CN105954682B - 蓄电池荷电状态在线估计检测方法及系统 - Google Patents
蓄电池荷电状态在线估计检测方法及系统 Download PDFInfo
- Publication number
- CN105954682B CN105954682B CN201610340818.7A CN201610340818A CN105954682B CN 105954682 B CN105954682 B CN 105954682B CN 201610340818 A CN201610340818 A CN 201610340818A CN 105954682 B CN105954682 B CN 105954682B
- Authority
- CN
- China
- Prior art keywords
- model
- single battery
- battery
- stage
- signal data
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000000926 separation method Methods 0.000 claims description 41
- 238000005070 sampling Methods 0.000 claims description 39
- 230000008859 change Effects 0.000 claims description 21
- 239000000178 monomer Substances 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 4
- 238000007599 discharging Methods 0.000 abstract description 12
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000001914 filtration Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种蓄电池荷电状态在线估计检测方法及系统,本发明针对UPS蓄电池放电电压变化的特殊性,将蓄电池放电过程的建模时间上分为两段并分别建模,以期更好的模拟UPS机房蓄电池的工况点实际运行情况,并利用此建立的模型,采用多模型扩展卡尔曼滤波算法进行荷电状态在线跟踪估计,从而对电池充放电的荷电状态实现更好的预测,为电池检修和预维护提供依据。
Description
技术领域
本发明涉及电池领域,特别是涉及一种蓄电池荷电状态在线估计检测方法及系统。
背景技术
电池作为多种工业系统中重要的能源储备,重要性不言而喻。铅蓄电池价格便宜、容量大、稳定性强,被广泛应用于数据中心UPS(uninterruptible power system,不间断电源)后备电源系统等系统中,是保证整个数据中心动力系统供电稳定、安全、完备的重要一环,也是工业控制系统安全运转的重要前提。目前针对电池的研究主要集中在新能源汽车领域,而对数据中心作为UPS 后备电源的蓄电池则研究不多。
在数据中心建立起的动力环境监控系统中,电池管理子系统(BatteryManagement System,BMS)主要用于监控电池的运转状态。其中,电池荷电状态(State-of-Charge,SOC)是表征电池系统运行情况非常关键的参数,一般定义为当前电池的电荷量与额定容量的比值。SOC的值表征当前电池的一个工作状态,并为维护和检修提供依据,因此对SOC的估计是重要的研究课题。
目前,现有技术中针对电池SOC的建模有很多模型,但现有模型对数据中心UPS蓄电池SOC的估计误差较大。
发明内容
产生上述缺陷的原因在于:常规的模型对蓄电池SOC进行估计的前提是电池荷电状态SOC保持在中间值(20%~80%)时,电池端电压基本不会发生很大变化;在SOC小于20%或者大于90%时,电池端电压则会发生剧变;而UPS蓄电池放电时的曲线变化规律不符合上述前提,具体说,UPS蓄电池在SOC保持在中间值时,刚开始恒流放电时,电池端电压也会发生巨大变化。
鉴于上述发现的原因及为了克服上述现有技术的缺陷,本发明要解决的技术问题是提供一种UPS蓄电池的电池荷电状态在线估计检测方法及系统,用以提高对UPS蓄电池SOC的估计精度。
为解决上述技术问题,本发明中的一种蓄电池荷电状态在线估计检测方法,包括:
设立模型时间采样分界点,基于设立的所述模型时间采样分界点,将蓄电池的单体电池恒流放电过程中单体电池端电压随电池荷电状态变化情况分为强变化阶段和平稳变化阶段,并对应建立用于描述单体电池信号数据与单体电池荷电状态变化关系的第一阶段模型和第二阶段模型;
确定待检测的蓄电池的单体电池的模型时间采样分界点,并从待检测的蓄电池中选取预设个数的单体电池;
采集各单体电池的单体电池信号数据,基于确定的模型时间采样分界点,将采集的各单体电池的单体电池信号数据,代入所述第一阶段模型和所述第二阶段模型中进行进行模型参数辨识,得到各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型结构;
