CN103592604B - 用于蓄电池参数估计的系统和方法 - Google Patents
用于蓄电池参数估计的系统和方法 Download PDFInfo
- Publication number
- CN103592604B CN103592604B CN201310355026.3A CN201310355026A CN103592604B CN 103592604 B CN103592604 B CN 103592604B CN 201310355026 A CN201310355026 A CN 201310355026A CN 103592604 B CN103592604 B CN 103592604B
- Authority
- CN
- China
- Prior art keywords
- battery system
- parameter
- value
- particle
- modeling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本公开涉及使用多个粒子来估计蓄电池参数,包括SOC和SOH,每个粒子表示蓄电池系统的至少一个参数和至少一个状态。系统模型可用于使用处理逻辑来模拟蓄电池系统。所述多个粒子中的每一个可经过系统模型以产生多个建模粒子值。所述多个建模粒子值中的每一个可与蓄电池系统的电气参数测量值进行比较。每个粒子可基于建模粒子值和测量值的比较来加权。基于分配给所述多个建模粒子值中的每一个的权重,可产生多个后续粒子。可执行多次迭代,以产生多个调整建模粒子值,蓄电池系统的估计参数可基于多个调整建模粒子值。
Description
技术领域
本公开涉及估计蓄电池参数的系统和方法,包括蓄电池荷电状态(SOC)和/或蓄电池健康状态(SOH)。更具体地但非排他地,本公开涉及使用粒子滤波方法和/或序贯蒙特卡罗方法来估计SOC和/或SOH的系统和方法,以估计蓄电池参数,如开路电压。
背景技术
蓄电池系统的操作是动态的且蓄电池系统的性能随着使用年限而显著地变化。蓄电池的容量在蓄电池的寿命内降级。过度充电(over-charging)和过度消耗(over-depleting)可加速蓄电池容量的降级。因而,可以使用控制系统以防止过度充电和过度消耗,以改进蓄电池系统的寿命。此外,蓄电池的容量可能受温度和其它操作条件影响。
电动车辆(EV)和插电式混合电动车辆(PHEV)中包括的蓄电池系统的容量可约束车辆的里程。蓄电池系统的SOH是蓄电池存储和提供电能的能力的定量度量,而蓄电池系统的荷电状态(SOC)是存储在蓄电池中的电能的度量。蓄电池诊断和预测方法可用于保持合适蓄电池操作且给用户提供蓄电池何时将消耗的指示。蓄电池诊断可跟踪蓄电池性能的降级以估计蓄电池SOH且可跟踪SOC。
用于估计蓄电池系统的参数的控制系统可包含如下算法:卡尔曼滤波设计、经典最小二乘设计以及扩展卡尔曼滤波设计。然而,这种系统可能不适合于一些应用,基于估计蓄电池参数所需的时间、这种设计针对由于蓄电池使用年限、蓄电池差异和操作条件(例如,温度和SOC)引起的变化进行调整的难度。此外,这种系统通常估计蓄电池状态或蓄电池参数中的任一种,但不允许同时估计蓄电池状态和蓄电池参数两者。最后,这种系统可能难以从初始SOC或蓄电池容量的不准确估计或测量恢复。
发明内容
本文阐述了使用多个粒子来估计蓄电池参数的系统和方法,包括SOC和SOH,每个粒子表示蓄电池系统的一个或多个状态和参数。系统模型可用于使用处理逻辑来模拟蓄电池系统。所述多个粒子中的每一个可经过系统模型且可得到对应的多个建模粒子值。所述多个建模粒子值中的每一个可与蓄电池系统的电气参数测量值进行比较。每个粒子可基于建模粒子值和测量值的比较来加权。基于分配给所述多个建模粒子值中的每一个的权重,可产生多个后续粒子。可执行期望数量的迭代,以产生多个调整建模粒子值,蓄电池系统的估计参数可基于多个调整建模粒子值。
蓄电池系统的各个参数和状态可一起估计,例如开路电压、SOC和SOH、和/或可使用本文公开的系统和方法估计的任何期望系统参数。蓄电池系统的估计参数可用于控制蓄电池系统的充电和消耗和/或给用户提供信息。
方案1. 一种用于估计蓄电池系统的参数的方法,包括:
产生多个初始粒子,每个粒子表示蓄电池系统的至少一个参数和至少一个状态;
通过用所述多个初始粒子开始执行多次迭代过程来产生多个调整建模粒子值,所述迭代过程包括:
使所述多个粒子中的每一个经过表示蓄电池系统的系统模型,以获得多个第一建模粒子值;
基于所述多个建模粒子值与蓄电池系统的电气参数的至少一个测量值的比较,将权重分配给所述多个建模粒子值中的每一个;
基于分配给所述多个建模粒子值中的每一个的权重产生多个后续粒子;以及
使用所述多个后续粒子重复迭代过程;
基于所述多个调整建模粒子值中的一个或多个来估计蓄电池系统的至少一个参数。
方案2. 根据方案1所述的方法,其中,电气参数包括蓄电池系统的估计开路电压。
方案3. 根据方案2所述的方法,还包括:基于蓄电池系统的估计开路电压来估计蓄电池系统的荷电状态。
方案4. 根据方案3所述的方法,还包括:给蓄电池系统的用户显示所估计荷电状态的指示。
方案5. 根据方案3所述的方法,还包括:通过起动与交流发电机连通的内燃发动机而开始充电操作,所述交流发电机配置成在所估计荷电状态下降低于第一阈值时给蓄电池系统充电。
方案6. 根据方案3所述的方法,还包括:通过停止与交流发电机连通的内燃发动机而中断充电操作,所述交流发电机配置成在所估计荷电状态超过第二阈值时给蓄电池系统充电。
方案7. 根据方案3所述的方法,还包括:基于所估计开路电压产生蓄电池系统的估计健康状态。
方案8. 根据方案1所述的方法,其中,蓄电池系统的电气参数的至少一个测量值包括蓄电池系统的一组端子之间的电压测量值,所述多个第一建模粒子值包括该组端子之间的电压的估计值。
方案9. 根据方案1所述的方法,其中,蓄电池系统的电气参数的至少一个测量值包括源于蓄电池系统的电流的测量值,所述多个第一建模粒子值包括源于蓄电池系统的电流的估计值。
