一种基于单体电池一致性的蓄电池组SOC估计改进方法

摘要

本发明涉及一种基于单体电池一致性的蓄电池组SOC估计改进方法，该方法首先利用蓄电池组模型的训练数据集、基于一致性修正的SOC预测数据和自适应神经网络构建具有优化结构和参数的模糊规则库；然后将离线学后的模糊规则库移植入BMS的嵌入式控制器的模糊推理机中，对蓄电池组SOC估计进行在线修正。与现有技术相比，本发明具有能够将电池组内各单体电池的SOC差异真实地反映在整组SOC估计上的优点。

主权项

一种基于单体电池一致性的蓄电池组SOC估计改进方法，其特征在于，该方法包括基于自适应神经网络的模糊规则库的离线学习建模过程和基于模糊规则库的在线SOC估计修正过程，具体步骤如下：首先利用蓄电池组模型的训练数据集、基于一致性修正的SOC预测数据和自适应神经网络构建具有优化结构和参数的模糊规则库；然后将离线学习后的模糊规则库移植入BMS的嵌入式控制器的模糊推理机中，对蓄电池组SOC估计进行在线修正；所述的离线学习建模过程具体包括以下步骤：1）通过单体电池试验建立能反映单体电池在使用过程中动态特性的单体电池模型并获得单体电池的参数和状态分布规律；2）根据单体电池模型建立电池组模型；3）采用激励电流作为电池组模型的输入，仿真获得模糊规则库的输入数据集，并设置预定目标输出参数；4）将输入数据集输入到模糊规则库中；5）计算模糊规则库输出值与预定目标输出参数的差，并将其作为神经网络训练算法的学习依据，修正模糊规则库规则节点的权重值，返回步骤4）直到模糊规则库的输出与预定目标输出参数的差小于预设的阈值；6）离线学习结束；所述的在线SOC估计修正过程包括以下步骤：1）将经过离线学习建模过程的模糊规则库移植入BMS的嵌入式控制器的模糊推理机中；2）嵌入式控制器实时采集实际电池组的参数，并提取其特征量作为模糊规则库的输入，模糊规则库计算出电池组SOC估计的修正量；3）采用传统方法估算当前实际电池组的SOC估计值；4）将修正量与SOC估计值相加即可得到修正后的实际电池组的SOC修正预测值。