阅读说明：本技术 一种基于大数据的磷酸铁锂电池soc充电在线校正方法 (Lithium iron phosphate battery SOC charging online correction method based on big data ) 是由 来翔 彭勇俊 *** 王晓东 于 2019-11-11 设计创作，主要内容包括：本发明公开了一种基于大数据的磷酸铁锂电池SOC充电在线校正方法,属于汽车电池领域。针对现有电动汽车经常使用在浅充浅放的工况,而磷酸铁锂电池在此时没有较好的校正方法,导致SOC不准确从而影响驾驶体验性的问题,本发明提供一种基于大数据的磷酸铁锂电池SOC充电在线校正方法,使用数据过滤模块基于已有的充电数据得到表征电池特性的特征值,搭建包含BP神经网络模型的电池模型；根据后台电池当前充电情况和特征值,通过SOC校正模块得到估算SOC,从而实现SOC的在线校正。本发明能够根据已有的数据分析结果,在车辆充电过程中校正SOC,防止SOC长时间没有得到校正而造成较大累积误差,数据过滤模块对大数据进行筛选,保证了SOC的准确性和精度。(The invention discloses a lithium iron phosphate battery SOC charging online correction method based on big data, and belongs to the field of automobile batteries. Aiming at the problem that the driving experience is affected due to inaccurate SOC (system on chip) caused by the fact that the conventional electric automobile is frequently used in a shallow charging and shallow discharging working condition and the lithium iron phosphate battery does not have a better correction method at the moment, the invention provides a lithium iron phosphate battery SOC charging online correction method based on big data, wherein a characteristic value representing the battery characteristic is obtained by using a data filtering module based on the existing charging data, and a battery model containing a BP (back propagation) neural network model is built; and obtaining the estimated SOC through an SOC correction module according to the current charging condition and the characteristic value of the background battery, thereby realizing the online correction of the SOC. According to the invention, the SOC can be corrected in the vehicle charging process according to the existing data analysis result, so that a large accumulated error caused by long-time non-correction of the SOC is prevented, and the data filtering module screens the big data, so that the accuracy and precision of the SOC are ensured.)

一种基于大数据的磷酸铁锂电池SOC充电在线校正方法

技术领域

本发明涉及汽车电池领域，更具体地说，涉及一种基于大数据的磷酸铁锂电池SOC充电在线校正方法。

背景技术

动力电池即为工具提供动力来源的电源，多指为电动汽车、电动列车、电动自行车、高尔夫球车提供动力的蓄电池。动力电池是将化学能转为电能的装置，是未来将取代汽油和柴油，作为电动汽车或电动自行车的行驶动力电源，动力电池具有超长寿命，一般来说具有5-10年使用寿命，同时支持快速充放电，耐高温，容量大，体积小，质量轻，使用安全等特点。动力电池还是一种环保绿色电源，不使用任何汞、铬、铅等有毒物质，对环境没有污染。

动力电池的转化过程是一个复杂的物理化学反应过程，而容量电压的微分曲线dQ/dv的峰值能很好的表现转化过程的相变。对于磷酸铁锂电池来说，平台区范围很大，不好进行OCV校正或扩展卡尔曼滤波法计算SOC，一般都是使用安时积分法，而浅充浅放对电池的寿命有很大的提高，因而在这种工况下纯粹的安时积分法会导致累积越来越大，dQ/dv的峰值可以很好的反映出电池在充电过程的相变，但是在实际运行过程中考虑到采样的误差，往往会造成dQ/dv曲线的波动，导致不宜直接使用dQ/dv峰值校正。

中国专利申请基于大数据和bp神经网络的锂离子电池SOC预测方法，申请号201910377462.8，公开日2019年5月7日，公开了基于大数据和bp神经网络的锂离子电池SOC预测方法，采集电池外部特征参数建立电池SOC大数据的数据集；建立训练集和测试集；构建多重bp神经网络预测模型；将数据集分别放入不同参数的bp神经网络预测模型中，得到测量精度；根据不同参数的bp神经网络预测模型所得到的测量精度进行分析，得到预测结果。本发明提供的基于大数据和bp神经网络的锂离子电池SOC预测方法，通过SOC预测的大数据集，便于对数据进行有效的挖掘，保证预测精度；通过分布bp神经网络预测模型对电池外部参数对电池进行SOC精确预测，具有较高的精度，尤其在大数据下，电池外部参数不断变化，该方法依然能准确的预测电池SOC的值，具有很高的使用性，可在实际中得到广泛应用，该发明公开内容中内阻和电容在实际车辆运行过程中没有行之有效的测量方法，其他参数如温度、电压或电流等不具有表征性，且因为具有多个平行的神经网络模型，在校正时得到多个预测值，此时用均方差和平均绝对误差作为最优解的评价指标，很容易出现某几个神经网络模型预测结果不正确但是预测值很接近从而导致错误校正的情况。