方案10. 根据方案1所述的方法,其中,基于所述多个调整建模粒子值中的一个或多个来估计蓄电池系统的至少一个参数包括计算所述多个调整建模粒子值的平均值。
方案11. 根据方案1所述的方法,其中,蓄电池系统的至少一个参数包括如下中的一个:开路电压;蓄电池系统的容量;跨过并联电阻器-电容器电路的电压降;并联电阻器-电容器电路中的电阻器的值;以及并联电阻器-电容器电路中的电容器的值。
方案12. 根据方案1所述的方法,其中,迭代过程还包括获取蓄电池系统的电气参数的至少一个测量值。
方案13. 根据方案1所述的方法,还包括:估计蓄电池系统的多个参数和将平滑算法应用于所述多个参数。
方案14. 一种系统,包括:
传感器单元,配置成接收蓄电池系统的电气参数的至少一个测量值;
处理逻辑,通信地联接到传感器单元且配置成:
产生多个初始粒子,每个粒子包括蓄电池系统的至少一个参数和至少一个状态的表示;
使所述多个粒子中的每一个经过表示蓄电池系统的系统模型,以获得多个第一建模粒子值;
基于所述多个建模粒子值与由传感器单元接收的蓄电池系统的电气参数的至少一个测量值的比较,将权重分配给所述多个建模粒子值中的每一个;
基于分配给所述多个建模粒子值中的每一个的权重产生多个后续粒子;以及
基于所述多个调整建模粒子值中的一个或多个来估计蓄电池系统的至少一个参数。
方案15. 根据方案14所述的系统,其中,系统模型包括单电阻器-电容器电路和双电阻器-电容器电路中的一个。
方案16. 根据方案14所述的系统,其中,至少一个参数的估计值包括蓄电池系统的荷电状态。
方案17. 根据方案16所述的系统,还包括控制系统,所述控制系统配置成在荷电状态低于第一阈值时使用与交流发电机连通的内燃发动机开始充电操作,交流发电机与蓄电池系统连通。
方案18. 根据方案16所述的系统,还包括在荷电状态高于第二阈值时终止充电操作。
方案19. 根据方案14所述的系统,其中,处理逻辑还配置成估计蓄电池系统的多个参数和将平滑算法应用于所述多个参数。
方案20. 一种用于估计蓄电池系统的参数的方法,包括:
产生多个初始粒子,每个粒子表示蓄电池系统的至少一个参数和至少一个状态;
通过用所述多个初始粒子开始执行多次迭代过程来产生多个调整建模粒子值,所述迭代过程包括:
使所述多个粒子中的每一个经过表示蓄电池系统的系统模型,以获得多个第一建模粒子值;
基于所述多个建模粒子值与蓄电池系统的电气参数的至少一个测量值的比较,将权重分配给所述多个建模粒子值中的每一个;
基于分配给所述多个建模粒子值中的每一个的权重产生多个后续粒子;
基于所述多个调整建模粒子值中的一个或多个来估计蓄电池系统的至少一个参数;以及
使用所述多个后续粒子重复迭代过程。
附图说明
参考附图描述了本公开的非限制性和非穷举性的实施例,包括本公开的各种实施例,在附图中:
图1图示用于估计与车辆中的蓄电池系统有关的参数的示例性系统。
图2A图示了根据本文公开的实施例的用于蓄电池参数估计的示例性方法的流程图。
图2B图示了根据本文公开的实施例的用于蓄电池参数估计的示例性方法的流程图。
图3图示了根据本文公开的实施例的用于蓄电池参数估计的方法的构思表示。
图4A图示了根据本文公开的实施例的用于蓄电池参数估计的示例性电阻器-电容器电路。
图4B图示了根据本文公开的实施例的用于建模蓄电池的示例性双电阻器-电容器电路。
具体实施方式
下面提供根据本公开的实施例的系统和方法的详细描述。虽然描述了若干实施例,但应该明白的是,本公开并不局限于任何一个实施例,而是应包括大量的替代方案、变型方案和等同方案。另外,虽然在以下描述中给出了大量具体的细节以便提供对本文所公开的实施例的透彻理解,但是一些实施例可以在没有这些细节的一部分或全部的情况下实施。此外,为了清楚的目的,相关领域中公知的某些技术材料未被详细描述,以避免不必要地模糊本公开。
本公开的实施例通过参考附图将得到最佳的理解,附图中相似零部件可以由相似附图标记表示。容易理解的是,如本文在附图中总体上描述和图示的所公开实施例的部件可以以多种多样不同的配置来设置和设计。因此,本公开的系统和方法的实施例的以下详细描述并非旨在限制要求保护的本公开范围,而是仅仅代表本公开的可能实施例。另外,方法的步骤并不一定必须按照任何特定的顺序或者甚至按顺序来执行,也不要求步骤只执行一次,除非另有说明。
本文公开了用于估计蓄电池系统的参数的系统和方法。本文公开的系统和方法可允许蓄电池参数估计的系统和方法中的改进。根据一些实施例,可以实现产生各个蓄电池系统参数估计值的速度改进。根据其它实施例,可以实现对由于蓄电池使用年限、蓄电池差异和操作条件(例如,温度和SOC)引起的变化的改进调整。另外,基于改进调整和/或产生各个蓄电池系统参数估计值的改进效率,可以实现准确度的改进。由于估计蓄电池参数的改进准确度,可以实现多个益处,例如在内燃发动机(ICE)用于给蓄电池系统充电的实施例中燃料经济性的改进;蓄电池控制的改进;延长的蓄电池系统寿命;蓄电池系统更换的减少成本;以及考虑各个蓄电池中的差异的减少标定。
本文公开的各个实施例可以通过随机序贯建模过程来估计蓄电池状态和参数两者,使用来自于蓄电池系统的测量值精炼。因而,本文公开的系统和方法可能能够对在蓄电池寿命内操作条件的变化和蓄电池条件的变化进行调整。另外,由于结合本公开各个实施例使用的建模技术的稳定性能,本文公开的系统和方法可需要较少标定。此外,本文公开的各个实施例可结合蓄电池容量信息(如果这种信息可用),以便改进估计过程。如果蓄电池容量不准确地已知,那么本公开的系统和方法可提供蓄电池容量的估计值,其通过建模过程的后续迭代而精炼。
根据某些实施例,蓄电池的开路电压可被估计,且可以使用以便计算其它参数的估计值,例如蓄电池系统的SOC和/或SOH。根据各个实施例,迭代算法可以用于精炼和调整可以用于模拟蓄电池的多个参数。根据某些实施例,可以使用粒子滤波方法和/或序贯蒙特卡罗方法。基于序贯蒙特卡罗方法的实施例可以依赖于用于模拟蓄电池系统的调整参数的重复随机取样。使用来自于蓄电池的测量值,后续迭代可产生蓄电池系统的日益准确的估计值。估计的准确度的改进可归因于在算法的后续迭代中调整各个蓄电池参数。