基于辨识得到的各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型结构,对每个单体电池采用单模型的扩展卡尔曼滤波器估计出该单体电池在第K时刻的电池荷电状态;
基于估计出的各单体电池的电池荷电状态,采用多模型扩展卡尔曼滤波器估计出待检测的蓄电池在第K时刻的荷电状态。
为解决上述技术问题,本发明中的一种蓄电池荷电状态在线估计检测系统,包括:
建模模块,用于设立模型时间采样分界点,基于设立的所述模型时间采样分界点,将蓄电池的单体电池恒流放电过程中单体电池端电压随电池荷电状态变化情况分为强变化阶段和平稳变化阶段,并对应建立用于描述单体电池信号数据与单体电池荷电状态变化关系的第一阶段模型和第二阶段模型;
模型识别模块,用于确定待检测的蓄电池的单体电池的模型时间采样分界点,并从待检测的蓄电池中选取预设个数的单体电池;
采集各单体电池的单体电池信号数据,基于确定的模型时间采样分界点,将采集的各单体电池的单体电池信号数据,代入所述第一阶段模型和所述第二阶段模型中进行进行模型参数辨识,得到各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型结构;
在线估计模块,用于基于辨识得到的各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型结构,对每个单体电池采用单模型的扩展卡尔曼滤波器估计出该单体电池在第K时刻的电池荷电状态;
基于估计出的各单体电池的电池荷电状态,采用多模型扩展卡尔曼滤波器估计出待检测的蓄电池在第K时刻的荷电状态。
本发明有益效果如下:
本发明主要针对UPS蓄电池放电电压变化的特殊性,将蓄电池放电过程的建模时间上分为两段并分别建模,以期更好的模拟UPS机房蓄电池的工况点实际运行情况,并利用此建立的模型,采用多模型扩展卡尔曼滤波算法进行在线跟踪估计,从而对电池充放电的荷电状态实现更好的预测,为电池检修和预维护提供依据。
附图说明
图1是现有技术中电池端电压与SOC函数变化关系示意图;
图2是本发明实施例中多模型EKF滤波示意图;
图3是本发明实施例中单体电池放电电流随时间变化关系示意图;
图4是本发明实施例中单体电池电压随时间变化关系示意图;
图5是本发明实施例中第一阶段线性多项式拟合图;
图6是本发明实施例中第二阶段模型拟合图;
图7是本发明实施例中EKF法和安时计量法的SOC估计过程示意图;
图8是本发明实施例中EKF法和安时计量法的SOC估计过程误差示意图;
图9是本发明实施例中L=3模型下的自适应跟踪结果示意图;
图10是本发明实施例中L=3模型下各模型的概率分布变化情况示意图;
图11是本发明实施例中L=3模型下各模型的估计误差示意图;
图12是本发明实施例中不同模型个数下估计误差比较示意图。
具体实施方式
针对电池SOC的建模有很多模型,常采用的计算模型包括Shepherd模型、Unnewehr模型、Nernst模型等,这类模型的特点是,它由电池的电化学模型经过一定的简化得到。但是,采用上述模型对SOC进行估计的前提是,电池端电压和当前的SOC值符合如图1所示的函数变化关系:
电池荷电状态SOC保持在中间值(20%~80%)时,电池的端电压基本不会发生很大变化;而在SOC小于20%或者大于90%时,端电压则会发生剧变。
然而通过实验发现,数据中心UPS蓄电池放电时的曲线变化不符合上图的规律。在SOC中间地段变化范围内,刚开始恒流放电时,端电压也会发生巨大变化。因此如果仅用现有计算模型来对蓄电池进行模型辨识的话,在放电初期端电压剧烈下降的阶段,模型估计将与实际系统之间的误差较大。
鉴于上述发现的原因及为了克服上述现有技术的缺陷,本发明提供了一种电池荷电状态在线估计检测方法及系统,以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不限定本发明。
在本发明的一个实施方式中,一种蓄电池荷电状态在线估计检测方法,包括:
建模步骤:设立模型时间采样分界点,基于设立的所述模型时间采样分界点,将蓄电池的单体电池恒流放电过程中单体电池端电压随电池荷电状态变化情况分为强变化阶段和平稳变化阶段,并对应建立用于描述单体电池信号数据与单体电池荷电状态变化关系的第一阶段模型和第二阶段模型;
模型识别步骤:确定待检测的蓄电池的单体电池的模型时间采样分界点,并从待检测的蓄电池中选取预设个数的单体电池;
采集各单体电池的单体电池信号数据,基于确定的模型时间采样分界点,将采集的各单体电池的单体电池信号数据,代入所述第一阶段模型和所述第二阶段模型中进行模型参数辨识,得到各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型结构;
在线估计步骤:基于辨识得到的各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型结构,对每个单体电池采用单模型的扩展卡尔曼滤波器估计出该单体电池在第K时刻的电池荷电状态;
基于估计出的各单体电池的电池荷电状态,采用多模型扩展卡尔曼滤波器估计出待检测的蓄电池在第K时刻的荷电状态。
