(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111544546.X (22)申请日 2021.12.16 (65)同一申请的已公布的文献号 申请公布号 CN 114239463 A (43)申请公布日 2022.03.25 (73)专利权人 杭州科工电子科技有限公司 地址 310012 浙江省杭州市西湖区三墩镇 金蓬街358号1幢201室 (72)发明人 刘爱华　宋欣民　陈刚良　王荣强　 (74)专利代理 机构 杭州信与义专利代理有限公 司 33450 专利代理师 丁浩 (51)Int.Cl. G06F 30/367(2020.01) G06F 30/20(2020.01)(56)对比文件 CN 111060834 A,2020.04.24 CN 112858928 A,2021.0 5.28 CN 113030752 A,2021.0 6.25 李叶.“储能电池荷电状态的在线 估算研 究”. 《中国优秀硕士学位 论文全文数据库 工程 科技II辑》 .2021,(第02期),第1- 5章. Minho Kim等. “Data-efficient parameter identificati on of electroc hemical lithium-i on battery model usi ng deep Bayesian harmo ny searc h”. 《Applied Energy》 .2019,第254卷第1-1 1页. 审查员 郄修尘 (54)发明名称 基于大数据的电池簇荷电状态修 正方法 (57)摘要 本发明公开了一种基于大数据的电池簇荷 电状态修正方法， 属于SOC估算技术领域。 该方法 包括步骤： S1， 对电池运行数据进行清洗、 重构以 提取出建模 所需数据， 然后建立电池簇等效电路 模型； S2， 基于步骤S1提取的电池运行数据， 利用 自适应和声搜索算法辨识得到电池簇等效电路 模型的最优模型参数； S3， 根据获得的最优模型 参数和步骤S1提取的电池运行数据， 利用无迹卡 尔曼滤波算法修正电池簇SOC。 本发明基于大数 据构建电池簇等效电路模型， 并结合自适应和声 搜索算法和无迹卡尔曼滤波算法去估算电池簇 SOC， 提高了SOC的估算精度， 且估算过程不用在 电池离线状态下进行， 适于对电池簇荷电状态的 在线预测。 权利要求书6页 说明书15页 附图7页 CN 114239463 B 2022.11.01 CN 114239463 B 1.一种基于大 数据的电池簇荷电状态修 正方法， 其特 征在于， 步骤 包括： S1， 对电池运行数据进行清洗、 重构以提取出建模所需数据， 然后建立电池簇等效电路 模型； S2， 基于步骤S1提取的电池运行数据， 利用自适应和声搜索算法辨识得到所述电池簇 等效电路模型的最优 模型参数； S3， 根据获得的所述最优模型参数和步骤S1提取的所述电池运行数据， 利用无迹卡尔 曼滤波算法修 正电池簇SOC； 步骤S1中， 清洗所述电池运行数据中第k+1时刻数据的方法通过以下公式(1) ‑(3)表 达： 公式(1)‑(3)中， Uk+1、 Uk为相邻采集时间采集的电池簇电压数据， Uk表示k时刻 采集的所 述电池簇的电压数据， Uk+1表示与k时刻相邻的k+1时刻采集的所述电池簇的电压数据， Uk+2 表示与k+1时刻相邻的k+2时刻的所述电池簇的电压数据； Ik+1、 Ik为相邻采集时间采集的所述电池簇的电流数据， Ik表示k时刻采集的所述电池簇 的电流数据， Ik+1表示与k时刻相邻的k+1时刻采集的所述电池簇的电流数据， Ik+2表示与k+1 时刻相邻的k+2时刻的所述电池簇的电流数据； Tk+1、 Tk为相邻采集时间采集的所述电池簇的温度数据， Tk表示k时刻采集的所述电池簇 的温度数据， Tk+1表示与k时刻相邻的k+1时刻采集的所述电池簇的温度数据； SOCk+1、 SOCk为相邻时间计算的所述电池簇的荷电状态 数据， SOCk表示k时刻计算的所述 