本文公开的各个实施例可使用随机值来建模蓄电池系统。如本文使用的,术语“随机”指的是可概率地和/或半概率地确定的值,与确定性地不同。各种类型的随机值可结合根据本公开的某些实施例使用。例如,某些实施例可产生某些边界范围内的随机值。这种范围的边界可以预先确定,还可以是随机的,或者可以是随机值和预定值的组合。根据某些实施例,还可以使用伪随机数。为了本公开的目的,伪随机值可以认为是随机值。
图1图示用于估计与车辆100中的蓄电池系统102有关的参数的示例性系统。车辆100可以是机动车辆(motor vehicle)、船舶(marine
vehicle)、航空器和/或任何其它类型车辆,并且可以包括ICE传动系、电动马达传动系、混合动力发动机传动系、燃料电池(FC)传动系、和/或适合于合并本文所公开的系统和方法的任何其它类型的传动系。车辆100可以包括蓄电池系统102,所述蓄电池系统102在某些实施例中可以是高压(HV)蓄电池系统。HV蓄电池系统可以用于为电动传动系部件(例如,如在电力、混合动力或者FC动力系统中一样)提供动力。在再一些实施例中,蓄电池系统102可以是低电压蓄电池(例如,铅酸12V汽车蓄电池),并且可以配置成供给电能至各种车辆100系统,包括例如车辆起动器系统(例如,起动器马达)、照明系统、点火系统和/或类似系统。
蓄电池系统102可以包括控制系统104。控制系统104可以配置成监测和控制蓄电池系统102的某些操作。例如,控制系统104可以配置成监测和控制蓄电池系统102的充电和/或放电操作。在某些实施例中,控制系统104可以与一个或多个传感器、致动装置(例如,电气继电器)和/或配置成使控制系统104能够监测和控制蓄电池系统102的操作的系统通信地联接。控制系统104还可以配置成提供信息至车辆100中包括的其它系统和/或从车辆100中包括的其它系统接收信息。例如,控制系统104可以与处理逻辑116和/或发动机控制模块(“ECM”)118通信地联接。在某些实施例中,处理逻辑116可以至少部分地配置成向车辆100的用户提供关于蓄电池系统102的信息,包括例如蓄电池SOC信息、蓄电池操作时间信息、蓄电池SOH信息、蓄电池操作温度信息和/或用户感兴趣的关于蓄电池系统102的任何其它信息。
蓄电池系统102可以包括尺寸适于向车辆100提供足够电功率的一个或多个蓄电池组108。每个蓄电池组108可以包括一个或多个蓄电池模块110。蓄电池模块110可以包括一个或多个蓄电池单元,采用任何适当的蓄电池技术,包括例如铅酸、镍金属氢化物(“NiMH”)、锂离子(“Li离子”)、Li离子聚合物、锂-空气、镍-镉(“NiCad”)、包括吸附式玻璃纤维棉(“AGM”)的阀控铅酸(“VRLA”)、镍-锌(“NiZn”)、熔盐(例如,ZEBRA蓄电池)和/或任何其它适当的蓄电池技术。
处理逻辑116可配置成建模蓄电池系统102和产生与蓄电池系统102有关的各个参数的估计值。根据各个实施例,可产生多个粒子,其中每个表示蓄电池系统102的至少一组参数和状态变量。所述多个粒子中的每一个可经过系统模型。基于蓄电池系统102的测量值与和每个粒子有关的系统模型结果的比较,权重分配给每个粒子。可产生基于分配给所述多个粒子中的每一个的权重的多个后续粒子,且过程可以迭代地重复。蓄电池系统102的参数的估计值可以产生,其与蓄电池系统102的开路电压、蓄电池系统102的SOC和蓄电池系统102的SOH、以及/或与蓄电池系统102的系统模型有关的其它参数相关,如下文结合图4A和图4B更详细所述。
基于蓄电池系统102的具体参数的估计值的结果可以采取各个动作。例如,当蓄电池系统102的SOC下降低于具体阈值时,可通过起动与交流发电机(未示出)或其它合适动力系统连通的内燃发动机(未示出)来开始充电操作,以给蓄电池系统102充电和防止蓄电池系统102的过度消耗。此外,当蓄电池系统102的SOC超过指定阈值时,内燃发动机或其它动力系统可停止,以便防止使蓄电池系统102过度充电。在另外的实施例中,蓄电池系统102的估计SOH也可以使用处理逻辑116产生。估计SOH可以用于给用户提供蓄电池系统102需要更换的指示。
图2A和图2B分别图示了用于通过产生多个调整建模粒子值来估计蓄电池系统的至少一组参数和状态变量的示例性方法200A和200B的流程图。在某些实施例中,蓄电池系统的至少一组参数和状态变量可同时估计。如图所示,方法200A和200B包括许多相同要素;然而,在方法200A中,要素204在迭代过程220A之外,而在方法200B中,要素204在迭代过程220B之内。此外,根据图2A所示的实施例,要素222在迭代过程220A之内,而在图2B中,要素222在迭代过程220B之外。方法200A和200B的共同要素在下文一起描述。
在202,可产生期望数量的粒子且每个粒子的参数可以设定为初始条件。组中的每个粒子可表示可以建模和用于预测系统输出的参数和状态变量的矢量。预测输出可以与被建模系统的获取测量值进行比较。根据某些实施例,初始粒子组中的一个或多个粒子的初始参数可以是随机值和/或合理最佳猜测值。根据一个实施例,随机值可以在与蓄电池系统的物理最大值和最小值相对应的边界范围内设定。在其它实施例中,初始粒子组中的粒子的初始参数和状态变量可以设定为预定值。例如,粒子值可以在被建模系统中的给定参数的最小值和最大值之间分配。另外,给定粒子的一些参数的值可以随机设定,而粒子的其它参数可以预先确定。在202产生的多个粒子可以初始分配相等权重或者粒子可具有不同权重。根据其它实施例,分配给各个粒子的权重可以基于先前确定的值或基于预定权重。