本发明实施方式主要针对UPS蓄电池放电电压变化的特殊性,将蓄电池放电过程的建模时间上分为两段并分别建模,以期更好的模拟UPS机房蓄电池的工况点实际运行情况,并利用此建立的模型,采用多模型扩展卡尔曼滤波算法进行在线跟踪估计,从而对电池充放电的荷电状态实现更好的预测,为电池检修和预维护提供依据。
在本发明的又一个实施方式中,一种蓄电池荷电状态在线估计检测系统,包括:
建模模块,用于设立模型时间采样分界点,基于设立的所述模型时间采样分界点,将蓄电池的单体电池恒流放电过程中单体电池端电压随电池荷电状态变化情况分为强变化阶段和平稳变化阶段,并对应建立用于描述单体电池信号数据与单体电池荷电状态变化关系的第一阶段模型和第二阶段模型;
模型识别模块,用于确定待检测的蓄电池的单体电池的模型时间采样分界点,并从待检测的蓄电池中选取预设个数的单体电池;
采集各单体电池的单体电池信号数据,基于确定的模型时间采样分界点,将采集的各单体电池的单体电池信号数据,代入所述第一阶段模型和所述第二阶段模型中进行模型参数辨识,得到各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型结构;
在线估计模块,用于基于辨识得到的各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型结构,对每个单体电池采用单模型的扩展卡尔曼滤波器估计出该单体电池在第K时刻的电池荷电状态;
基于估计出的各单体电池的电池荷电状态,采用多模型扩展卡尔曼滤波器估计出待检测的蓄电池在第K时刻的荷电状态。
以下详细说明本发明的方法实施方式和系统实施方式。
一、建模模块和建模步骤:
为了叙述方便,用到的公式符号意义如下表所示:
第一阶段:即恒流放电前半段(k≤k0)
此时电池刚进入恒流,根据文献,本文做类似的推导,认定在机房常温 (T=25℃)及工况点下,可认为电池的荷电状态SOC与电池端电压之间呈现近似多项式线性拟合的关系,即:
其中[K0,K1,...,KN]是模型需要估计的参数。根据(1)式,即E=H1*K,求得参数:
K=(H1 T*H1)-1H1 T*E (2)
第二阶段:即恒流放电后半段(k>k0)
此时电池端电压不发生剧烈的变化,而是平稳缓慢随着SOC发生变化,因为端电压变化在平稳段,此时适合采用Nernst模型比较适合,即:
yk=EOCV-R*ik+K1ln(xk)+K2ln(1-xk) (3)
其中beta=[EOCV,R,K1,K2]',是模型需要估计的参数。根据(3)式,可知:
因此可求得参数:
beta=(H2 T*H2)-1H2 T*E (5)
通过(2)、(5)式可求得两阶段下两个模型的参数。但是SOC的值是未知的,这里采用安时计量法对SOC进行估算。
根据安时计量法,剩余容量满足:
换成离散递推公式如下:
由(7)式可知,通过采集电池放电电流ik,可求出任意时刻的SOC值xk;再将求得的(7)中SOC值带入公式(2)和公式(5),根据实测的电压yk和上述计算得到的xk之间的模型关系,采用最小二乘法可计算得出两个模型的K 参数和beta参数,从而得到模型的结构,如公式(8)。因为两段模型分别用的是多项式模型和Nernst模型,因此本文称之为Poly-Nernst模型。
也就是说,所述对应建立用于描述单体电池信号数据与单体电池荷电状态变化关系的第一阶段模型和第二阶段模型的步骤包括:
在小于等于设立的所述模型时间采样分界点的时间段,建立用于描述单体电池端电压与单体电池荷电状态随时间变化的线性关系的Poly模型;
在大于设立的所述模型时间采样分界点的时间段,建立用于描述单体电池端电压与单体开路电压、单体放电电流和单体电池荷电状态随时间变化的平稳关系的Nernst模型。
所述建模模块包括:
第一阶段建模模块,用于在小于等于设立的所述模型时间采样分界点的时间段,建立用于描述单体电池端电压与单体电池荷电状态随时间变化的线性关系的Poly模型;
第二阶段建模模块,用于在大于设立的所述模型时间采样分界点的时间段,建立用于描述单体电池端电压与单体开路电压、单体放电电流和单体电池荷电状态随时间变化的平稳关系的Nernst模型。
二、模型识别模块和模型识别参数
本发明试验选用的是机房UPS蓄电池组华达电池,其额定电压2V,额定容量Qc=500Ah,因为是放电测试,因此放电系数为1。放电倍率采用0.1C。因为整个UPS处于在线工作状态,电池放电深度只放容量的30%左右,放电中止电压设为1.8V。抽取某组UPS共240节电池中4节典型电池作为测试样本,在有带UPS负载下,对电池组进行恒流放电测试。电池放电前的额定容量、初始容量、初始电压数值如下表:
表1
设定t0=5min为模型建模分界点时间,在0~5min采用多项式建模,5min 后采用Nernst模型。同时考虑到放电开始时端电压变化较剧烈,而放电后期则变化较平缓,因此调整数据采样周期,0~5min内Ts=6s,5min后Ts=60s。
经过采集滤波处理,放电过程中三节电池端电压、电流的变化过程图3和图4所示。所有电池均串联,因此所有通过的单体电池的电流大小都是一样的。
由图3可知,在0.2C放电倍率下,电流很快就达到了恒流放电电流,约 90A。由图4可知,在恒流放电过程中,电池端电压在初始阶段有很快的下降,随后有一定的回升,然后随着放电深度的增加端电压缓慢下降。说明不能单纯用传统的Nernst计算模型来估计SOC值。