发明内容

1.要解决的技术问题

针对现有磷酸铁锂电池SOC计算不准确，累积误差越来越大，现有技术会出现错误校正的问题，本发明提供一种基于大数据的磷酸铁锂电池SOC充电在线校正方法，对电池参数进行筛选，根据电池容量微分曲线dQ/dv的峰值结合温度、电压和SOH等电池参数进行BP神经网络计算，能够实现在车辆充电过程中对SOC进行校正，消除浅充浅放积分计算导致的累积误差，保证SOC的计算精度，同时也减少了系统的运算数据量，提高计算效率。

2.技术方案

本发明的目的通过以下技术方案实现。

一种基于大数据的磷酸铁锂电池SOC充电在线校正方法，系统采集当前工况的充电参数，使用数据过滤模块对参数过滤，BP神经网络模块对已选择过滤参数进行数据分析，SOC校正模块对分析后数据进行校正，实现充电过程的在线修正。系统根据已有的充电历史数据搭建电池模型，电池模型包括数据过滤模块、BP神经网络模块和SOC校正模块，在充电过程中，系统实时获取和计算充电参数，并输入数据过滤模块，当满足数据过滤模块条件时，再进入BP神经网络模块，计算得到需要校正的SOC，该SOC再输入到SOC校正模块，结合当前的SOC决定是否校正SOC，若需要校正SOC，则给出校正SOC值。

更进一步的，数据过滤模块先对采集数据进行分组，然后对每组数据进行过滤选择。

更进一步的，充电参数包括电流、温度、电压、电池健康度SOH和电池荷电状态SOC。

更进一步的，数据过滤模块的分组条件包括：

判断充电电流是否稳定；

充电起始电池荷电状态SOC小于阈值且满充校正时电池荷电状态SOC偏差小于设定值；计算获取数据的电池容量微分曲线dQ/dv，计算的时间间隔为等电位间隔，并对dQ/dv采用滑动平均滤波；

其中dt表示一段充电时间；dQ表示dt时间的累积充电电量；I表示充电电流；dv表示dt时间的电压变化；

据蓄电池健康度SOH以及电池温度进行分组，得到每组的平均电压和平均dQ/dv值。

电流、温度、电压、电池健康度SOH和电池荷电状态SOC是电池的基本参数，根据有限次实验数据分析，根据所述电池充电参数计算电池容量微分曲线dQ/dv，电池容量微分曲线可以很好的反映出电池在充电过程的相变，本发明减小采样误差，通过数据过滤模块对数据选择，根据dQ/dv的峰值再结合温度、电压和SOH进行BP神经网络计算，能很好的在充电的时候校正SOC。

更进一步的，当前电流和前次上传的电流相差在5％以内认为充电已稳定；满足充电起始SOC小于30％且满充校正时SOC偏差小于2％时计算获取数据的电池容量微分曲线dQ/dv值；dQ/dv每间隔5mv进行一次计算，滑动平均滤波的滤波次数为10次；参数根据SOH相差2％和温度相差5℃进行分组。

更进一步的，数据过滤模块对分组后数据的过滤条件包括：

比较组内电压参数与已选取有电池模型的电压平均值；

电池容量的微分曲线dQ/dv是电池荷电状态SOC在设定阈值内的极大值，该极大值与已有电池模型的dQ/dv平均值差距在设定范围内。

更进一步的，组内电压参数与已选取有电池模型的电压平均值差距在10mv以内；电池容量的微分曲线dQ/dv是电池荷电状态SOC在5％的极大值，该极大值与已有电池模型的dQ/dv平均值差距在20％范围内。