电池簇的荷电状态数据， SOCk+1表示与k时刻相邻的k+1时刻计算的所述电池簇的荷电状态 数据； ξr表示直流内阻的阈值， 直流内阻根据待清洗的所述电池簇的电压、 电流数据计算而 得； ξT表示清洗所述电池簇的温度数据的阈值； ξs表示清洗所述电池簇的荷电状态数据的阈值； n表示数据样本记录数； 利用所述自适应和声搜索算法辨识所述电池簇等效电路模型的所述最优模型参数的 方法步骤 包括： S21， 设置待优化的模型参数个数ND以及和声记忆库容量HMS、 和声旋律思考概率HMCR、 音调微调概率PAR、 音调微调带宽BW、 最大更新和声记忆库次数LP、 最大创 作次数Maxp， 并设权　利　要　求　书 1/6 页 2 CN 114239463 B 2置当前创作次数p＝0； S22， 在待优 化的模型参数的搜索空间中随机产生HMS个和声旋律Xi， 其中和声旋律下标 i＝1， 2， ...， HMS； 和声旋律Xi存储了所述电池簇等效电路模型的ND个待优化模型参数， 然 后将产生的HMS个和声旋律 组成和声记忆库{X1， X2， ...， Xi， ...， XHMS}， 其中Xi表示和声记忆 库中的第i个和声旋律； S23， 利用清洗后的所述电池运行数据计算所述和声记忆库中每个和声旋律Xi的适应 值； S24， 从所述和 声记忆库中挑选出适应值最小的和 声旋律作为最美和 声旋律Xbest， 然后 挑选出适应值 最大的和声旋律作为 最差和声旋律Xworst； S25， 判断寻找目标函数f最优解的次数 是否≥Maxp， 若是， 则输出 所述最美和声旋律Xbest对应的最优 模型参数； 若否， 则转入步骤S3 6； S26， 生成一个新的和声Xnew， Xnew的生成方法为： 在[0， 1]之间产生一个随机数r1， 与 HMCR进行比较， 并判断r1是否＜H MCR， 若是， 则从所述和声记忆库中随机选取一个和声变量Xrand1， 然后在[0， 1]之间产生一个 随机数r2， 并判断r2是否小于P AR， 若是， 则根据微调带宽BW对所述和声变 量Xrand1做微调后， 得到一个新的和声变量作为所述和声Xnew， 若否， 则将所述和声变量Xrand1作为所述和声Xnew； 若否， 则从待优化模型参数的搜索空间中随机生成一个和声变量Xrand2作为所述和声 Xnew； S27， 更新所述和声记忆库， 更新方法为： 计算所述和声Xnew的适应值f(Xnew)是否小于f (Xworst)， 若是， 则以所述和声Xnew替换所述和声记 忆库中的所述 最差和声旋律Xworst； 若否， 则不对所述和声记 忆库中的所述 最差和声旋律Xworst作替换； S28， 重复步骤S23 ‑S27， 直至创作次数p达 到设置的最大创作次数Maxp。 2.根据权利要 求1所述的基于 大数据的电池簇荷电状态修正方法， 其特征在于， ξr∈[0， 0.002]； ξT∈[3， 5]； ξs∈[0.05， 0.11]； 20℃≤Tk≤40℃。 3.根据权利要求1所述的基于大数据的电池簇荷电状态修正方法， 其特征在于， 重构所 述电池运行数据为提取所述电池簇的SOC～Uoc曲线数据， 提取所述电池簇的SOC～Uoc曲线 数据的方法步骤 包括： S11， 查找电流时序数据中电流值为 “0”的电流数据所对应的0值采集时刻作为所述电 池簇的开路时刻； S12， 确定在所述0值采集时刻的上一采集时刻所述电池簇的电流符号， 并在电流符号 为正或为负时分别标记所述电池簇在开路前处于放电状态或充电状态； S13， 确定所述0值采集时刻后的一持续时间内所述电池簇的电流值是否始终保持为 “0”， 若是， 则从所述电池运行数据中提取出在所述持续时间内采集的所述电池簇的 电压U (t)和荷电状态SOC(t)； 若否， 则不 提取在所述持续时间内采集的所述电池簇的电压U(t)和荷电状态SOC(t)； S14， 判断步骤S13提取的SOC(t)的数值在区间[0， 0.1]、 [0.9， 1]、 [0.1， 0.9]的每个区权　利　要　求　书 2/6 页 3 CN 114239463 B 3