对抽取的4节工况下的电池,对第一阶段进行多项式拟合得到的结果如图 5所示,可以看出,在N=4和N=5时yk和xk拟合的误差已经很小了。因此选择N=4阶的多项式拟合,得到的三节电池的多项式系数K如下表2所示,其中系数仅为数值,无物理意义。
表2第一阶段模型辨识参数(108)
对第2阶段进行Nernst模型拟合,得到三节电池的拟合参数如下表3所示。
表3第二阶段模型辨识参数
值得注意的是,Nernst模型中的参数有物理意义,其中Eocv和R分别为电池的开路电压和内阻。由表3可知,三节电池的开路电压均在2.3V左右,内阻在2mΩ左右。此时可以看到模型辨识如图6所示,可以说该模型还是比较能拟合实际电池的模型的。
图5和图6的实验结果表明,该Poly-Nernst模型能够比较好的辨识铅蓄电池的放电情况。
也就是说,在本步骤中还可以包括:
在进行模型参数辨识时,对每个单体电池采集1组单体电池信号数据,对该组单体电池信号数据进行多项式拟合得到拟合的单体电池信号数据,将多项式拟合后的单体电池信号数据代入所述第一阶段模型和所述第二阶段模型中进行模型参数辨识。
其中,对每个单体电池采集1组单体电池信号数据时,在小于等于确定的所述模型时间采样分界点的时间段内设置第一采样周期,在大于确定的所述模型时间采样分界点的时间段内设置第二采样周期;所述第一采样周期大于所述第二采样周期。
在本模块中包括:
数据拟合模块,用于在进行模型参数辨识时,对每个单体电池采集1组单体电池信号数据,对该组单体电池信号数据进行多项式拟合得到拟合的单体电池信号数据,将多项式拟合后的单体电池信号数据代入所述第一阶段模型和所述第二阶段模型中进行模型参数辨识。
采样周期设置模块,用于对每个单体电池采集1组单体电池信号数据时,在小于等于确定的所述模型时间采样分界点的时间段内设置第一采样周期,在大于确定的所述模型时间采样分界点的时间段内设置第二采样周期;所述第一采样周期大于所述第二采样周期。
下面将利用辨识得到的模型结构进行EKF仿真估计。
三、SOC在线估计算法
1.单模型EKF SOC估计
由公式(1)和(3)可知,端电压yk与SOC值xk是非线性关系,因此采用扩展卡尔曼滤波(EKF)算法。EKF离散形式的状态方程和观测方程如下:
状态方程:
观测方程:
yk=ckxk+vk=g(xk,uk)+vk (10)
f(xk,uk)和g(xk,uk)均是由电池模型确定的非线性方程,wk和vk分别为状态噪声和观测噪声。对于第2节中的Poly-Nernst模型,对应有:
上式xk即SOC值,yk即端电压值,从而得到EKF的递推公式如下:
此时卡尔曼滤波状态估计值协方差为:
卡尔曼增益:
更新状态及其方差为:
具体说,模型辨识后对系统进行SOC跟踪估计。为了比较,试验采取将EKF 法和安时计量法的估计过程进行对比,安时计量法的计算方式采用公式(7),得到两种估计过程和估计误差分别如图7和图8所示。
可以看出,随着放电的进行,EKF估计法在放电初始时误差相对较大,特别是在300s前后,这主要是由于本文的Poly-Nernst模型是由两部分模型结构组成的,在模型切换时产生了相对较大的误差,但随着放电的深入,误差逐渐减小,估计值和真实更接近。而安时法则在初期估计值误差相对较小,随着时间的累积误差逐渐增大。因此,EKF法能比较稳定的对SOC值实现估计,并且EKF估计的SOC误差比安时计量法整体要小。同时,随着估计时长的增加,误差并不会累积变大;而安时计量法随着时间的累积,估计误差越来越大,这也是安时计量法的劣势。
为多次验证,对三节电池放电过程中的平均误差进行对比,得到如表4所示的对比。可以看出,整体上EKF估计误差小于安时计量法,也即EKF估计法要优于安时计量法。
表4 SOC平均估计误差比较
2.多模型EKF SOC估计
多模型自适应滤波如上图2所示。因为前面建立的是非线性模型,此处每一路采用扩展卡尔曼滤波的方式进行SOC估计。设共有L个EKF模型,在k时刻,SOC的真实值为xk,第i路EKF模型的输出为xki,每一路滤波器的输出组合形成了最终多模型滤波SOC估计输出xk,计算如下:
其中,P(αi|xk),i=1,...,L为k时刻所有模型的概率分布,根据Bayes全概率公式:
其中,P(αj|xk-1)为第k-1时刻,第j个模型的概率,p(xk|αj,xk-1)表示第j个 EKF滤波器的条件概率密度函数。理论上讲,与真实系统越靠近的模型,其条件概率密度也越大,即可认为模型i在第k时刻的输出值和实际SOC值之间的残差eik表征了系统的条件概率密度。误差eik计算如下:
eik=xk-xki,i=1,...,L (21)
可知eik的均值μe=0,设其方差为σik,则观测到的噪声方差为:
Σik=Pik TσikPik+Rik,i=1,...,L (22)
其中Pik为第i个卡尔曼滤波器k时刻状态估计协方差,Rik为第i个卡尔曼滤波器k时刻的测量噪声方差。因此p(xk|αj,xk-1)可由ejk组成的多维高斯分布密度计算,公式如下:
其中n表示观测向量的维度。