更进一步的，其特征在于，BP神经网络模块对筛选过的分组划分为训练集和测试集；建立输入为dQ/dv、温度、SOH和电压，输出为SOC，包括一层隐含层的三层神经网络，运用训练集得到训练后的神经网络，使用测试集对已搭建的神经网络进行测试，若测试集的平均误差在设定值以内，则该神经网络可以使用；否则，等待新的充电数据，来增大训练集的数量。其中每个分组的70％的数据作为训练集，30％的数据作为测试集；本发明中，若测试集的平均误差在5％以内，则该神经网络可以使用；否则，等待新的充电数据，来增大训练集的数量。

更进一步的，若BP神经网络不可使用，则间隔固定时间上传新的数据来增大训练集数量，重新训练，直至满足测试集的要求；所述BP神经网络定期更新，更新数据替代在先相同时间内的训练集和测试集，再次进行BP神经网络训练和测试。一般来说，每3天上传一次新的数据来增大训练集数量；每个月进行一次更新，提前一年前相同时间段的训练集和测试集。

更进一步的，SOC校正模块的校正策略如下：

若经过已选取的电池模型得到的校正SOC与当前的电池SOC差距在设定值以内，则不校正；

若经过已选取的电池模型得到的校正SOC比当前SOC大超过设定值，则对SOC校正减去设定值；

若经过已选取的电池模型得到的校正SOC比当前SOC小超过设定值，则将SOC校正增加设定值。

当前参数不满足SOC校正时，SOC的计算继续使用原有的方法，如安时积分或者卡尔曼滤波等进行计算。

本发明中SOC校正模块的校正参数设定值为3％，SOC校正模块只对SOC数据校正一次，若本次充电过程已校正过一次，则不再进行校正。在实际测试过程中，dQ/dv从空电到充满时的变化曲线一般只有两个波峰。校正值与真实值的偏差范围一般为±2.5％，故在本发明校正方法中，我们采取3％的校正指标，并只需进行一次校正。

3.有益效果

相比于现有技术，本发明的优点在于：

(1)本发明提出基于已有数据提取充电电池特征参数并搭建电池模型，通过该模型判断是否需要进行SOC校正，假如需要，则下发校正的SOC给控制器ECU进行SOC校正。相对与现有技术，本发明可以消除安时积分计算SOC在浅充浅放工况下的累积误差，提高SOC的精度；

(2)由于电池充电时产生的数据很多，本发明搭建的电池模型包含了技术和数据过滤模块、BP神经网络模块和SOC校正模块，实现数据的过滤、计算和校正，有效过滤噪声数据。同时选取了几项典型的电池表征参数：温度、电压、SOH和dQ/dv的峰值作为BP神经网络的输入，防止输入过多，造成BP神经网络过拟合；本发明选取了dQ/dv这个参数，dQ/dv的峰值能很好的反映电池在充电过程的相变，对于同一种电池具有很好的代表性，且在充电过程中易于获取和计算。dQ/dv随着随着温度、电流和SOH的不同，会有些许的偏移，而充电时电流几乎是固定的，因此本发明选取了根据电流和SOH的不同来搭建不同的神经网络模型，可以有效的解决dQ/dv的偏移问题；

(3)本发明在后台系统存储近一年的BP神经网络的训练集和测试集，每个月迭代一次训练集和测试集，既可以保证训练集和测试集覆盖性，可以避免由于后台需要管理的车辆多、时间长，存储过多的工况数据导致的后台数据臃肿，严重消耗资源。

附图说明

图1为本发明方法流程图；

图2为本发明充电中校正策略流程。

具体实施方式

下面结合说明书附图和具体的实施例，对本发明作详细描述。

实施例1

一种基于大数据的磷酸铁锂电池SOC充电在线校正方法，如图1所示，系统采集并计算得到充电过程的温度、电压、电流、SOC、SOH和电池容量的微分曲线dQ/dv，SOH是Stateof Health的缩写，表示蓄电池健康度，是蓄电池满充容量相对额定容量的百分比，新出厂电池为100％，完全报废为0％。SOC是State of Charge的缩写，表示电池荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示，SOC取值范围为0～1，当SOC＝0时表示电池放电完全，当SOC＝1时表示电池完全充满。dQ/dv是表征电池特性的值，对于日常使用的恒流充电，如下式计算

其中：dt表示一段充电时间；dQ表示dt时间的累积充电电量；I表示充电电流；dv表示dt时间的电压变化。

将采集到的数据输入到已根据历史充电数据搭建好的电池模型中，进一步判断是否需要校正SOC。电池模型包括数据过滤模块、BP神经网络模块和SOC校正模块，BP神经网络模块与过滤模块和SOC校正模块均连接。采集到的数据输入到过滤模块，当满足数据过滤模块条件时，再进入BP神经网络模块，计算得到需要校正的SOC，该SOC再输入到SOC校正模块，结合当前的SOC决定是否校正SOC，若需要校正SOC，则给出校正SOC值。

