[发明专利]基于SVM_EKF算法的锂电池SOC估计方法、装置及存储介质

权利要求书

1.一种基于SVM_EKF算法的锂电池SOC估计方法，其特征在于，所述估计方法包括：

获取当前的锂电池的端电压和电流；

采用EKF算法根据所述端电压和电流生成端电压观测输出误差和最优估计值；

将所述端电压、电流、端电压观测输出误差和最优估计值输入训练好的SVM模型中以得到所述锂电池的SOC的真实值和最优估计值的差值以及所述锂电池当前的最大可用容量；

根据所述差值和所述最优估计值估算所述锂电池的第一SOC值；

根据所述锂电池当前的最大可用容量和所述第一SOC值估算所述锂电池的SOC的真实值。

2.根据权利要求1所述的估计方法，其特征在于，所述采用EKF算法根据所述端电压和电流生成端电压观测输出误差和最优估计值具体包括：

采用所述EKF算法对所述端电压和电流进行1000次滤波操作以得到的端电压观测输出误差和最优估计值。

3.根据权利要求1所述的估计方法，其特征在于，所述估计方法进一步包括：

获取锂电池的历史端电压和历史电流；

将所述历史端电压和历史电流输入EKF算法中以得到对应的端电压观测输出误差和最优估计值；

将所述历史端电压、历史电流、端电压观测输出误差、最优估计值、所述历史端电压和历史电流对应的SOC的真实值和最优估计值的差值以及所述锂电池当前的最大可用容量组合以构成用于训练所述SVM模型的数据集。

4.根据权利要求3所述的估计方法，其特征在于，所述估计方法进一步包括：

以7:3的百分比划分所述数据集为训练集和测试集；

采用所述训练集训练所述SVM模型，且训练次数小于或等于3000次；

采用所述测试集测试所述SVM模型，在预测误差小于10^-5的情况下，确定所述SVM模型训练完成。

5.根据权利要求1所述的估计方法，其特征在于，所述根据所述锂电池当前的最大可用容量和所述第一SOC值估算所述锂电池的SOC的真实值具体包括：

根据公式(1)估算所述真实值，

其中，s(t)为t时刻的所述真实值，s(0)为锂电池的初始的SOC值，Q_N为所述最大可用容量，I(t)为所述锂电池t时刻的放电电流大小，η为所述库伦效率。

6.一种基于SVM_EKF算法的锂电池SOC估计装置，其特征在于，所述估计装置包括：

电流电压采集设备，用于采集所述锂电池的端电压和电流；

处理器，用于：

接收所述端电压和电流；

采用EKF算法根据所述端电压和电流生成端电压观测输出误差和最优估计值；

将所述端电压、电流、端电压观测输出误差和最优估计值输入训练好的SVM模型中以得到所述锂电池的SOC的真实值和最优估计值的差值以及所述锂电池当前的最大可用容量；

根据所述差值和所述最优估计值估算所述锂电池的第一SOC值；

根据所述锂电池当前的最大可用容量和所述第一SOC值估算所述锂电池的SOC的真实值。

7.根据权利要求6所述的估计装置，其特征在于，所述估计装置进一步用于：

采用所述EKF算法对所述端电压和电流进行1000次滤波操作以得到的端电压观测输出误差和最优估计值。

8.根据权利要求6所述的估计装置，其特征在于，所述估计装置进一步用于：

根据公式(1)估算所述真实值，

其中，s(t)为t时刻的所述真实值，s(0)为锂电池的初始的SOC值，Q_N为所述最大可用容量，I(t)为所述锂电池t时刻的放电电流大小，η为所述库伦效率。

9.一种存储介质，其特征在于，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1至5任一所述的估计方法。