一种基于数据融合的锂电池状态信息监测方法

技术领域

本发明属于锂电池储能系统技术领域，具体地而言为一种基于数据融合的锂电池状态信息监测方法。

背景技术

由于锂电池储能系统需要大量锂电池集成，所以监测锂电池的状态信息就尤为重要。

现有的锂电池状态信息监测，是通过监控电池的电压、电流、温度等相关参数。通过机器学习学习相关规律，从而在日常监控的过程中能够得到当时的状态信息。但是机器学习比较依赖于数据的精准度，当获取的数据精度不够高时，获得的当前的状态信息时不够准确的。

发明内容

本发明所要解决的技术问题在于提供一种基于数据融合的锂电池状态信息监测方法，解决状态信息精准差的问题。

本发明是这样实现的，

一种基于数据融合的锂电池状态信息监测方法，该方法包括：

S 1：通过传感器采集锂电池当前的电压和电流信号；

S 2：根据获取的电压和电流信号得到二阶RC等效模型的参数；

S 3：通过得到参数的二阶RC等效模型计算当前状态的锂电池端电压；

S 4：比较电池的电压传感器采集到的实际电压数据和二阶RC等效电路模型计算出的当前状态的锂电池端电压；当电压误差的绝对值小于阈值，进行S 5,否则进行S6；

S 5：将二阶RC等效模型的参数进行梯度校正，进行S7；

S 6：使用扩展卡尔曼滤波计算增益和协方差矩阵，预测和更新参数后进行S 7；

S 7：得到当前时刻的二阶RC等效模型，通过二阶RC等效模型获得当前的电压电流；

S8：对获取的电压电流数据进行归一化处理；

S9：将归一化处理处理后的电压电流数据输入到一维卷积神经网络中，对锂电池的当前状态进行预测，当锂电池的当前状态良好时，跳转到S1；当锂电池出现故障时应该停止锂电池的工作状态。

进一步地，二阶RC等效模型由理想电压源U

其中，公式(1)中，U

进一步地，S 6中使用扩展卡尔曼滤波计算增益和协方差矩阵，包括：

S61：确定锂电池系统当前的线性化状态方程和观测方程

其中

SOC(k)为k时刻的SOC估计值，U

S62：系统状态时间更新：x

S63：状态协方差更新：

S64：卡尔曼增益：

本发明与现有技术相比，有益效果在于：

本发明首先解决了单独依靠等效模型，对锂电池状态信息监测的局限性；其次解决了数据驱动方法过度依赖数据精度的问题，基于等效模型处理后，获得的电压，电流信号。通过将模型的预测电压和实际电压对比，不断修正模型，来保证获得的信号数据的精度问题。然后利用神经网络，通过模型得到的电压电流数据，预测当前的锂电池状态。

附图说明

图1为本发明提供的基于二阶RC等效电路模型和数据融合的锂电池状态监测流程图；

图2为本发明提供的二阶RC等效电路模型。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明主要监测锂电池的正常运行状态和故障状态。为了使模型精度更高，通过模型得到的数据更加贴近于真实工况，首先根据实际数据与二阶RC等效电路模型计算的数据的差异不断更新模型参数得到更加精准的二阶RC等效电路模型，然后通过二阶RC等效电路模型获得当前判断锂电池状态所需要的数据，最后将经过数据处理后的数据输入到神经网络当中获得当前锂电池的运行状态。具体的流程图如图1所示。

Step 1：通过传感器采集锂电池当前的电压和电流信号，

Step 2：根据获取的电压和电流信号得到二阶RC等效模型的参数；

二阶RC等效模型的参数包括锂电池内阻R

其中，公式(1)中，U

Step 3：通过步骤2得到的参数的二阶RC等效模型计算当前状态的锂电池端电压。

Step 4：比较电池的电压传感器采集到的实际电压数据和二阶RC等效电路模型计算出的当前状态的锂电池端电压。当电压误差的绝对值小于阈值，进行Step 5,否则进行Step6。

Step 5：将二阶RC等效模型的参数进行梯度校正。然后进行Step 7。

梯度校正指的根据k时刻测量电压值和k时刻理论电压值之差，通过反馈校正得到k时刻的状态参数：

e(k)＝z(k)-z

z(k):k时刻测量电压值；

z

通过反馈校正得到k时刻的状态参数。

L

Step 6：使用扩展卡尔曼滤波计算增益和协方差矩阵，然后预测和更新参数后进行Step 7。

Step 7：得到更新参数后的当前时刻的二阶RC等效模型。通过二阶RC等效模型获得当前的电压电流。

Step 8：对步骤7获取的电压电流数据进行归一化处理。

Step 9：将数据处理后的数据输入到一维卷积神经网络中，对锂电池的当前状态进行预测。当锂电池的当前状态良好时，跳转到Step 1。当锂电池出现故障时应该立刻停止锂电池的工作状态。

Step6中采用扩展卡尔曼滤波的流程如下：

Step 61：确定该锂电池系统当前的线性化状态方程和观测方程

其中

SOC(k)为k时刻的SOC估计值，U

Step 62：系统状态时间更新：x

Step63：状态协方差更新：

Step 64：卡尔曼增益：

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。