在某些实施例中,迭代过程220A和220B可以执行指定次数。迭代的指定次数可以由变量i表示,且计数变量k可表示已经执行的迭代次数。计数变量k可初始化为值1,且在迭代过程结束时累增(即,在每个迭代结束时,k=k+1)。迭代过程可继续,直到k=i,此时,迭代过程220A和220B可终止。
蓄电池系统的电气系统的测量值可在204获取。如图2A所示,蓄电池系统的电气系统的测量值可在迭代过程220A之外获取。换句话说,在204获取的电气参数的测量值可以结合迭代过程220A的多次迭代使用。另一方面,如图2B所示,电气参数的测量值可包括在迭代过程220B中。
根据一个实施例,电气参数的测量值可包括蓄电池端子电压和从蓄电池消耗的电流。根据其它实施例,可以测量其它参数,包括例如,蓄电池的阻抗(例如,实际和/或假想)。与蓄电池有关的电气特性的测量值可使用合适传感器获取,例如电压传感器、电流传感器和/或阻抗传感器。
在206,多个粒子可经过模型且可确定建模值。可以使用任何数量的技术和模型以建模具体系统。例如,如结合图4A和4B所述,锂离子蓄电池可以建模为单或双RC电路。取决于期望水平的准确度和可以专用于建模引擎的可用资源,可以使用更复杂或更简单的模型和/或技术。例如,在准确度和计算资源之间可存在折衷。对于具体应用,可确定期望水平的准确度、期望模拟时间和/或可用计算资源的可用量的平衡。
在208,每个粒子的权重可基于建模值和测量值之间的相关性分配。建模值和测量值之间的高相关性可导致对应粒子接收更大权重,而建模值和测量值之间的低相关性可导致对应粒子接收更低权重。各个实施例可基于各个特性分配不同权重。
在210,基于分配给每个粒子的权重来再次取样粒子。粒子的再次取样可涉及产生多个后续粒子的过程,其中,多个先前粒子中的较高权重的粒子具有在多个后续粒子中复制的更大可能性。根据某些实施例,与具有较高权重的粒子相对应的粒子具有的值可被分配大约为与初始粒子有关的值。
在212,可确定期望特性的估计值。根据一个实施例,蓄电池的开路电压可以是要确定的特性。蓄电池的当前SOC可以从所确定的开路电压使用已知关系推算。例如,一些蓄电池展现SOC对比开路电压的倾斜特性。较高开路SOC对应于较高开路电压,类似地,较低SOC对应于较低开路电压。根据某些实施例,查询表可用于将SOC与开路电压相关联。开路电压的估计值还可以用于估计附加参数,例如蓄电池容量或蓄电池的SOH。蓄电池容量可用于基于估计蓄电池容量Ci和初始蓄电池容量C0的比率来确定蓄电池SOH,如方程1所示:
在方程1中,Ci是时间上第i次测量值。
在214,可以确定是否执行模拟迭代。增加迭代次数可允许改进蓄电池参数的估计。根据某些实施例,每当起用蓄电池时,模拟可完成指定迭代次数。根据其它实施例,模拟可基于蓄电池系统的操作时间运行期望迭代次数。例如,蓄电池每操作M小时,模拟可完成N次迭代,其中,N和M是基于具体使用和期望水平的精度来确定的数。在另外的实施例中,模拟可在蓄电池使用时连续地运行,以跟踪蓄电池状态和调整与模拟有关的参数。如果已经完成期望模拟次数,方法200可在218终止。否则,方法200可在206迭代。
在216,多个调整建模粒子值可用于估计蓄电池系统的一个或多个参数。由于迭代过程220A完成,216处的估计值可不同于212处的估计值,因而多个建模粒子值的调整可能是蓄电池系统的更准确表示。如图2B所示,在某些实施例中,要素216可以省去,且在212可以使用期望特性的多个估计值。
要素222,可以作为迭代过程的一部分执行(如图2A所示)或者在迭代过程结束时执行(如图2B所示)。在222,平滑算法(或修匀算法)可应用于在212确定的期望特性的估计值。各种平滑算法可结合各个实施例使用,包括但不限于相加式平滑、Butterworth滤波、指数平滑、卡尔曼滤波、核平滑器(kernel smoother)、Laplacian平滑、低通滤波、移动平均、递归滤波、Savitzky–Golay平滑等。
图2A和2B中所示的不同反映了可以结合本文公开的各个实施例实施的各个修改。例如,在迭代过程中可包括比图2A和2B中任一个所示更多或更少的要素。此外,可基于估计蓄电池系统参数执行附加计算。
图3图示了根据本文公开的实施例的用于蓄电池参数估计的方法300的构思表示。在302,产生具有相等权重的N个随机粒子。每个粒子可表示将建模且与被建模系统的测量值进行比较的状态和参数的矢量。在304,具有相等权重的N个随机粒子经过系统模型,系统模型预测每个粒子的输出。在306,粒子权重可基于由每个粒子的系统模型预测的输出和系统的参数测量值之间的误差来调整。在图3所示的构思图示中,权重由粒子尺寸表示。在306,粒子越大,与粒子有关的预测值与被建模系统的测量值更接近地相对应。
在308,基于在306分配给粒子的权重来产生第二组粒子。在新的粒子组中,在306具有较高权重的粒子更可能复制,而在306具有较低权重的粒子较少可能复制。根据一些实施例,后续迭代中的粒子矢量值将聚集在导致较重权重粒子的初始值周围。由此,参数可累增地调整。例如,在所示实施例中,粒子316得到测量值的最接近近似,因而粒子36接收最高权重。因而,第二组粒子包括可聚集在粒子316的初始值周围的4个粒子。类似地,以322表示的粒子导致具有小权重的值。因此,第二组粒子包括仅仅一个对应粒子。根据某些实施例,以322表示的6个粒子可提供后续建模迭代的上限和下限。
在310,第二组粒子可随机化且再次分配相等粒子权重。第二组粒子的随机化可将随机要素引入粒子中,同时仍依赖于方法300的先前迭代的每个粒子权重。例如,在310的粒子随机化可以通过基于先前迭代中的加权粒子产生边界范围内的随机数而实现。
在312,第二组粒子可经过系统模型。第二组粒子基于由每个粒子的系统模型预测的输出和系统的测量参数之间的误差来加权。方法300可迭代任何合适次数。
在图3所示的构思图示中,在初始样本组中产生10个粒子。在第二样本组中,如308所示,粒子基于每个粒子的权重聚集。如图所示,318所示的最大粒子导致320所示的4个粒子,基于粒子316的值。相比而言,322所示的粒子组接收相对低权重,如324所示。因而,在第二组粒子中仅仅单个粒子(如326所示)基于322所示的粒子组的初始值。
