专利名称：一种基于单体电池一致性的蓄电池组soc估计改进方法
技术领域：
本发明涉及一种蓄电池组SOC估计改进方法，尤其是涉及一种基于单体电池一致性的蓄电池组SOC估计改进方法。
背景技术：
传统的电池管理系统(Battery Management System, BMS)对电池内部状态，特别是对荷电状态(State ofcharge, S0C)进行估计时，往往将整个电池组看成一个整体来进行估计，实际上，由于电池组内部各单体之间存在不一致，因此，以整体状态代替各个单体进行管理是存在其不合理性的。比如，当电池组内部某节电池的荷电状态为20%，另一节的荷电状态为80%，很显然，这两节电池一个接近过放，一个接近过充，而此时，管理系统对电池组的状态估计值可能是50%。由于整车使用时将整个电池组作为一个电池来看待，因此，在大强度放电时，20%的电池容易发生过放，而在大强度充电时，80%的电池容易发生过充。在以往较常见的便携式设备的电池成组应用中，由于成组的电池数量比较少，使用工况变化并不剧烈，因此电池之间差异所造成的影响并不突出。但是在车载动力电池的应用中，成组电池的数量从几十节到几万节不等，加之使用工况变化十分剧烈，很容易出现如上所述的非正常情况。这种情况会使整组电池的使用寿命缩短，并可能造成单体电池提前失效，甚至引起安全隐患，导致系统使用和维护成本增加。这一问题已经成为制约电动汽车产业化发展和应用的瓶颈问题之一。而受制于车用控制器的体积和成本上的限制，对每一节单体电池都进行参数辨识并不现实。因此，有必要在目前的BMS系统架构下提供一种基于电池组内部一致性状态的 SOC估计修正方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种能够将电池组内各单体电池的SOC差异真实地反映在整组SOC估计上的方法，该方法能够判断电池组内各单体电池在SOC上的一致性程度，并基于单体电池的一致性进行蓄电池组SOC估计修正。本发明的目的可以通过以下技术方案来实现一种基于单体电池一致性的蓄电池组SOC估计改进方法，该方法包括基于自适应神经网络的模糊规则库的离线学习建模过程和基于模糊规则库的在线SOC估计修正过程，具体步骤如下首先利用蓄电池组模型的训练数据集、基于一致性修正的SOC预测数据和自适应神经网络构建具有优化结构和参数的模糊规则库；然后将离线学习后的模糊规则库移植入BMS的嵌入式控制器的模糊推理机中，对蓄电池组SOC估计进行在线修正。所述的离线学习建模过程具体包括以下步骤1)通过单体电池试验建立能反映单体电池在使用过程中动态特性的单体电池模型并获得单体电池的参数和状态分布规律；
2)根据单体电池模型建立电池组模型；3)采用激励电流作为电池组模型的输入，仿真获得模糊规则库的输入数据集，并设置预定目标输出参数；4)将输入数据集输入到模糊规则库中；5)计算模糊规则库输出值与预定目标输出参数的差，并将其作为神经网络训练算法的学习依据，修正模糊规则库规则节点的权重值，返回步骤4)直到模糊规则库的输出与预定目标输出参数的差小于预设的阈值；6)离线学习结束。所述的模糊规则库包括模糊化层、规则适用度计算层、规则适用度归一化层、解模糊化层和输出层。所述的输入数据集为BMS可实时在线采集的数据所组成的特征量，所述的可实时在线采集的数据包括单体电池电压、电池组电压、电池组电流和单体电池SOC的变化数据。所述的预定目标输出参数为整组SOC估计值与基于一致性修正后的SOC预测值之差。所述的神经网络训练算法包括BP训练算法以及BP和最小二乘法相结合的混合搜