电池模型的数据过滤模块首先判断是否满足校正条件，数据过滤分为两步，第一步是数据分组，第二步是分组过滤，在数据分组时对获取到的电池参数根据SOH和温度的差距进行分组，并计算电池容量微分曲线dQ/dv。

分组后提取对应数据的电压和SOC为5％范围内的极大值电池容量的微分曲线dQ/dv，若电压与该温度相差在5℃范围以内的分组的平均电压差距在10mv以内；或者电池容量的微分曲线dQ/dv极大值与已选择的分组的电池容量的微分曲线dQ/dv平均值的误差在20％以内，则认为该次电压采样误差影响较大，舍弃该次数据。

若满足条件，则这些表征参数，包括dQ/dv、温度、电压、SOC和SOH输入到电池模型的BP神经网络模块，得到校正SOC，最后将校正SOC值与ECU上传的SOC对比，决定是否校正及校正的值。

如图2所示，本实施例具体包括以下步骤：

S1、系统实时读取电池的历史充电特征参数，所述参数包括电流、温度、电压、SOC和SOH；为了方便循环计算，设置一个最大值max，max＝0；

S2、判断充电电流是否稳定，当前电流和前一次上传的电流相差在5％以内即认为充电已稳定；对充电数据进行筛选，筛选的条件为：充电起始SOC小于30％且满充校正时SOC偏差小于2％；

S3、计算电池容量的微分曲线dQ/dv，时间间隔为等定位间隔，本实施例中每隔5mv计算得到dQ/dv的值；考虑到采样噪声，对于dQ/dv采用滑动平均滤波，滤波次数为10次；

S4、判断电池容量的微分曲线dQ/dv是否为SOC变化一定范围时间段内的最大值，如果是，同时得到最大值时对应的电压Vpeak、温度Tpeak、SOCpeak、SOHpeak和dQ/dvpeak，并进入下一步；否则，回到S1继续计算；本实施例中一定范围时间选取为5％；

S5、判断本次计算是否合理：根据已有的充电的数据的分组，就近选择与当前温度T最近的温度分组，得到其dQ/dv的平均值dQ/dvavg和电压的平均值Vavg。若满足条件则进入下一步，否则，认为此次采样误差较大，结束本次校正的判断；

判断是否满足条件：

(1)、Vpeak和Vavg相差在10mv以内；

(2)、dQ/dvpeak与dQ/dvavg相差在20％以内；

S6、电池模型中的BP神经网络模块根据本次充电的dQ/dvpeak、Tpeak、Vpeak和SOHpeak计算得到校正SOC的值SOCcalib；BP神经网络模块建立输入为dQ/dv、温度、SOH和电压为输入，SOC为输出，包括一层隐含层的三层神经网络，运用训练集得到训练后的神经网络；将已经进行筛选过的分组进行划分，其中每个组的70％的数据集作为训练集，30％的数据作为测试集；若BP神经网络不可使用，则每3天通过上传新的数据来增大训练集数量，重新训练，直至满足测试集的要求。

S7、电池模型中的SOC校正模块根据SOCcalib、SOCpeak和当前的SOCnow决定是否校正，若校正则输出校正的值；

校正模块不同情况的校正状态：

(1)、若SOCcalib与SOCpeak相差在3％以内，则不校正SOC；

(2)、若SOCcalib>SOCpeak+3％，则将SOC校正为SOCcalib-3％+(SOCnow-SOCpeak)；

(3)、若SOCcalib<SOCpeak-3％，则将SOC校正为SOCcalib+3％+(SOCnow-SOCpeak)。

本发明对于已有的BP神经网络，要求每个月进行一次更新，替代的是一年前的相同时间短训练集和测试集，再次进行BP神经网络训练和测试。

以上示意性地对本发明创造及其实施方式进行了描述，该描述没有限制性，在不背离本发明的精神或者基本特征的情况下，能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一，实际的结构并不局限于此，权利要求中的任何附图标记不应限制所涉及的权利要求。所以，如果本领域的普通技术人员受其启示，在不脱离本创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本专利的保护范围。此外，“包括”一词不排除其他元件或步骤，在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。