为测试多模型的估计效果,采用L=3时,3个EKF模型自适应滤波跟踪进行测试,模型跟踪结果、各模型概率分布变化情况、各模型误差变化分别如图 9、图10、图11所示。其中模型1、2、3分别采用的是上述辨识得到的电池#4、 #50、#66的模型结构。
由图9可看出,L=3下的多模型自适应SOC估计首先与model 2最接近,然后切换到model 3,从而保证估计值与真实SOC值最接近。图10是三个模型概率分布随时间变化过程,可以看出随着时间变化,多模型自适应匹配上从 model 2转向了model 3。图11表明了各单个模型下模型误差与L=3下多模型估计误差的对比图,可以看出多模型下的误差是最小的。
为了比较不同模型个数下的估计效果,选取在L=2,3,4个模型结构下,比较估计的测试结果,其误差比较如图12所示,其中模型选取的是上述的四节电池辨识得到的模型。可知,模型个数L=2时的误差相对于L=3,L=4下的误差还是比较大的,即增加模型个数,能够显著的减少估计误差。同时也看到, L=3和L=4下相比较,误差减小的不明显,即模型的估计精度有一定的限度,这主要是受限于测试设备的环境噪声、测量的精度等条件,也即模型的个数并非越多越好。
可以看出,多模型自适应估计输出是选择当前各模型结构下最优的输出作为当前系统的估计结果,其效果是优于任意单一模型估计结果的。另一方面,综合考虑系统估计的准确性和模型的复杂度,模型的个数选择并非越多越好,从本文来看,模型个数为3即可满足试验的要求。
根据以上测试分析表明,本发明针对数据中心UPS蓄电池的运行情况,着重对蓄电池在工况点下的放电运行进行了研究。首次提出了Poly-Nernst模型,即采用多项式拟合与扩展卡尔曼滤波相结合的方式,对电池放电端电压和荷电状态之间的关系进行建模,通过合理的试验采集对模型进行了辨识,得到了良好的辨识结果。利用辨识的模型,采用扩展卡尔曼滤波的方式对蓄电池的SOC 运行情况进行模拟在线估计,并将其估计效果和安时计量法进行了对比,从而得到,采用自建的Poly-Nernst模型能够很好地实现对SOC的在线估计,并且相对于安时计量法没有累计误差。为使模型能有更好的适应性,进一步提出采用多模型自适应扩展卡尔曼滤波算法对电池SOC进行估计,从而得到多模型自适应估计效果优于任意单一模型的估计结果,同时提出为兼顾SOC估计的准确性和模型的复杂度,自适应模型的个数选择3可满足要求。
具体描述发明的实施步骤:
1.初始化参数Q0,η,电初值x0,自适应模型个数L(选择的单体电池个数), 迭代次数N等;
2.电池信号采集和预处理,得到电池端电压放电电流
3.系统参数辨识(i=1:L)
3.1利用公式(7)计算xi,k;
3.2利用公式(1)、(2)、(4)、(5)分别求第i个模型的参数Ki和betai;
3.3重复3.1、3.2节,求得i=1:L个模型的参数;
4.SOC在线估计
4.1初始化wi,k和vi,k的方差分别为σwi 2和σvi 2,荷电估计方差初值Pi,0;
4.2计算多模型滤波器组一步预测(k=1:N):
4.2.1第i个滤波器一步迭代(i=1:L)
(1)利用公式(13)计算偏导数Ai,k-1;
(2)由状态方程(7)计算SOC估计值:
(3)由式(15)计算状态估计值协方差:
(4)由式(8)计算状态的估计值
(5)由式(14)求偏导数Ci,k;
(6)由公式(16)计算卡尔曼滤波增益:
(7)更新状态xi,k及其方差Pi,k:
(8)重复步骤(1)~(8),计算第i=1:L个滤波器的一步输出估计;
4.2.2计算多模型输出xk
(1)利用公式(21)、(22)、(23)计算p(xk|αj,xk-1);
(2)由式(20)计算k时刻的模型概率分布p(αi|xk);
(3)由式(19)计算多模型输出xk;
4.3按4.2节的步骤依次递推,计算k=1:N步的预测估计,直至结束。
本发明中实施方式通过对UPS蓄电池工况下的电池放电进行完整的建模,采集的数据要全面反映电池的运行状态,具有代表性。
在线估计时选择的模型个数影响了整体的估计性能。模型个数太多则影响估计实时速度,模型个数太少则影响估计的准确性,因此要根据试验结果合理选择模型的个数。
由于模型在时间上分成了两段,因此要考虑对模型分段点的确定。同时第一段模型在时间运行上比较短,第二段模型在时间运行上比较长,因此两段模型在数据采集时的采样间隔上设置不一样。
由此,对于建立起了动力环境监控系统的数据中心机房,可采用本方法直接对SOC进行在线估计,从而可减少部分人工维护的充放电测试的工作量;达到电池预维护的目的。
虽然本申请描述了本发明的特定示例,但本领域技术人员可以在不脱离本发明概念的基础上设计出来本发明的变型。本领域技术人员在本发明技术构思的启发下,在不脱离本发明内容的基础上,还可以对本发明的方法做出各种改进,这仍落在本发明的保护范围之内。
Claims (10)
1.一种蓄电池荷电状态在线估计检测方法,其特征在于,包括:
设立模型时间采样分界点,基于设立的所述模型时间采样分界点,将蓄电池的单体电池恒流放电过程中单体电池端电压随电池荷电状态变化情况分为强变化阶段和平稳变化阶段,并对应建立用于描述单体电池信号数据与单体电池荷电状态变化关系的第一阶段模型和第二阶段模型;
