基于特征模型的动力电池SOC估算方法及系统

本发明涉及soc估算，具体为一种基于特征模型的动力电池soc估算方法及系统。

背景技术：

1、随着新能源汽车的广泛应用，动力电池的荷电状态作为衡量电池剩余电量的重要指标，其准确估算在实现电池高效利用和安全管理中具有关键作用。然而，现有的soc估算方法存在一定的技术局限性，难以满足复杂应用场景下对高精度和高可靠性的要求。传统的开路电压法通过测量电池的静置开路电压与soc的关系进行估算，但该方法需要电池长时间静置，实际应用中难以实时获得准确数据。此外，开路电压受温度变化影响显著，未进行温度补偿的情况下估算误差较大。内阻法通过测量电池内阻变化来推断soc，但内阻容易受到电池老化程度和工作环境的影响，其准确性和稳定性较差，尤其是在电池老化后难以反映soc的真实状态。极化电压法则依赖于工作电压与开路电压的差异，虽然能在一定程度上反映soc的动态特性，但因其受电流动态变化的影响较大，无法在快速变化的工况下提供稳定的估算结果。

2、此外，现有技术中普遍采用单一特征参数进行soc估算，缺乏对多特征参数的综合利用，导致估算结果的鲁棒性较差。由于电池在实际运行中会受到温度、老化、电流动态变化等多因素的综合影响，单一参数难以全面反映电池的真实soc状态。即便部分研究尝试融合多个特征参数，通常也采用固定的权重组合，难以根据电池状态的变化动态调整估算策略，这种方法在复杂工况下不具备足够的适应性。更为重要的是，传统soc估算方法中缺乏对模型误差的实时校正机制，无法有效减小长期使用中的累积误差，从而影响soc估算的精确性和可靠性。这些不足使得现有技术在实际应用中难以满足新能源汽车对soc估算方法高精度、动态自适应以及实时性的要求。

3、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的在于提供一种基于特征模型的动力电池soc估算方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于特征模型的动力电池soc估算方法及系统，具体步骤包括：

4、步骤1：获取电池的开路电压、内阻和极化电压三种特征参数，并引入温度与老化修正机制，包括对开路电压进行温度补偿，以及对内阻进行老化修正，建立特征参数与soc之间的关系曲线，通过拟合公式将特征参数映射为soc值；

5、步骤2：基于标定的特征参数与soc的关系公式，构建soc融合模型，使用加权线性组合方法，将各特征的soc估算值合成为综合估算值，并通过粒子群优化算法动态调整各特征的权重，以最小化误差目标函数，确定最优权重系数；

6、步骤3：通过扩展卡尔曼滤波，对模型输出的综合估算值进行实时校正，校正过程基于状态转移方程预测soc的变化，并结合测量方程对估算值与真实值的偏差进行更新。

7、进一步地，在不同的soc点对电池静置1小时后，测量电池的开路电压值，记录数据，并对开路电压进行温度修正：

8、voc′＝voc-γ*δt

9、式中，voc′为修正后的开路电压，voc为开路电压，通过静置测量，γ为温度敏感系数，δt为当前温度与标定温度的差值；

10、拟合修正后的开路电压与soc的关系：

11、

12、式中，voc′为修正后的开路电压，soc为电池荷电状态，实验已知，a1、b1和a2为拟合系数，通过实验数据回归获取；

13、使用电流脉冲法，向电池施加已知的电流脉冲，记录电压下降值，依据如下公式计算内阻：

14、

15、式中，rint为电池内阻，δv为电压变化量，δi为电流脉冲值；

16、对内阻进行老化修正：

17、rint′＝rint*(1+λ*aging)

18、式中，rint′为修正后的内阻，λ为老化敏感系数，aging为电池老化程度；

19、定义aging的计算方式为：

20、

21、式中，ncurrent表示电池当前的累计循环次数，nrated表示电池的额定循环寿命；

22、记录在不同soc点下的电池内阻值，拟合修正后的内阻与soc的关系公式：

23、

24、式中，rint′为修正后的内阻，soc为电池荷电状态，实验已知，c1、c2和c3为拟合系数，通过实验数据回归获取；

25、在不同的soc点，测量工作电压与开路电压的差值，得到极化电压：

26、vpol＝voc-vwork

27、式中，vpol为极化电压，voc为开路电压，vwork为工作电压；

28、拟合极化电压与soc的关系：

29、

30、式中，vpol为极化电压，soc为电池荷电状态，实验已知，d1、d2和d3为拟合系数，通过实验数据回归获取；

31、将修正后的开路电压、修正后的内阻、极化电压与soc的关系拟合到函数模型，并保存为查找表。

32、进一步地，基于特征参数的实验关系式，构建soc融合模型：

33、

34、式中，socest为电池当前荷电状态的综合估算值，表示通过开路电压拟合公式计算的soc值，表示通过内阻拟合公式计算的soc值，表示通过极化电压拟合公式计算的soc值，ω1、ω2和ω3为特征权重系数，满足ω1+ω2+ω3＝1；

