本發明涉及電池技術領域，尤其涉及一種基于遺傳神經網絡的BMS系統的SOC的估算方法。

背景技術：

電池荷電狀態(State of Charge，SOC)的準確估算是電動汽車電池充放電控制和動力優化管理的重要依據，直接影響電池的使用壽命和汽車的動力性能，并能預測電動汽車的續駛里程。目前，電池管理系統(Battery Management System，BMS)的SOC的估算方法通常采用安時法，即通過檢測電池的實際容量來檢測電池的充放電狀態，通過電池的初始特征OCV曲線(Open Circuit Voltage，開路電壓)進而估算電池的SOC，隨著時間的積累，電池電量不斷衰減，整個OCV曲線也在變化，依靠原來的OCV曲線計算BMS系統的SOC，存在較大的誤差，SOC的估算不精準。

鑒于此，實有必要提供一種新型的基于遺傳神經網絡的BMS系統的SOC的估算方法以克服以上缺陷。

技術實現要素：

本發明的目的是提供一種估算精準的基于遺傳神經網絡的BMS系統的SOC的估算方法。

為了實現上述目的，本發明提供一種基于遺傳神經網絡的BMS系統的SOC的估算方法，包括如下步驟：

步驟一：對BMS系統充電，充電樁獲取BMS系統內的電池的實際容量；

步驟二：構建神經網絡模型，獲取電池容量參數特征對照表，所述電池容量參數特征對照表包括電池衰減過程中的電流電壓容量標定參數、內阻容量標定參數及OCV容量標定參數；

步驟三：將步驟一中的電池實際容量與步驟二中的電池容量參數特征對照表進行對照，獲取電流電壓容量標定參數內的衰減電壓數據、內阻容量標定參數內的衰減內阻數據及OCV容量標定參數內的衰減OCV數據；

步驟四：根據步驟三中的衰減電壓數據、衰減內阻數據及衰減OCV數據計算BMS系統的SOC。

在一個優選實施方式中，所述步驟二中的電壓電流容量標定參數、內阻容量標定參數及OCV容量標定參數分別通過在靜態條件下，電壓電流的容量標定曲線、內阻容量標定曲線及OCV容量標定曲線獲得數據樣本。

在一個優選實施方式中，所述步驟二中電池容量參數特征對照表的獲取包括如下步驟：S1：建立離散數據庫；S2：提取訓練樣本點；S3：構建神經網絡模型；S4：在線電流采集；S5：穩態電流估算；S6：獲取電池容量參數特征對照表。

在一個優選實施方式中，通過所述步驟三中的衰減電壓數據、衰減內阻數據及衰減OCV數據，能夠獲取SOC的衰減數據。

在一個優選實施方式中，所述步驟四中SOC的計算公式為：

其中，Q為電量，I為電流，SOC_k+1為k+1時刻的SOC值，SOC_k為k時刻的SOC值，C為電池的額定容量，I_k為k時刻的電流值。

相比于現有技術，本發明提供的基于遺傳神經網絡的BMS系統的SOC的計估算方法，通過神經網絡模型重新獲取衰減后的性能參數值，構建SOC的衰減模型，計算的SOC值較為精準。

【附圖說明】

圖1為本發明提供的基于遺傳神經網絡的BMS系統的SOC的估算方法的流程圖；

圖2為靜態下，電壓、電流的容量標定曲線；

圖3為靜態下，內阻容量的標定曲線；

圖4為靜態下，OCV容量標定曲線；

圖5為圖1所示的方法中步驟2的子步驟的流程圖。

【具體實施方式】

為了使本發明的目的、技術方案和有益技術效果更加清晰明白，以下結合附圖和具體實施方式，對本發明進行進一步詳細說明。應當理解的是，本說明書中描述的具體實施方式僅僅是為了解釋本發明，并不是為了限定本發明。

如圖1所示，本發明提供一種基于遺傳神經網絡的BMS系統的SOC的估算方法，包括如下步驟：

步驟一：對BMS系統充電，充電樁獲取BMS系統內的電池的實際容量；

步驟二：構建神經網絡模型，獲取電池容量參數特征對照表，所述電池容量參數特征對照表包括電池衰減過程中的電流電壓容量標定參數、內阻容量標定參數及OCV容量標定參數；

步驟三：將步驟一中的電池實際容量與步驟二中的電池容量參數特征對照表進行對照，獲取電流電壓容量標定參數內的衰減電壓數據、內阻容量標定參數內的衰減內阻數據及OCV容量標定參數內的衰減OCV數據；

步驟四：根據步驟三中的衰減電壓數據、衰減內阻數據及衰減OCV數據計算BMS系統的SOC。

如圖2、圖3及圖4所示，所述步驟二中的電壓電流容量標定參數、內阻容量標定參數及OCV容量標定參數分別通過在靜態條件下，電壓電流的容量標定曲線、內阻容量標定曲線及OCV容量標定曲線獲得數據樣本。

本發明中所指的靜態條件下是指在實驗室中對若干電池進行若干次充放電測試，對若干電池在整個生命周期內的電壓、電流、內阻及OCV進行監測，繪制電壓電流的容量標定曲線、內阻容量標定曲線及OCV容量標定曲線。

如圖5所示，所述步驟二中電池容量參數特征對照表的獲取包括如下步驟：S1：建立離散數據庫；S2：提取訓練樣本點；S3：構建神經網絡模型；S4：在線電流采集；S5：穩態電流估算；S6：獲取電池容量參數特征對照表。

通過建立離散數據庫，提取出數據樣本點，搭建神經網絡模型。

進一步的，通過所述步驟三中的衰減電壓數據、衰減內阻數據及衰減OCV數據，能夠獲取SOC的衰減數據。

進一步的，所述步驟四中SOC的計算公式為：

其中，Q為電量，I為電流，SOC_k+1為k+1時刻的SOC值，SOC_k為k時刻的SOC值，C為電池的額定容量，I_k為k時刻的電流值；公式(1)中，t₀到t₁時刻，電流I隨著時間的推移是不斷變化的，將不斷變化的電流在時間上做積分，得到電量Q；公式(2)中k+1時刻的SOC會參照k時刻的SOC加上k時刻電池SOC的衰減值。根據公式(1)及公式(2)計算出不同時刻電池容量的衰減程度，建立電池容量衰減模型。

通過電動汽車的每一次充電，得到電流池容量的衰減數據，將電流容量的衰減數據放入構建好的神經網絡，充電電池容量的實際數據主動查找神經網絡模型內的數據，通過神經網絡的自學習算法找到對應的數據后，輸入對應的模型公式，該數據的模型具有遺傳的效果。

本發明提供的基于遺傳神經網絡的BMS系統的SOC的計估算方法，通過神經網絡模型重新獲取衰減后的性能參數值，構建SOC的衰減模型，計算的SOC值較為精準。

本發明并不僅僅限于說明書和實施方式中所描述，因此對于熟悉領域的人員而言可容易地實現另外的優點和修改，故在不背離權利要求及等同范圍所限定的一般概念的精神和范圍的情況下，本發明并不限于特定的細節、代表性的設備和這里示出與描述的圖示示例。