确定待检测的蓄电池的单体电池的模型时间采样分界点,并从待检测的蓄电池中选取预设个数的单体电池;
采集各单体电池的单体电池信号数据,基于确定的模型时间采样分界点,将采集的各单体电池的单体电池信号数据,代入所述第一阶段模型和所述第二阶段模型中进行进行模型参数辨识,得到各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型结构;
基于辨识得到的各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型结构,对每个单体电池采用单模型的扩展卡尔曼滤波器估计出该单体电池在第K时刻的电池荷电状态;
基于估计出的各单体电池的电池荷电状态,采用多模型扩展卡尔曼滤波器估计出待检测的蓄电池在第K时刻的荷电状态。
2.如权利要求1所述的方法,其特征在于,所述对应建立用于描述单体电池信号数据与单体电池荷电状态变化关系的第一阶段模型和第二阶段模型的步骤包括:
在小于等于设立的所述模型时间采样分界点的时间段,建立用于描述单体电池端电压与单体电池荷电状态随时间变化的线性关系的Poly模型;
在大于设立的所述模型时间采样分界点的时间段,建立用于描述单体电池端电压与单体开路电压、单体放电电流和单体电池荷电状态随时间变化的平稳关系的Nernst模型。
3.如权利要求1所述的方法,其特征在于,所述预设个数为3个。
4.如权利要求1-3中任意一项所述的方法,其特征在于,所述方法还包括:
在进行模型参数辨识时,对每个单体电池采集1组单体电池信号数据,对该组单体电池信号数据进行多项式拟合得到拟合的单体电池信号数据,将多项式拟合后的单体电池信号数据代入所述第一阶段模型和所述第二阶段模型中进行进行模型参数辨识。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
对每个单体电池采集1组单体电池信号数据时,在小于等于确定的所述模型时间采样分界点的时间段内设置第一采样周期,在大于确定的所述模型时间采样分界点的时间段内设置第二采样周期;所述第一采样周期大于所述第二采样周期。
6.一种蓄电池荷电状态在线估计检测系统,其特征在于,包括:
建模模块,用于设立模型时间采样分界点,基于设立的所述模型时间采样分界点,将蓄电池的单体电池恒流放电过程中单体电池端电压随电池荷电状态变化情况分为强变化阶段和平稳变化阶段,并对应建立用于描述单体电池信号数据与单体电池荷电状态变化关系的第一阶段模型和第二阶段模型;
模型识别模块,用于确定待检测的蓄电池的单体电池的模型时间采样分界点,并从待检测的蓄电池中选取预设个数的单体电池;
采集各单体电池的单体电池信号数据,基于确定的模型时间采样分界点,将采集的各单体电池的单体电池信号数据,代入所述第一阶段模型和所述第二阶段模型中进行进行模型参数辨识,得到各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型结构;
在线估计模块,用于基于辨识得到的各单体电池的所述第一阶段模型的模型结构和所述第二阶段模型的模型结构,对每个单体电池采用单模型的扩展卡尔曼滤波器估计出该单体电池在第K时刻的电池荷电状态;
基于估计出的各单体电池的电池荷电状态,采用多模型扩展卡尔曼滤波器估计出待检测的蓄电池在第K时刻的荷电状态。
7.如权利要求6所述的系统,其特征在于,所述建模模块包括:
第一阶段建模模块,用于在小于等于设立的所述模型时间采样分界点的时间段,建立用于描述单体电池端电压与单体电池荷电状态随时间变化的线性关系的Poly模型;
第二阶段建模模块,用于在大于设立的所述模型时间采样分界点的时间段,建立用于描述单体电池端电压与单体开路电压、单体放电电流和单体电池荷电状态随时间变化的平稳关系的Nernst模型。
8.如权利要求6所述的系统,其特征在于,所述预设个数为3个。
9.如权利要求6-8中任意一项所述的系统,其特征在于,所述模型识别模块还包括数据拟合模块,用于在进行模型参数辨识时,对每个单体电池采集1组单体电池信号数据,对该组单体电池信号数据进行多项式拟合得到拟合的单体电池信号数据,将多项式拟合后的单体电池信号数据代入所述第一阶段模型和所述第二阶段模型中进行模型参数辨识。
10.如权利要求9所述的系统,其特征在于,所述模型识别模块还包括采样周期设置模块,用于对每个单体电池采集1组单体电池信号数据时,在小于等于确定的所述模型时间采样分界点的时间段内设置第一采样周期,在大于确定的所述模型时间采样分界点的时间段内设置第二采样周期;所述第一采样周期大于所述第二采样周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610340818.7A CN105954682B (zh) | 2016-05-20 | 2016-05-20 | 蓄电池荷电状态在线估计检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610340818.7A CN105954682B (zh) | 2016-05-20 | 2016-05-20 | 蓄电池荷电状态在线估计检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105954682A CN105954682A (zh) | 2016-09-21 |