图4A图示了用于建模锂离子蓄电池的示例性单电阻器-电容器等效电路。端子412和414之间的电压410由方程2给出。
在方程2中,是源416的电压,I是电流404,R是电阻器406的电阻,是跨过电阻器408和电容器416的电压降418。方程3表示在离散化之后的蓄电池模型。
在方程3中,S表示对比SOC曲线的斜率,C是蓄电池容量,T是取样时间,是电阻器408的电阻,是电阻器416的电容。所有蓄电池参数(即,,和)是取决于蓄电池使用年限、差异和操作条件(例如,温度和SOC)的时间变化参数。作为蓄电池参数,容量C也是取决于蓄电池使用年限而随时间变化的。电阻器408的欧姆电阻R可以在电流I变化的时间步长由方程4估计。的变化可以由方程3限制,同时,可以通过将测量蓄电池电压与一个或多个建模粒子的值匹配来估计。
图4B图示了包括可用于建模锂离子蓄电池系统的双电阻器-电容器电路的实施例。端子462和464之间的电压460由方程5给出。
在方程5中,是源466的电压,I是电流454,R是电阻器456的电阻,是跨过电阻器458和电容器466的电压降468,Vdf是跨过电阻器474和电容器476的电压降480。方程3表示在离散化之后的蓄电池模型。
在方程6中,S表示对比SOC曲线的斜率,C是蓄电池容量,T是取样时间,是电阻器408的电阻,是电阻器416的电容。所有蓄电池参数(即 和)是取决于蓄电池使用年限、差异和操作条件(例如,温度和SOC)的时间变化参数。作为蓄电池参数,容量C也是取决于蓄电池使用年限而随时间变化的。
方程7是通过包括所有参数作为状态矢量的一部分的扩展锂离子蓄电池模型。
在方程7中,w i (i=1,2,3,4,5,6)是可以估计或调整的噪音;α是调整参数;且表示在时间步长k时参数*的平均值。调整参数α可表示在先前步骤中参数的平均值的置信度。
方程8包括可以结合方程7使用的扩展状态矢量。方程8所示的扩展状态矢量包括两个蓄电池状态(即,VOC和C)和三个蓄电池参数(即,,和)。当多个粒子中的每一个以迭代方式经过系统模型时,这两个蓄电池状态和三个蓄电池参数一起建模,如上所述。
如方程8所示,蓄电池系统的容量C是状态矢量中包括的蓄电池状态中的一个。如果假定蓄电池系统容量已知(可通过充电过程期间的容量估计来获得),那么可使用已知值以便改进容量估计。
已参考各种实施例描述了前述说明。在不背离本公开的范围的情况下,可以做出各种修改和变化。例如,基于特定应用或者考虑到与系统的操作有关的任意数量的成本函数,可以以替代方法实施各种操作步骤以及用于执行操作步骤的部件。因此,所述步骤中的任一个或多个步骤可以被删除、修改或者与其它步骤组合。此外,本公开应被看作是示例性而不是限制性的,从而所有这种修改都旨在被包括在本公开的范围内。同样,以上已相对于各个实施例描述了益处、其它优点和问题的解决方案。然而,这些益处、优点、问题的解决方案、以及可能使任何益处、优点或者解决方案发生或变得更显著的任何要素都不应解释为是关键的、所需的或者基本的特征或者要素。
如本文所使用的,术语“包含”和“包括”及其任何其它变型都旨在覆盖非排他性的包括,使得包含一系列组成要素的过程、方法、制品或者设备不只包括这些组成要素,而可以包括这种过程、方法、系统、制品或者设备未明确列出或者固有的其它组成要素。此外,如本文所使用的,术语“联接”及其任何其它变型都旨在覆盖物理连接、电连接、磁性连接、光学连接、通信连接、功能连接和/或任何其它连接。
本领域的技术人员应该理解的是,可以在不背离本发明的基本原理的情况下,对上述实施例的细节做出许多变化。本发明的范围因此应该仅仅由所附权利要求书确定。
Claims (19)
1.一种用于估计蓄电池系统的参数的方法,包括:
产生多个初始粒子,每个粒子表示蓄电池系统的至少一个参数和至少一个状态;
通过用所述多个初始粒子开始执行多次迭代过程来产生多个调整建模粒子值,所述迭代过程包括:
使所述多个初始粒子中的每一个经过表示蓄电池系统的系统模型,以获得多个第一建模粒子值;
基于所述多个第一建模粒子值与蓄电池系统的电气参数的至少一个测量值的比较,将权重分配给所述多个第一建模粒子值中的每一个;
基于分配给所述多个第一建模粒子值中的每一个的权重产生多个后续粒子;以及
使用所述多个后续粒子重复迭代过程;
基于所述多个调整建模粒子值中的一个或多个来估计蓄电池系统的至少一个参数。
2.根据权利要求1所述的方法,其中,电气参数包括蓄电池系统的估计开路电压。
3.根据权利要求2所述的方法,还包括:基于蓄电池系统的估计开路电压来估计蓄电池系统的荷电状态。
4.根据权利要求3所述的方法,还包括:给蓄电池系统的用户显示所估计荷电状态的指示。
5.根据权利要求3所述的方法,还包括:通过启动与交流发电机连通的内燃发动机而开始充电操作,所述交流发电机配置成在所估计荷电状态下降低于第一阈值时给蓄电池系统充电。
6.根据权利要求5所述的方法,还包括:通过停止与交流发电机连通的内燃发动机而中断充电操作,所述交流发电机配置成在所估计荷电状态超过第二阈值时终止给蓄电池系统充电。
7.根据权利要求3所述的方法,还包括:基于所估计开路电压产生蓄电池系统的估计健康状态。
8.根据权利要求1所述的方法,其中,蓄电池系统的电气参数的至少一个测量值包括蓄电池系统的一组端子之间的电压测量值,所述多个第一建模粒子值包括该组端子之间的电压的估计值。
9.根据权利要求1所述的方法,其中,蓄电池系统的电气参数的至少一个测量值包括源于蓄电池系统的电流的测量值,所述多个第一建模粒子值包括源于蓄电池系统的电流的估计值。
10.根据权利要求1所述的方法,其中,基于所述多个调整建模粒子值中的一个或多个来估计蓄电池系统的至少一个参数包括计算所述多个调整建模粒子值的平均值。
11.根据权利要求1所述的方法,其中,蓄电池系统的至少一个参数包括如下中的一个:开路电压;蓄电池系统的容量;跨过并联电阻器-电容器电路的电压降;并联电阻器-电容器电路中的电阻器的值;以及并联电阻器-电容器电路中的电容器的值。