索算法。所述的在线SOC估计修正过程包括以下步骤1)将经过离线学习建模过程的模糊规则库移植入BMS的嵌入式控制器的模糊推理机中；2)嵌入式控制器实时采集实际电池组的参数，并提取其特征量作为模糊规则库的输入，模糊规则库计算出电池组SOC估计的修正量；3)采用传统方法估算当前实际电池组的SOC估计值；4)将修正量与SOC估计值相加即可得到修正后的实际电池组的SOC修正预测值。所述的传统方法为卡尔曼滤波器法、电流积分法、模糊推理法或神经网络法。与现有技术相比，本发明可在目前BMS的硬件系统架构下实施，并可按照电池组一致性的实际状态对整组SOC的状态估计进行修正，判断电池组内各单体电池在SOC上的一致性程度，从而为车辆能量管理策略、判断电池组的一致性程度及变化趋势提供更加真实有效的参考信息。
图1为本发明可以反映电池动态特性的单体电池数学模型以及由其组成的电池组模型；图2为本发明所构建的模糊规则库结构示意图；图3为用于SOC —致性修正的模糊规则库建模步骤以及训练优化过程流程图；图4为传统的整组SOC估计与一致性模糊推理修正相结合的电池组SOC在线预测流程图。
具体实施例方式下面结合附图和具体实施例对本发明进行详细说明。
实施例一种基于单体电池一致性的蓄电池组SOC估计改进方法，该方法包括基于自适应神经网络的模糊规则库的离线学习建模过程和基于模糊规则库的在线SOC估计修正过程， 具体步骤如下首先利用蓄电池组模型的训练数据集、基于一致性修正的SOC预测数据和自适应神经网络构建具有优化结构和参数的模糊规则库；然后将离线学习后的模糊规则库移植入BMS的嵌入式控制器的模糊推理机中，对蓄电池组SOC估计进行在线修正。如图1所示，为用于获得训练数据集的带分布参数特性的蓄电池组模型。模型所描述的电池组为由单体电池模型串联组成。单体电池模型中Uocv是电池的开路电压；电阻 R0用来描述电池欧姆内阻，RpC1和I 2、C2用来描述电池的极化效应。锂离子电池工作的物理化学过程相当复杂，要描述清楚也相当困难，但是，可以大致地把锂离子的运动分成在电极间的传输过程与在电极上的扩散过程两个部分，即在电路模型中分别用两个RC环节来描述锂离子活动时受到的阻碍或电池表现出的阻抗。用时间常数较小的R1C1环节来描述锂离子在电极间传输时受到的阻抗，用时间常数较大的I^2C2环节来描述锂离子在电极材料中的扩散时受到的阻抗，因为后者的过程更为复杂，除了锂离子在固相电极材料中的扩散外， 电极材料的晶体结构也会由于锂离子数量的逐渐积累而发生改变，故锂离子在电极中的扩散所受到的阻碍因素更多，也较其在电解液中的扩散慢的多。考虑到电池的SOC-OCV仅用一个电容代替会带来无法容忍的非线性误差，因此，图1中OCV用一个非线性函数来代替， 它是SOC参数的函数。这种包含SOC的非线性等效电路模型由线性部分和非线性部分组成， 并通过了工况充放电以及电化学阻抗谱试验的验证，表明其能够较好地反映电池在工作过程中的动态特性。如图2所示，为所构建的模糊规则库的通用结构，包括有五层模糊化层，规则适用度计算层，规则适用度归一化层，解模糊化层和输出层。各层的功能分别如下第一层 计算输入的模糊隶属度函数O1, i = gxi (X，Bi, bj) ；Oljj = gy(i_2) (y, Cj_2, dj_2)上式中x，y为节点输入，g()为隶属度成员函数，可用来计算当前各输入的隶属度。其中^，Ci, Cli称为前件参数，可用来调节隶属度成员函数的形状。第二层计算规则适用度O2a = OiaXOlj3 = gxl(x, B^b1) Xgyl(y, C1, (I1)记作 W1O2j2 = O1j2XO1j4 = gx2(χ, a2, b2) Xgy2(y, C2, d2)记作 W2这一层主要功能是将第一层的输出相乘，而将其乘积以W1和W2输出。第三层计算适用度归一化