CN105954682B true CN105954682B (zh) | 2018-08-21 |
Family
ID=56910128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610340818.7A Expired - Fee Related CN105954682B (zh) | 2016-05-20 | 2016-05-20 | 蓄电池荷电状态在线估计检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105954682B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110140326A (zh) * | 2017-12-08 | 2019-08-16 | 华为技术有限公司 | 对设备的性能数据进行采样的方法和装置 |
CN109164392A (zh) * | 2018-08-22 | 2019-01-08 | 清华大学深圳研究生院 | 一种动力电池的soc估算方法 |
CN112213649B (zh) * | 2019-10-31 | 2023-05-23 | 蜂巢能源科技有限公司 | 构建开路电压曲线的方法及系统 |
CN111487535B (zh) * | 2020-04-29 | 2021-05-18 | 华中科技大学 | 一种液态金属电池双等效电路模型的参数获取及切换方法 |
CN111983489B (zh) * | 2020-08-18 | 2022-12-20 | 华中科技大学鄂州工业技术研究院 | Sofc系统放电故障含过渡模态的检测方法 |
CN112758295A (zh) * | 2021-01-25 | 2021-05-07 | 广东海洋大学 | 一种船舶混合动力推进系统及管理策略 |
CN113721154B (zh) * | 2021-08-31 | 2024-08-16 | 潍柴动力股份有限公司 | 一种燃料电池工况点选取方法及装置 |
CN115343638A (zh) * | 2022-05-11 | 2022-11-15 | 中国第一汽车股份有限公司 | 一种动力电池soc精度测试方法、装置、终端及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604005A (zh) * | 2009-06-29 | 2009-12-16 | 杭州电子科技大学 | 一种基于组合采样点卡尔曼滤波的电池剩余电量估计方法 |
CN103135066A (zh) * | 2013-01-25 | 2013-06-05 | 文创太阳能(福建)科技有限公司 | 一种分段磷酸铁锂电池电量的测量方法 |
CN103135065A (zh) * | 2013-01-25 | 2013-06-05 | 文创太阳能(福建)科技有限公司 | 基于特征点的磷酸铁锂电池电量检测方法 |
CN104617623A (zh) * | 2015-01-30 | 2015-05-13 | 武汉理工大学 | 一种电动汽车动力电池组均衡控制方法 |
CN105093128A (zh) * | 2015-08-31 | 2015-11-25 | 山东智洋电气股份有限公司 | 基于扩展卡尔曼滤波的蓄电池荷电状态估算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011122951A (ja) * | 2009-12-11 | 2011-06-23 | Honda Motor Co Ltd | 二次電池の充電状態推定装置および劣化状態推定装置 |
FR3010532B1 (fr) * | 2013-09-11 | 2017-06-09 | Commissariat Energie Atomique | Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie |
-
2016
- 2016-05-20 CN CN201610340818.7A patent/CN105954682B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604005A (zh) * | 2009-06-29 | 2009-12-16 | 杭州电子科技大学 | 一种基于组合采样点卡尔曼滤波的电池剩余电量估计方法 |
CN103135066A (zh) * | 2013-01-25 | 2013-06-05 | 文创太阳能(福建)科技有限公司 | 一种分段磷酸铁锂电池电量的测量方法 |
CN103135065A (zh) * | 2013-01-25 | 2013-06-05 | 文创太阳能(福建)科技有限公司 | 基于特征点的磷酸铁锂电池电量检测方法 |
CN104617623A (zh) * | 2015-01-30 | 2015-05-13 | 武汉理工大学 | 一种电动汽车动力电池组均衡控制方法 |
