矩阵；
[0139]
b2、利用所述增益矩阵以及第三状态向量估计值，确定所述交互模型的k时刻的第一状态向量估计值。
[0140]
也即通过目标状态向量均值、目标状态向量协方差以及第三状态向量估计值，计算aukf增益矩阵，通过增益矩阵进行状态向量的更新迭代。
[0141]
示例性的，增益矩阵算法参考下式：
[0142][0143]
式中，kk为k时刻的增益矩阵，以及均为协方差矩阵。
[0144]
最后进行电池的状态更新和估计协方差更新，参考下式：
[0145][0146]
式中，为k时刻的第一状态向量估计值，pk为k时刻的协方差估计值。
[0147]
请参阅与9-11，图9为本发明实施例中一种恒流充电阶段的交互模型采用aukf进行soc估算图；图10为本发明实施例中一种恒压充电阶段的交互模型采用aukf进行soc估算图；图11为本发明实施例中一种恒流放电阶段的交互模型采用aukf进行soc估算图，本实施例中n选取为2，l选取为4。对三个交互式模型分别进行soc估算得到图9、图10和图11。从图中可以看出采用自适应无迹卡尔曼滤波算法对电池进行soc估算其误差比安时积分法小，并且他们的误差都在
±
0.005以内，估算精度较高。
[0148]
506、根据各个所述交互模型的第一状态向量估计值进行交互式多模型的soc融合估算，确定k+1时刻所述储能系统的目标状态向量估计值，所述目标状态向量估计值用于反映所述储能系统的soc状态。
[0149]
需要说明的是，步骤506与图1所示方法中的步骤104的内容相似，为避免重复，此处不作赘述，具体可参阅前述图1所示方法中的步骤104的内容。
[0150]
请参阅图12，图12为本发明实施例中一种imm-aukf系统框图，其中，采用交互式多模型(imm)对带滞回特性的电池恒流充电交互模型、带滞回特性的恒压充电交互模型和带滞回特性的放电交互模型进行soc融合估算，得到融合估算后的soc。其中，交互式多模型包括输入交互模型以及输出交互模型，则步骤506可以包括步骤c1-c4：
[0151]
c1、将各个所述交互模型的第一状态向量估计值输入所述输入交互模型进行输入交互，确定输入交互后的各个所述交互模型的k时刻第四状态向量估计值；
[0152]
第一步：输入交互，即将状态向量输入输入交互模型，对模型条件初始化或者重新初始化，得出模型当前时刻各个aukf滤波器输入的状态向量和协方差矩阵。对于模型j，周期为k时，其输入交互模型参考下式：
[0153]
[0154][0155][0156][0157]
式中，为k时刻的模型j的状态估计值；π
lj
为模型j切换到模型l的概率；p
0j
(k|k)为k时刻的模型j的协方差矩阵的值；uj(k)为k时刻模型j的模型概率，m为模型总数量。
[0158]
c2、对所述第四状态向量估计值进行无迹卡尔曼滤波处理，确定k+1时刻各个所述交互模型的第五状态向量估计值、残差及残差协方差；
[0159]
进一步的，对于步骤502中建立的至少三个模型，令j＝1,
…
m，以电池的电压、电流、极柱温度、k时刻模型j的第四状态向量估计值以及协方差p
0j
(k|k)作为输入进行aukf滤波，利用k时刻的和p
0j
(k|k)得到下一时刻k+1的状态向量的估计量及其协方差的估计量p
0j
(k+1|k+1)，残差vj(k+1)及残差协方差sj(k+1)。
[0160]
c3、根据预设的模型概率算法、所述残差以及残差协方差，确定k+1时刻各个所述交互模型的模型概率；
[0161]
其中，步骤c3可以包括步骤d1-d2：
[0162]
d1、将所述残差以及残差协方差输入预设的似然函数算法，确定k+1时刻每个交互模型的似然函数；
[0163]
d2、利用所述似然函数、k时刻的各个所述交互模型的模型概率以及所述模型概率算法，确定k+1时刻各个所述交互模型的模型概率。
[0164]
示例性的，模型概率更新参考下述内容：
[0165]
其中，第j个模型的似然函数可以表示为：
[0166][0167]
式中：
[0168]
残差
[0169]
残差协方差
[0170]
式中，z
k+1
为k+1时刻的观测值(观测向量)，为k时刻的模型j的状态向量；pj(k|k)为k时刻的模型j的协方差，t为转置。
[0171]
具体的，模型j在k+1时刻的混合概率(模型概率)计算式如下：
[0172]
[0173][0174]
式中，uj(k+1)为k+1时刻模型j的模型概率，λj(k+1)为k+1时刻模型j的似然函数；uj(k)为k时刻模型j的模型概率。
[0175]
c4、将各个所述交互模型的模型概率以及第五状态向量估计值输入所述输出交互模型进行状态融合，确定k+1时刻所述储能系统的目标状态向量估计值。
[0176]
最后进行输出交互，将状态向量输入输出交互模型，将模型与其相应的概率进行融合，计算出k+1时刻的状态估计与协方差p(k+1)，其中，输出交互模型参考下式：
[0177][0178][0179]
进一步的，确定k+1时刻所述储能系统的目标状态向量估计值，之后还可以从状态向量中提取soc状态，故还可以利用预设的soc状态提取算法以及所述目标状态向量估计值，确定k+1时刻所述储能系统的目标状态向量估计值。
[0180]
示例性的，通过以下soc状态提取算法，最后输出融合后的soc：
[0181][0182]
式中，soc
ksum
为融合后的soc，为目标状态向量估计值。
[0183]
本实施例中模型j为3，采用imm-aukf对带滞回特性的电池恒流充电交互模型、带滞回特性的恒压充电交互模型和带滞回特性的放电交互模型的soc进行融合估算，融合后输出的soc波形和误差如图13所示，图13为本发明实施例中一种imm-aukf进行soc估算融合图，如图13所示的融合后输出的soc基本与真实值重合，从误差曲线可以看出采用imm-aukf融合输出的误差小于
±
0.001，其soc估算非常精确。
[0184]
本发明提供一种储能系统的soc估算方法，在电池soc估算中，方法优势有：针对电池充电阶段为先恒流充电再恒压充电，放电阶段根据实际需求进行复杂放电，在充电和放电过程中电池开路电压会存在滞回特性，用带滞回特性的等效二阶rc电路来建立带滞回特性的电池恒流充电交互模型和带滞回特性的恒压充电交互模型，放电阶段建立带滞回特性的电池放电交互模型，分别建立不同的交互模型能够更好的反映电池的状态。再采用自适应遗忘因子递推最小二乘法(affrls)对各模型进行参数辨识，其次采用aukf滤波器分别对三个交互模型进行soc估算，aukf用概率密度分布的思想解决非线性系统的问题，相对于安时积分法有更高的精度。最后采用交互式多模型(imm)对带滞回特性的电池恒流充电交互模型、带滞回特性的恒压充电交互模型和带滞回特性的放电交互模型进行soc融合估算，得到融合估算后的soc。这将使得电池在充电和放电阶段都能准确估算出soc。
[0185]
请参阅图14，图14为本发明实施例中一种储能系统的soc估算装置的结构框图，如图14所示装置包括：
[0186]
数据获取模块1401：用于获取所述储能系统的恒流充电阶段、恒压充电阶段和放电阶段的电压数据、电流数据和温度数据；
[0187]
模型建立模块1402：用于基于所述电压数据、电流数据、温度数据以及所述储能系统在充放电时的滞回特性，确定恒流充电阶段的交互模型、恒压充电阶段的交互模型和放电阶段的交互模型；
[0188]
状态估算模块1403：用于分别对所述交互模型进行无迹卡尔曼滤波处理，确定各个所述交互模型的k时刻的第一状态向量估计值，所述状态向量估计值用于反映所述交互模型的soc状态；
[0189]
状态确定模块1404：用于根据各个所述交互模型的第一状态向量估计值进行交互式多模型的soc融合估算，确定k+1时刻所述储能系统的目标状态向量估计值，所述目标状态向量估计值用于反映所述储能系统的soc状态。
[0190]
需要说明的是，图14所示装置中各个模块作用与图1所示方法中各步骤内容相似，为避免重复此处不作赘述，具体可参阅前述图1所示方法中各步骤内容。
[0191]
本发明提供一种储能系统的soc估算装置，装置包括：数据获取模块：用于获取储能系统的恒流充电阶段、恒压充电阶段和放电阶段的电压数据、电流数据和温度数据；模型建立模块：用于基于电压数据、电流数据、温度数据以及储能系统在充放电时的滞回特性，确定恒流充电阶段的交互模型、恒压充电阶段的交互模型和放电阶段的交互模型；状态估算模块：用于分别对交互模型进行无迹卡尔曼滤波处理，确定各个交互模型的k时刻的第一状态向量估计值，状态向量估计值用于反映交互模型的soc状态；状态确定模块：用于根据各个交互模型的第一状态向量估计值进行交互式多模型的soc融合估算，确定k+1时刻储能系统的目标状态向量估计值，目标状态向量估计值用于反映储能系统的soc状态。通过上述方式，建立了储能系统的多个的交互模型，在soc估算过程中考虑了不同的充放电阶段以及滞回特性，有利于提高估算结果的准确性，并且通过后续的无迹卡尔曼滤波以及交互式多模型的处理，进一步的提高估算结果的准确性。
[0192]
图15示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图15所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行上述方法。本领域技术人员可以理解，图15中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0193]
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如图1或图5所示方法的步骤。
[0194]
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如图1或图5所示方法的步骤。
[0195]
本领域普通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非易失性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，本技术所提供
的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0196]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0197]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。