权利要求
1.一种基于单体电池一致性的蓄电池组SOC估计改进方法，其特征在于，该方法包括基于自适应神经网络的模糊规则库的离线学习建模过程和基于模糊规则库的在线SOC估计修正过程，具体步骤如下首先利用蓄电池组模型的训练数据集、基于一致性修正的SOC预测数据和自适应神经网络构建具有优化结构和参数的模糊规则库；然后将离线学习后的模糊规则库移植入BMS的嵌入式控制器的模糊推理机中，对蓄电池组SOC估计进行在线修正。
2.根据权利要求1所述的一种基于单体电池一致性的蓄电池组SOC估计修正方法，其特征在于，所述的离线学习建模过程具体包括以下步骤1)通过单体电池试验建立能反映单体电池在使用过程中动态特性的单体电池模型并获得单体电池的参数和状态分布规律；2)根据单体电池模型建立电池组模型；3)采用激励电流作为电池组模型的输入，仿真获得模糊规则库的输入数据集，并设置预定目标输出参数；4)将输入数据集输入到模糊规则库中；5)计算模糊规则库输出值与预定目标输出参数的差，并将其作为神经网络训练算法的学习依据，修正模糊规则库规则节点的权重值，返回步骤4)直到模糊规则库的输出与预定目标输出参数的差小于预设的阈值；6)离线学习结束。
3.根据权利要求2所述的一种基于单体电池一致性的蓄电池组SOC估计修正方法，其特征在于，所述的模糊规则库包括模糊化层、规则适用度计算层、规则适用度归一化层、解模糊化层和输出层。
4.根据权利要求2所述的一种基于单体电池一致性的蓄电池组SOC估计修正方法，其特征在于，所述的输入数据集为BMS可实时在线采集的数据所组成的特征量，所述的可实时在线采集的数据包括单体电池电压、电池组电压、电池组电流和单体电池SOC的变化数据。
5.根据权利要求2所述的一种基于单体电池一致性的蓄电池组SOC估计修正方法，其特征在于，所述的预定目标输出参数为整组SOC估计值与基于一致性修正后的SOC预测值之差。
6.根据权利要求2所述的一种基于单体电池一致性的蓄电池组SOC估计修正方法，其特征在于，所述的神经网络训练算法包括BP训练算法以及BP和最小二乘法相结合的混合搜索算法。
7.根据权利要求1所述的一种基于单体电池一致性的蓄电池组SOC估计修正方法，其特征在于，所述的在线SOC估计修正过程包括以下步骤1)将经过离线学习建模过程的模糊规则库移植入BMS的嵌入式控制器的模糊推理机中；2)嵌入式控制器实时采集实际电池组的参数，并提取其特征量作为模糊规则库的输入，模糊规则库计算出电池组SOC估计的修正量；3)采用传统方法估算当前实际电池组的SOC估计值；4)将修正量与SOC估计值相加即可得到修正后的实际电池组的SOC修正预测值。
8.根据权利要求7所述的一种基于单体电池一致性的蓄电池组SOC估计修正方法，其特征在于，所述的传统方法为卡尔曼滤波器法、电流积分法、模糊推理法或神经网络法。
全文摘要
本发明涉及一种基于单体电池一致性的蓄电池组SOC估计改进方法，该方法首先利用蓄电池组模型的训练数据集、基于一致性修正的SOC预测数据和自适应神经网络构建具有优化结构和参数的模糊规则库；然后将离线学习后的模糊规则库移植入BMS的嵌入式控制器的模糊推理机中，对蓄电池组SOC估计进行在线修正。与现有技术相比，本发明具有能够将电池组内各单体电池的SOC差异真实地反映在整组SOC估计上的优点。
文档编号H01M10/42GK102569922SQ20121005570
公开日2012年7月11日 申请日期2012年3月5日 优先权日2012年3月5日
发明者孙泽昌, 戴海峰, 王佳元, 魏学哲 申请人:同济大学