12.根据权利要求1所述的方法,其中,迭代过程还包括获取蓄电池系统的电气参数的至少一个测量值。
13.根据权利要求1所述的方法,还包括:估计蓄电池系统的多个参数和将平滑算法应用于所述多个参数。
14.一种用于蓄电池系统的参数估计系统,包括:
传感器单元,配置成接收蓄电池系统的电气参数的至少一个测量值;
处理逻辑,通信地联接到传感器单元且配置成:
产生多个初始粒子,每个粒子包括蓄电池系统的至少一个参数和至少一个状态的表示;
通过用所述多个初始粒子开始执行多次迭代过程来产生多个调整建模粒子值,所述迭代过程包括:
使所述多个初始粒子中的每一个经过表示蓄电池系统的系统模型,以获得多个第一建模粒子值;
基于所述多个第一建模粒子值与由传感器单元接收的蓄电池系统的电气参数的至少一个测量值的比较,将权重分配给所述多个第一建模粒子值中的每一个;
基于分配给所述多个第一建模粒子值中的每一个的权重产生多个后续粒子;以及
基于所述多个调整建模粒子值中的一个或多个来估计蓄电池系统的至少一个参数。
15.根据权利要求14所述的参数估计系统,其中,系统模型包括单电阻器-电容器电路和双电阻器-电容器电路中的一个。
16.根据权利要求14所述的参数估计系统,其中,至少一个参数的估计值包括蓄电池系统的荷电状态。
17.根据权利要求16所述的参数估计系统,还包括控制系统,所述控制系统配置成在荷电状态低于第一阈值时使用与交流发电机连通的内燃发动机开始充电操作,交流发电机与蓄电池系统连通。
18.根据权利要求17所述的参数估计系统,还包括在荷电状态高于第二阈值时终止充电操作。
19.根据权利要求14所述的参数估计系统,其中,处理逻辑还配置成估计蓄电池系统的多个参数和将平滑算法应用于所述多个参数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/586,494 | 2012-08-15 | ||
US13/586,494 US9086462B2 (en) | 2012-08-15 | 2012-08-15 | Systems and methods for battery parameter estimation |
US13/586494 | 2012-08-15 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103592604A CN103592604A (zh) | 2014-02-19 |
CN103592604B true CN103592604B (zh) | 2016-09-07 |
Family
ID=50029717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310355026.3A Active CN103592604B (zh) | 2012-08-15 | 2013-08-15 | 用于蓄电池参数估计的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9086462B2 (zh) |
CN (1) | CN103592604B (zh) |
DE (1) | DE102013215894A1 (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140244193A1 (en) * | 2013-02-24 | 2014-08-28 | Fairchild Semiconductor Corporation | Battery state of charge tracking, equivalent circuit selection and benchmarking |
US10288693B2 (en) * | 2014-04-21 | 2019-05-14 | GM Global Technology Operations LLC | State of charge estimator and methods of making and using the same |
CN103995464B (zh) * | 2014-05-26 | 2016-04-13 | 北京理工大学 | 一种估计电动车辆的动力系统的参数和状态的方法 |
DE102014210603A1 (de) * | 2014-06-04 | 2015-12-17 | Robert Bosch Gmbh | Verfahren zum Schätzen einer elektrischen Kapazität einer Sekundärbatterie |
WO2016138959A1 (en) * | 2015-03-05 | 2016-09-09 | Volvo Car Corporation | Estimation of battery parameters |
US10224579B2 (en) | 2015-12-31 | 2019-03-05 | Robert Bosch Gmbh | Evaluating capacity fade in dual insertion batteries using potential and temperature measurements |
US10686321B2 (en) | 2016-01-29 | 2020-06-16 | Robert Bosch Gmbh | Secondary battery management |
US10263447B2 (en) | 2016-01-29 | 2019-04-16 | Robert Bosch Gmbh | Secondary battery management system |
US10243385B2 (en) | 2016-01-29 | 2019-03-26 | Robert Bosch Gmbh | Secondary battery management system |