CN105093128A (zh) * | 2015-08-31 | 2015-11-25 | 山东智洋电气股份有限公司 | 基于扩展卡尔曼滤波的蓄电池荷电状态估算方法 |
Non-Patent Citations (2)
Title |
---|
Jaemoon Lee, etal..Li-ion battery SOC estimation method based on the reduced order extended Kalman filtering.《Journal of Power Source》.2007,第9-15页. * |
电动汽车蓄电池荷电状态的卡尔曼滤波估计;杨朔等;《贵州工业大学学报(自然科学版)》;20040222;第33卷(第1期);第99-102页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105954682A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105954682B (zh) | 蓄电池荷电状态在线估计检测方法及系统 | |
Chen et al. | Online state of charge estimation of Li-ion battery based on an improved unscented Kalman filter approach | |
CN110031770B (zh) | 一种快速得到电池包中所有单体电池容量的方法 | |
CN107533105B (zh) | 锂离子电池荷电状态估算方法和装置 | |
CN106405433A (zh) | 一种基于扩展卡尔曼粒子滤波的soc估计方法及系统 | |
CN113848480B (zh) | 锂电池分容工艺的放电总容量预测方法 | |
CN109164392A (zh) | 一种动力电池的soc估算方法 | |
CN105116344B (zh) | 基于二进制编码的电池开路电压估算方法 | |
CN107367699A (zh) | 一种基于分数阶模型的锂电池soc估算新方法 | |
CN111208438B (zh) | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 | |
Wang et al. | Adaptive state-of-charge estimation method for an aeronautical lithium-ion battery pack based on a reduced particle-unscented kalman filter | |
CN110275113A (zh) | 一种锂电池荷电状态估计方法 | |
CN109839596B (zh) | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 | |
CN110703112A (zh) | 一种基于局部充电数据的电池组状态的在线估计方法 | |
Kim et al. | Real-time state of charge and electrical impedance estimation for lithium-ion batteries based on a hybrid battery model | |
CN109085505A (zh) | 一种动力电池充放电状态估算方法 | |
Hussein | Derivation and comparison of open-loop and closed-loop neural network battery state-of-charge estimators | |
Jiang et al. | An aging-aware soc estimation method for lithium-ion batteries using xgboost algorithm | |
CN109839599A (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
Chen et al. | An approach for state of charge estimation of Li-ion battery based on Thevenin equivalent circuit model | |
CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 | |
CN206161820U (zh) | 一种基于扩展卡尔曼粒子滤波的系统 | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN113759258A (zh) | 一种动力电池soc估计方法、装置及纯电动汽车 | |
CN116774051A (zh) | 考虑时频域多维数据特征的电池容量快速估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180821 |