(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 202110570824.2 (22)申请日 2021.05.25 (65)同一申请的已公布的文献号 申请公布号 CN 113420494 A (43)申请公布日 2021.09.21 (73)专利权人 四川轻化工大 学 地址 643000 四川省自贡 市自流井区汇兴 路519号 (72)发明人 王春　马玉婷　 (74)专利代理 机构 北京市诚辉律师事务所 11430 专利代理师 杨帅峰　岳东升 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/12(2006.01) G06N 7/00(2006.01) G06F 111/06(2020.01) G06F 111/08(2020.01)(56)对比文件 CN 105425154 A,2016.0 3.23 CN 10864619 9 A,2018.10.12 CN 112580284 A,2021.0 3.30 US 9989595 B1,2018.0 6.05 US 20180 31638 A1,2018.02.01 刘伟龙等.基 于模型融合与自适应无迹卡尔 曼滤波算法的锂离 子电池SOC估计. 《汽车工程》 .2017,第39卷(第09期), Lei Zhang等.A review of supercapacitor model ing, estimati on, and applications: A co ntrol/management perspective. 《Renewable and Sustai nable Energy Reviews》 .2017,第81卷 Yujie Wang等.Devel opment of energy management system based o n a rule-based power distributi on strategy for hybrid power sources. 《Energy》 .2019,第175卷 审查员 李佳丽 (54)发明名称 一种超级电容贝叶斯 概率融合建模方法 (57)摘要 本发明提供了一种超级电容贝叶斯概率融 合建模方法， 选用了多种模型分别对超级电容进 行初步的建模， 相较于只采用单一模 型的方式显 著提高了模 型冗余度。 首先依托于遗传算法对所 建立的各模型分别完成参数辨识， 并在UDDS工 况 下有效检验了不同模型的精度。 最后， 基于贝 叶 斯融多个模 型的端电压预测值进行融合计算， 相 对于现有技 术大大提高了超 级电容模型的精度。 权利要求书1页 说明书8页 附图7页 CN 113420494 B 2022.09.06 CN 113420494 B 1.一种超级电容贝叶斯 概率融合建模方法， 其特 征在于： 具体包括以下步骤： S1、 将SOC划分为若干区间段并分别 对超级电容进行HPPC混合动力脉冲测试， 采样超级 电容的电流和电压数据； S2、 选择多种模型分别 对超级电容建模， 基于各个S OC区间段测试采集到的电流和电压 数据， 利用遗传算法对建立的模型进行参数辨识； S3、 在UDDS工况下采集超级电容的端电压预测值， 并利用采集的电流和电压数据代入 参数辨识后的各模型输出相应的端电压计算结果； S4、 利用贝叶斯概率模型并基于所述端电压计算结果与UDDS工况下得到的端电压预测 值之间的偏差， 为各个模 型赋予对应于不同SOC区间段以及不同时刻的权重， 形成超级电容 的贝叶斯 概率融合模型； S5、 以前一时刻的融合模型作为下一时刻的初始值， 对融合模型实现持续更新。 2.如权利要求1所述的方法， 其特征在于： 步骤S1中具体以10％SOC为单位划分形成10 个区间段； 步骤S2中具体选择Rint模型、 Thevenin模型、 双极化模型、 PNGV模型、 GNL模型、 动态模 型、 带滞后的一阶RC模型和带滞后的二阶RC模型， 基于这8种模型分别对 超级电容建模。 3.如权利要求1所述的方法， 其特 征在于： 步骤S4具体包括： 在UDDS工况下采集超级电容的端电压预测值 并定义： 其中， 为单一模型的端电压预测值， wi为各模型的权 重， 则wi满足 根据贝叶斯定理将端电压预测值改写为： 残差为： U(k)为k时刻的端电压待估值， 则有： 其中， 为各模型残差的方差； 基于下式得到各模型的权 重： 权　利　要　求　书 1/1 页 2 CN 113420494 B 2一种超级电容贝叶斯概 率融合建模方法 技术领域 [0001]本发明属于电动汽车超级电容管理技术领域， 尤其涉及 一种超级电容贝叶斯概率 融合建模方法。 背景技术 [0002]由于超级电容在功率密度方面的优势， 可以实现大电流的充电和放电， 应用于新 能源汽车可以为车辆提供急需的峰值电流、 吸收过高的制动电流、 缓解浪涌电流对车载电 源系统的冲击， 从而延长车载电源使用寿命， 因此在本领域中常与锂离子动力电池一起作 为车载电源系统为车辆供能。 [0003]超级电容在使用中， 诸如荷电状态等与其性能密切相关的参数通常尚直接测量得 到， 目前常用的方法主要 是借助电流、 电压参数并结合相应模 型的间接方式， 以实现对超级 电容的监管。 然而， 如果所建立的模型不准确， 亦或是不确定的运行环境 都会使得参数发生 较大变化， 不利于车载电源的状态估计和能量优化管理， 容易导致车载电源管理系统的监 测功能下降， 进而 可能导致新能源汽车的低效、 起火、 爆 炸等隐患。 因此， 如何提高超级电容 模型的冗余性， 在保障车载电源系统可靠性的同时提升车载电源管理策略的精度， 是本领 域中亟待解决的技 术问题。 发明内容 [0004]针对上述本领域中存在的技术问题， 提供了超级电容贝叶斯概率融合建模方法， 具体包括以下步骤： [0005]S1、 将SOC划分为若干区间段并分别对超级电容进行HPPC混合动力脉冲测试， 采样 超级电容的电流和电压数据； [0006]S2、 选择多种模型分别对超级电容建模， 基于各个SOC区间段测试采集到的电流和 电压数据， 利用遗传算法对建立的模型进行参数辨识； [0007]S3、 在UDDS(Urban  Dynamometer  Driving Schedule)工况下采集超级电容的端电 压预测值， 并利用采集的电流和电压数据 代入参数辨识后的各模型输出相应的端电压计算 结果； [0008]S4、 利用贝叶斯概率模型 并基于所述端电压计算结果与 UDDS工况下得到的端电压 预测值之间的偏 差， 为各个模型赋予对应于不同SOC区间段以及不同时刻的权重， 形成超级 电容的贝叶斯 概率融合模型； [0009]S5、 以前一时刻的融合模型作为下一时刻的初始值， 对融合模型实现持续更新。 [0010]进一步地， 步骤S1中具体以10％SOC为单位划分形成10个区间段。 [0011]进一步地， 步骤S2中具体选择Rint模型、 Thevenin模型、 双极化模型、 PNGV模型、 GNL模型、 动态模 型、 带滞后的一阶RC模 型和带滞后的二阶RC模型， 基于这8种模 型分别对超 级电容建模。 [0012]进一步地， 步骤S4具体包括：说　明　书 1/8 页 3 CN 113420494 B 3