US9960625B2 (en) | 2016-03-31 | 2018-05-01 | Robert Bosch Gmbh | Battery management system with multiple observers |
CN106353687B (zh) * | 2016-08-26 | 2020-12-04 | 中国电力科学研究院 | 一种锂电池健康状态的评估方法 |
JP6759891B2 (ja) * | 2016-09-07 | 2020-09-23 | 日立化成株式会社 | 車載用蓄電デバイスモデルのパラメータ同定方法及びパラメータ同定装置 |
US10447046B2 (en) | 2016-09-22 | 2019-10-15 | Robert Bosch Gmbh | Secondary battery management system with remote parameter estimation |
GB2556076B (en) * | 2016-11-17 | 2022-02-23 | Bboxx Ltd | Method |
NL2019831B1 (en) * | 2017-10-30 | 2019-05-08 | Anwb B V | Method and apparatus for indicating a state of health of a battery |
CN110231566B (zh) * | 2019-06-13 | 2021-06-22 | 华中科技大学鄂州工业技术研究院 | 一种电能管控系统 |
US10942223B1 (en) * | 2019-07-31 | 2021-03-09 | Cox Automotive, Inc. | Systems and methods for determining vehicle battery health |
DE102019127828B4 (de) * | 2019-10-15 | 2021-05-20 | Hochschule Offenburg | Verfahren und Vorrichtung zur Bestimmung des Ladezustandes und des Gesundheitszustandes einer aufladbaren Batterie |
CN111413619B (zh) * | 2020-03-30 | 2021-01-22 | 上海交通大学 | 基于高斯过程回归的多工况电池剩余容量预测方法及系统 |
CN112444749B (zh) * | 2020-11-06 | 2021-11-05 | 南京航空航天大学 | 一种基于温度修正模型的锂电池荷电状态联合估计方法 |
CN112733411B (zh) * | 2020-12-18 | 2022-09-30 | 武汉大学 | 基于二阶差分粒子滤波的锂电池soc估计方法及系统 |
CN113884098B (zh) * | 2021-10-15 | 2024-01-23 | 上海师范大学 | 一种基于具体化模型的可迭代的卡尔曼滤波定位方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7324902B2 (en) | 2003-02-18 | 2008-01-29 | General Motors Corporation | Method and apparatus for generalized recursive least-squares process for battery state of charge and state of health |
EP1691209B1 (en) * | 2005-02-14 | 2008-10-01 | Denso Corporation | Method and apparatus for detecting charged state of secondary battery based on neural network calculation |
US7761389B2 (en) * | 2007-08-23 | 2010-07-20 | Gm Global Technology Operations, Inc. | Method for anomaly prediction of battery parasitic load |
FR2929409B1 (fr) * | 2008-03-27 | 2010-04-02 | Continental Automotive France | Procede d'estimation de la charge d'une batterie d'un vehicule automobile |
US7983862B2 (en) * | 2008-04-22 | 2011-07-19 | GM Global Technology Operations LLC | Battery state-of-health monitoring system and method |
US8116998B2 (en) | 2009-01-30 | 2012-02-14 | Bae Systems Controls, Inc. | Battery health assessment estimator |
US9366732B2 (en) * | 2009-09-04 | 2016-06-14 | Board Of Regents, The University Of Texas System | Estimation of state-of-health in batteries |
