本发明属于电动汽车电池管理系统，尤其是涉及一种基于自适应灰色系统模型的锂电池荷电状态估计方法。
背景技术：
1、锂离子电池因其高能量密度和便利性，被广泛应用于新能源汽车、航空航天系统和消费电子产品等现代生活不可或缺的领域。荷电状态（soc）、健康状态（soh）和功率状态（sop）等关键指标对于评估运行期间的电池性能和预测使用寿命至关重要。其中，soc是最直观的指标，定义为剩余可用容量与满电容量的比值，是电池系统研究和应用的基础参数。然而，soc无法直接测量，必须通过定量的计算方法进行估计。由于锂离子电池固有的非线性行为及其对不断变化工作条件的敏感性，实现准确的soc估计仍然是一个重大挑战。
2、soc估计长期以来一直被认为是电池管理系统（bms）设计和应用中的核心技术。为此，研究人员开发了多种估计算法。根据文献综述，这些方法可以大致分为两类：直接估计方法和间接估计技术。
3、直接soc估计方法的概念是在soc与电流、电压和其他可观测指标等可测量信号之间建立直接映射关系。一类直接方法基于soc的基本定义。例如，放电实验方法是一种离线方法，涉及以恒定电流对电池放电直到达到截止电压。放电时间与电流的乘积得出放电容量，由于其操作简单，可以相对准确地估计soc。另一种广泛使用的技术是安时积分法，也称为库仑计数法。该方法基于已知的初始soc，通过对输入/输出电流随时间积分来计算电池剩余电量。虽然概念简单且常用，但库仑计数法存在几个局限性。它无法直接确定初始soc，其精度对电流测量误差高度敏感。在实践中，电流的波动和离散采样间隔可能导致随时间累积的积分误差，特别是当采样值偏离实际平均电流时。另一类直接估计方法侧重于识别其他可测量指标与soc之间的经验映射关系。例如，开路电压（ocv）方法基于电池静置后测量的电压来估计soc。通过在不同soc水平下基于实验测量的曲线拟合，构建将soc映射到ocv的数据驱动函数或查找表。近年来，基于机器学习的直接估计方法受到关注。这些模型通过对历史数据的训练，学习动态操作数据（如电压、电流、温度）与soc之间的非线性关系。例如，已开发出一种温度感知的soc估计模型，该模型使用优化的长短期记忆网络结合加权衰减ekf，在宽温度范围内实现了稳健的性能。
4、间接估计方法基于安时积分法，通过其他电池模型、机器学习、滤波器等间接获得soc。第一类是结合电池模型的方法，如电化学模型和等效电路模型（ecm）。从基于物理的角度来看，这些模型描述了退化机制。第二类是结合机器学习的方法。将卷积神经网络和长短期记忆循环神经网络应用于soc估计。第三类结合基于安时积分法的滤波算法。卡尔曼滤波（kf）广泛用于非线性系统的实时数据处理，对电动汽车行驶过程中的荷电状态预测效果良好。机器学习框架下的所有算法都建立在大量数据采集的基础上，通过将实际数据与计算数据进行比较，不断优化算法，从而变得越来越完善。
5、然而，上述soc估计方法的实际应用存在若干局限性。对于直接估计技术，放电实验方法主要用于实验室环境中的模型参数识别和验证。在实际条件下，例如电动汽车运行过程中非恒流放电期间，该方法变得无效。同样，安时积分法必须与补充估计技术相结合，以解决与未知初始soc和随时间累积的积分误差相关的问题。虽然ocv方法在理论上简单，但其精度受到不同操作条件的显著影响。此外，它需要大量的测量工作，从而限制了其在实际场景中的适用性。对于间接方法，特别是基于机器学习的方法，soc估计的准确性高度依赖于输入特征的质量和一致性。即使输入的微小偏差，如电流、电压或其他相关参数，也可能导致显著的估计误差。
技术实现思路
1、针对上述背景技术的不足，本发明提出一种基于自适应灰色系统模型的锂电池荷电状态估计方法，借助灰色系统建模简洁的建模结构和处理不确定性的能力，实现仅利用有限的实验数据就能提取soc与ocv之间非线性信息关系，旨在得到准确的锂电池荷电状态估计结果，使得电池制造商与用户精准了解电池的剩余电量情况，从而进行合理的充电计划安排。
2、为实现上述技术目的，本发明提出如下技术方案：
3、一种基于自适应灰色系统模型的锂电池荷电状态估计方法，其具体包括以下步骤：
4、s1、收集锂电池放电过程数据，计算锂电池的荷电状态soc并分析soc特性，再获得锂电池不同荷电状态下的开路电压ocv；
5、s2、构建自适应实数域灰色系统模型argm，建立soc与ocv之间的非线性映射关系，所述自适应实数域灰色系统模型包含可优化的实数域非线性阶数；推导argm模型的离散递归式，并得到开路电压预测值；
6、s3、基于开路电压的参考值和预测值，采用模拟退火智能算法对实数域非线性阶数进行优化，优化完成后得到最优自适应实数域灰色系统模型；
7、s4、将最优自适应实数域灰色系统模型与锂电池的等效电路模型相结合，构建锂电池的状态方程；根据状态方程，通过扩展卡尔曼滤波算法实现对荷电状态soc的在线估计。
8、进一步地，步骤s1具体为：
9、在锂电池完成初始化并达到满电状态后，以恒定电流对其进行完整放电，放电至锂电池的截止电压，收集包括包括时间戳、端电压、电流值、电池表面温度以及累积放电容量在内的锂电池放电过程数据；
10、基于锂电池放电过程数据，采用安时积分法计算荷电状态，并将连续积分转化为离散累加的形式，得到锂电池每个采样时刻的荷电状态soc，同时分析soc的变化速率、与端电压的耦合特性；
11、通过混合脉冲功率特性hppc实验观察电压响应，提取锂电池的内阻、极化特性以及平衡状态下的开路电压ocv。
12、进一步地，步骤s2具体为：
13、不采用传统多项式数据拟合操作，构建以soc累加算子为自变量、ocv累加算子为因变量的自适应实数域灰色系统模型，记为argm(1,1,m,r)，其公式表示为：
14、；
15、其中，为自变量项的项数索引，表示总项数，为第个自变量项的非线性阶数，用以描述soc与ocv间的非线性关系，且≠0；为因变量的系数，为常数项，为第个自变量项的系数；为采样时刻t时的ocv累加算子、为采样时刻t时的soc累加算子，公式表示为：
16、，；
17、其中，为第个采样时刻；
18、通过锂电池放电过程数据获取锂电池soc、ocv在每个采样时刻的参考值，将自适应实数域灰色系统模型离散化后，通过最小二乘法估计参数、；之后对自适应实数域灰色系统模型进行递归迭代，得到argm(1,1,m,r)的离散递归式，公式表示为：
19、；
20、其中，表示第个采样时刻；
21、基于离散递归式，得到开路电压预测值。
22、进一步地，步骤s3具体为：
23、基于开路电压的参考值和预测值设计目标函数，其中为argm模型的非线性阶数集；
24、进行初始化设置：给定初始实数域非线性阶数集、模拟退火智能算法的初始温度、冷却速率、最小温度和最大迭代次数；将代入目标函数，得到初始目标函数；
25、采用双层循环结构进行迭代优化：外层循环控制温度的变化，当当前温度大于预设的最低温度时，算法继续执行；在每个温度下，内层循环执行次迭代搜索，每次迭代搜索时，算法从当前解的邻域生成一个新的候选解，并计算其对应的目标函数值；
26、采用metropolis准则对生成的新解进行接受判断；如果新解优于当前解，则直接接受新解，更新为；如果新解较差，算法不会直接拒绝，而是计算接受概率，并以概率接受该解；
27、当温度小于或等于最低温度时，算法终止并返回最优解及其对应的目标函数值，此时的即argm模型最优的非线性阶数集。
28、进一步地，步骤s4具体为：
29、基于采集到的锂电池放电过程数据，构建锂电池的二阶rc等效电路模型，公式表示为：
30、；
31、其中，为欧姆内阻，即锂电池内部的接触电阻；、为极化电阻，、为极化电容；、为两个rc的两端的电压；
32、根据安时积分法和基尔霍夫定律，将离散化的锂电池荷电状态与锂电池的极化电压应用于扩展卡尔曼滤波器的状态变量，得到锂电池的状态方程，公式表示为：
33、；
34、其中，，为电路电流，为采样时间间隔，为电池的额定容量；
35、将基于最优argm模型得到的开路电压离散值代入上述状态方程，通过扩展卡尔曼滤波算法实现对锂电池soc的在线估计。
36、本发明还公开一种基于自适应灰色系统模型的动力电池荷电状态估计系统，其包括数据采集分析模块、argm模型构建模块、模型参数优化模块、soc在线估计模块，其中：
37、数据采集分析模块，用以收集锂电池放电过程数据，计算锂电池荷电状态 soc并分析其特性，同时获取锂电池不同soc下的开路电压ocv；
38、argm模型构建模块，用以构建包含可优化实数域非线性阶数的自适应实数域灰色系统模型argm，建立soc与ocv的非线性映射关系，推导模型离散递归式并得到ocv预测值；
39、模型参数优化模块，用以基于ocv参考值和预测值，采用模拟退火智能算法优化argm模型的实数域非线性阶数，得到最优自适应实数域灰色系统模型；
40、soc在线估计模块，用以将最优自适应实数域灰色系统模型与锂电池等效电路模型结合构建锂电池状态方程，并根据该状态方程通过扩展卡尔曼滤波算法实现锂电池 soc的在线估计。
41、还公开一种电子设备，其包括存储器和处理器，其中：
42、存储器，用于存储能够在处理器上运行的计算机程序；
43、处理器，用于在运行所述计算机程序时，执行如上所述的一种基于自适应灰色系统模型的锂电池荷电状态估计方法。
44、还公开一种计算机可读存储介质，其存储有计算机指令，所述计算机指令用于使处理器执行时实现如上所述的一种基于自适应灰色系统模型的锂电池荷电状态估计方法。
45、基于上述技术方案，本发明至少具有以下有益效果：
46、1、针对锂电池soc与ocv之间的非线性关系，构建新型自适应灰色系统模型。结合等效电路模型和扩展卡尔曼滤波算法，能够获得较为精准的电池soc估计。自适应灰色系统模型代替了传统的高阶多项式模型，使用模型参数更加准确的描述其非线性关系，同时在不同的放电测试实验下自适应地描述soc变化。
47、2、基于自适应灰色系统模型的soc估计技术，能够提供高精度、高鲁棒性的电量评估。这种精确可靠的soc数据对用户至关重要，它不仅能帮助用户更准确、更自信地掌握电池使用情况，也为用户或系统提供可靠的决策依据，从而能够制定更加合理和科学的充电策略和日程安排。