[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

说明书

本发明实施方式提供一种基于EKF_SVM算法的锂电池SOC联合估计方法、系统及存储介质，属于锂电池SOC的估计技术领域。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算法根据端电压和电流生成端电压观测输出误差和最优估计值；将端电压、电流、端电压观测输出误差和最优估计值输入训练好的SVM模型中以得到锂电池的SOC的真实值和最优估计值的差值以及锂电池当前的最大可用容量；根据差值和最优估计值估算锂电池的第一SOC值；根据锂电池当前的最大可用容量和第一SOC值估算锂电池的SOC的真实值。该估计方法、装置及存储介质能够克服现有技术中EKF算法在应用至锂电池SOC估计技术领域时的技术缺陷。

技术领域

本发明涉及锂电池SOC的估计技术领域，具体地涉及一种基于SVM_EKF算法的锂电池SOC估计方法、装置及存储介质。

背景技术

针对锂离子电池荷电状态(state of charge,SOC)的估计方法，现阶段，应用较为广泛的是卡尔曼(kalmanfilter,KF)类算法。卡尔曼滤波算法用于SOC估计的主要思路是从受环境噪声影响的信号中过滤噪声，尽可能地降低噪声影响，从而实现对动力电池SOC最小方差意义上的最优估计。而最初的KF算法仅适用于线性系统，扩展卡尔曼滤波算法(Extended Kalman Filter,EKF)的提出将其适用范围扩展到了非线性系统，但EKF算法中的泰勒展开操作将所建电池模型线性化的同时也引入了截断误差，且EKF易受环境噪声影响，进而对电池状态估计准确性和稳定性产生严重影响。在此基础上发展起来的自适应扩展卡尔曼滤波(Adaptive Extended Kalman Filter,AEKF)和H∞滤波(H∞Filter,HIF)在EKF的基础上一定程度上解决了滤波精度下降的缺点，但计算量的急剧增加使得算法实用性和稳定性大幅度降低。

发明内容

本发明实施方式的目的是提供一种基于SVM_EKF算法的锂电池SOC估计方法、装置及存储介质，该估计方法、装置及存储介质能够克服现有技术中EKF算法在应用至锂电池SOC估计技术领域时的技术缺陷。

为了实现上述目的，本发明实施方式提供一种基于SVM_EKF算法的锂电池SOC估计方法，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。

可选地，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。

可选地，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。

可选地，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；