35、通过粒子群优化算法动态调整各特征的权重，以最小化误差目标函数，确定最优权重系数，所依据的具体逻辑为：

36、目标函数为：

37、

38、式中，e为均方误差，socest(i)为第i个样本的综合估算值，soctrue(i)为第i个样本的实验真实值，ω为样本数量，i为样本的索引；

39、粒子群优化算法的具体步骤：

40、粒子定义：每个粒子表示一个可能的权重组合(ω1,ω2,ω3),搜索空间维度为3，对应ω1,ω2,ω3，初始化m个粒子，每个粒子的初始位置(ω1,ω2,ω3)和速度随机生成；

41、在粒子初始化时，权重满足约束条件：

42、ω1+ω2+ω3＝1且ω1，ω2，ω3>0

43、目标函数计算：基于每个粒子的位置得到一个误差值,根据如下公式计算：

44、

45、将每个粒子的速度初始化为随机值，表达式如下：

46、

47、pso中，粒子的位置和速度更新遵循以下规则：

48、速度更新公式为：

49、vj(t+1)＝β*vj(t)+f1*rand1*(pbest,j-xj(t))+f2*rand2*(gbest,j-xj(t))

50、式中，vj(t+1)表示粒子第j个维度在下一时刻的速度，决定了粒子在该维度上移动的方向和速度，vj(t)表示粒子当前时刻的速度，β为惯性权重，用于平衡搜索的全局性和局部性，f1、f2为学习因子，用于控制粒子向个体最优位置和全局最优位置靠近的速度，rand1和rand2为在[0,1]区间内的随机数，用于引入随机性，pbest,j表示粒子自身在第j个维度上的历史最优位置，xj(t)为粒子当前时刻在第j个维度的位置，gbest,j表示搜索空间中所有粒子在第j维度上的全局最优位置；

51、位置更新公式为：

52、xj(t+1)＝xj(t)+vj(t+1)

53、式中，xj(t+1)表示粒子下一时刻在第j个维度的位置；

54、在每一轮迭代中，计算每个粒子的位置对应的误差值e，同时更新速度和位置，更新pbest和gbest，重复该过程，直到达到预设的最大迭代次数h；

55、迭代结束后，粒子群的全局最优解gbest即为最优权重，此时融合模型更新为：

56、

57、其中，和为最优权重。

58、进一步地，通过扩展卡尔曼滤波，对融合模型的soc估算值进行实时校正，校正过程基于状态转移方程预测soc的变化，并结合测量方程对估算值与真实值的偏差进行更新，具体为：

59、根据电池工作状态，定义soc状态转移方程：

60、

61、式中，sock+1为下一时刻的soc值，sock为当前时刻的soc值，qmax为电池的额定容量，δq为当前充放电电量，由电流积分法计算；

62、结合测量值，定义测量方程：

63、zk＝h(sock)+sk

64、式中，zk为实际测量的soc值，h(sock)表示融合模型输出的soc值，sk为测量噪声；

65、校正过程：根据状态转移方程预测当前soc值，结合测量方程计算测量值与预测值的偏差，并修正soc值。

66、本发明还另外提供一种基于特征模型的动力电池soc估算系统，所述的一种基于特征模型的动力电池soc估算系统用于执行上述的一种基于特征模型的动力电池soc估算方法，包括：

67、特征参数提取模块，用于获取电池的开路电压、内阻和极化电压三种特征参数，并引入温度与老化修正机制，包括对开路电压进行温度补偿，以及对内阻进行老化修正，建立特征参数与soc之间的关系曲线，通过拟合公式将特征参数映射为soc值；

68、融合模型构建模块，基于标定的特征参数与soc的关系公式，构建soc融合模型，使用加权线性组合方法，将各特征的soc估算值合成为综合估算值，并通过粒子群优化算法动态调整各特征的权重，以最小化误差目标函数，确定最优权重系数；

69、实时校正模块，用于通过扩展卡尔曼滤波，对模型输出的综合估算值进行实时校正，校正过程基于状态转移方程预测soc的变化，并结合测量方程对估算值与真实值的偏差进行更新。

70、与现有技术相比，本发明的有益效果是：

71、本方案提出了一种基于开路电压、内阻和极化电压三种特征参数的动力电池soc估算方法，通过引入温度补偿和老化修正机制，有效解决了单一特征参数估算受环境和老化影响较大的问题。通过构建融合模型并使用粒子群优化算法动态调整特征权重，本方法能够在不同工况下自适应地优化soc估算结果，显著提高了估算的准确性。此外，利用扩展卡尔曼滤波对融合模型的估算值进行实时校正，进一步增强了模型的动态响应能力和鲁棒性。本方案不仅能适应电池在复杂工作条件下的多因素变化，还能减少因老化或温度波动带来的累积误差，提升了soc估算的实时性和可靠性，为动力电池的高效管理提供了技术保障。