US9678164B2 (en) * | 2010-03-23 | 2017-06-13 | Furukawa Electric Co., Ltd. | Battery internal state estimating apparatus and battery internal state estimating method |
-
2012
- 2012-08-15 US US13/586,494 patent/US9086462B2/en active Active
-
2013
- 2013-08-12 DE DE102013215894.7A patent/DE102013215894A1/de active Pending
- 2013-08-15 CN CN201310355026.3A patent/CN103592604B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
US20140049226A1 (en) | 2014-02-20 |
US9086462B2 (en) | 2015-07-21 |
DE102013215894A1 (de) | 2014-02-20 |
CN103592604A (zh) | 2014-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103592604B (zh) | 用于蓄电池参数估计的系统和方法 | |
Zahid et al. | State of charge estimation for electric vehicle power battery using advanced machine learning algorithm under diversified drive cycles | |
Rahimi-Eichi et al. | Battery management system: An overview of its application in the smart grid and electric vehicles | |
Zhang et al. | Comprehensive dynamic battery modeling for PHEV applications | |
Lee et al. | Soft computing for battery state-of-charge (BSOC) estimation in battery string systems | |
JP6197479B2 (ja) | 蓄電システム及び蓄電装置の満充電容量推定方法 | |
CN104931784B (zh) | 基于频率的电池模型参数估计 | |
CN105034835B (zh) | 基于电池功率容量调节电池最小荷电状态极限的方法 | |
CN103928723B (zh) | 电池区段平衡方法及系统 | |
Waseem et al. | Battery technologies and functionality of battery management system for EVs: Current status, key challenges, and future prospectives | |
JP7446990B2 (ja) | 蓄電装置の充電状態推定方法及び蓄電装置の充電状態推定システム | |
US9236749B2 (en) | Vehicle battery system balancing systems and methods | |
CN104904092A (zh) | 能量存储控制系统和方法 | |
US10048320B2 (en) | Systems and methods for estimating battery system power capability | |
CN112622693A (zh) | 一种电池管理方法、装置及车辆 | |
CN110542866B (zh) | 一种预估电池剩余电量参数的方法 | |
CN107024659A (zh) | 使用非线性电阻元件的电池状态估计系统和方法 | |
Shi et al. | Electric vehicle battery remaining charging time estimation considering charging accuracy and charging profile prediction | |
JP7231657B2 (ja) | 電池制御装置 | |
Hunt | The great battery search [electric vehicles] | |
Baba et al. | Simultaneous state of charge and parameter estimation of lithium-ion battery using log-normalized unscented Kalman filter | |
US10338150B2 (en) | Systems and methods for estimating battery system energy capability | |
Surya et al. | Accurate battery modeling based on pulse charging using MATLAB/Simulink | |
Chen et al. | Online estimation of state of power for lithium-ion battery considering the battery aging | |
CN112234673B (zh) | 一种适用于均衡电路的电池能量均衡方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |