[发明专利]一种串联型电池系统能量状态预测方法

说明书

本发明公布了一种串联型电池系统能量状态预测方法，所述方法如下：由电池单体模型参数结合串联电路特性建立电池系统模型，构造电池空间状态方程；再结合电池系统电压在线检测值U和电流在线检测值I，对电池系统荷电状态SOC进行估计；将SOC、U为输入，通过能量状态基值预测模块获得能量状态预测基值SOE_b；将电池单体离线数据作为输入，依次经过故障判别器、数据筛选器，得到电池单体常态数据，再结合各电池单体电压偏差值和电池系统电流在线检测值I，应用BP神经网络构建SOE修正器，输出能量状态补偿值ΔSOE_b；将能量状态预测基值SOE_b与能量状态补偿值ΔSOE_b叠加，得到串联型电池系统能量状态预测值SOE_r。

技术领域

本发明属于智能电网中大容量电池储能系统设计与控制技术领域，涉及一种串联型电池系统能量状态预测方法。

背景技术

当今世界面临着能源短缺和环境恶化两大问题，各个国家都在大力提倡低碳经济，新能源的开发和利用对低碳经济的发展至关重要；新能源汽车作为低碳经济的重要组成部分,越来越得到社会的关注。新能源汽车的续航能力和安全是用户关注的重点，因此，对电动汽车的能量状态(State of Energy，SOE)的研究至关重要。然而，电池能量状态的预测和实际状态存在偏差，因为电池组内部的电化学过程无法直接观察，且受电池容量、工作工况、电池健康状态(SOH)和电池单体的一致性等因素的影响，往往导致串联电池系统中充放电特性不一致，因此，电池系统的SOE精确预测具有重要意义。

目前国内外关于SOE的预测方法研究多集中在电池单体，有关串联型电池系统SOE预测方法的文献并不多，专利(CN104459551A)公开了一种电动汽车动力电池能量状态(SOE，State-of-Energy)估算方法。该方法在估算过程中考虑了电池电压的变化，较现有的电池荷电状态(SOC)估算能更加全面的反应电池状态和车辆续驶里程，其特征在于，该方法包括如下步骤：第一、初始化过程，系统根据当前电池温度、电压、静置前状态以及静置时间，计算初始SOE值；第二、循环过程，系统通过采集的电池温度、充/放电倍率以及记录的电池使用次数来修正电池平衡电势EMF-SOE关系曲线、电池额定能量。再根据能量守恒原理计算电池能量的变化量，利用初始SOE值，计算下一时刻SOE值，不断循环，实时更新SOE值。该模型考虑了电池系统中电池温度、充/放电倍率以及记录的电池使用次数对电池SOE的影响，在一定程度上提高了电池SOE精度，但未考虑电池不一致对电池SOE偏差的影响，导致电池系统SOE精度受限。

为进一步提高串联型电池系统SOE预测精度，本发明公布了一种串联型电池系统的能量状态预测方法，考虑电池不一致对电池SOE偏差的影响，利用电池单体离线数据建立BP神经网络，将电池单体电压偏差值ΔU_i和电池系统电流在线检测值I作为SOE修正器的输入，得到能量状态补偿值ΔSOE_b，以获得准确的电池系统SOE，进而更新电池系统模型，以提高电池系统模型精度，并进一步提高电池系统SOE的预测精度。

发明内容

本发明解决的问题是在于提供一种串联型电池系统能量状态预测方法，一方面，改进了相关已公开电池系统SOE估算时未考虑电池组中电池不一致性对SOE的影响，另一方面，解决了采用BP神经网络进行电池系统SOE估算时数据繁杂、训练耗时的问题，提高串联型电池系统SOE估算精度。

为实现上述目的，本发明提供如下技术方案：一种串联型电池系统能量状态预测方法，其中，该电池系统由n个电池单体经串联而成，n为大于等于1的自然数，具体步骤如下：

S1、根据电池单体模型参数(1)结合串联电路中电流处处相等、总电压等于各阻抗电压之和的特性，建立一个含2个并联RC电路的串联型电池系统等效电路模型(2)；

S2、基于串联型电池系统等效电路模型(2)，得到电池空间状态方程，再结合电池系统电压在线检测值U和电流在线检测值I，经电池系统SOC估计模块(3)，得到电池系统荷电状态SOC；