CN106646260A - 一种基于遗传神经网络的bms系统的soc的估算方法 - Google Patents
一种基于遗传神经网络的bms系统的soc的估算方法 Download PDFInfo
- Publication number
- CN106646260A CN106646260A CN201611270438.7A CN201611270438A CN106646260A CN 106646260 A CN106646260 A CN 106646260A CN 201611270438 A CN201611270438 A CN 201611270438A CN 106646260 A CN106646260 A CN 106646260A
- Authority
- CN
- China
- Prior art keywords
- capacity
- soc
- data
- battery
- ocv
- 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.)
- Pending
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
Abstract
本发明提供一种基于遗传神经网络的BMS系统的SOC的估算方法,包括如下步骤:步骤一:对BMS系统充电,充电桩获取BMS系统内的电池的实际容量;步骤二:构建神经网络模型,获取电池容量参数特征对照表,所述电池容量参数特征对照表包括电池衰减过程中的电流、电压容量标定参数、内阻容量标定参数及OCV容量标定参数;步骤三:将步骤一中的电池实际容量与步骤二中的电池容量参数特征对照表进行对照,获取电流、电压容量标定参数内的衰减电压数据、内阻容量标定参数内的衰减内阻数据及OCV容量标定参数内的衰减OCV数据;步骤四:根据步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据计算BMS系统的SOC。
Description
【技术领域】
本发明涉及电池技术领域,尤其涉及一种基于遗传神经网络的BMS系统的SOC的估算方法。
【背景技术】
电池荷电状态(State of Charge,SOC)的准确估算是电动汽车电池充放电控制和动力优化管理的重要依据,直接影响电池的使用寿命和汽车的动力性能,并能预测电动汽车的续驶里程。目前,电池管理系统(Battery Management System,BMS)的SOC的估算方法通常采用安时法,即通过检测电池的实际容量来检测电池的充放电状态,通过电池的初始特征OCV曲线(Open Circuit Voltage,开路电压)进而估算电池的SOC,随着时间的积累,电池电量不断衰减,整个OCV曲线也在变化,依靠原来的OCV曲线计算BMS系统的SOC,存在较大的误差,SOC的估算不精准。
鉴于此,实有必要提供一种新型的基于遗传神经网络的BMS系统的SOC的估算方法以克服以上缺陷。
【发明内容】
本发明的目的是提供一种估算精准的基于遗传神经网络的BMS系统的SOC的估算方法。
为了实现上述目的,本发明提供一种基于遗传神经网络的BMS系统的SOC的估算方法,包括如下步骤:
步骤一:对BMS系统充电,充电桩获取BMS系统内的电池的实际容量;
步骤二:构建神经网络模型,获取电池容量参数特征对照表,所述电池容量参数特征对照表包括电池衰减过程中的电流电压容量标定参数、内阻容量标定参数及OCV容量标定参数;
步骤三:将步骤一中的电池实际容量与步骤二中的电池容量参数特征对照表进行对照,获取电流电压容量标定参数内的衰减电压数据、内阻容量标定参数内的衰减内阻数据及OCV容量标定参数内的衰减OCV数据;
步骤四:根据步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据计算BMS系统的SOC。
在一个优选实施方式中,所述步骤二中的电压电流容量标定参数、内阻容量标定参数及OCV容量标定参数分别通过在静态条件下,电压电流的容量标定曲线、内阻容量标定曲线及OCV容量标定曲线获得数据样本。
在一个优选实施方式中,所述步骤二中电池容量参数特征对照表的获取包括如下步骤:S1:建立离散数据库;S2:提取训练样本点;S3:构建神经网络模型;S4:在线电流采集;S5:稳态电流估算;S6:获取电池容量参数特征对照表。
在一个优选实施方式中,通过所述步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据,能够获取SOC的衰减数据。
在一个优选实施方式中,所述步骤四中SOC的计算公式为:
其中,Q为电量,I为电流,SOCk+1为k+1时刻的SOC值,SOCk为k时刻的SOC值,C为电池的额定容量,Ik为k时刻的电流值。
相比于现有技术,本发明提供的基于遗传神经网络的BMS系统的SOC的计估算方法,通过神经网络模型重新获取衰减后的性能参数值,构建SOC的衰减模型,计算的SOC值较为精准。
【附图说明】
图1为本发明提供的基于遗传神经网络的BMS系统的SOC的估算方法的流程图;
图2为静态下,电压、电流的容量标定曲线;
图3为静态下,内阻容量的标定曲线;
图4为静态下,OCV容量标定曲线;
图5为图1所示的方法中步骤2的子步骤的流程图。
【具体实施方式】
为了使本发明的目的、技术方案和有益技术效果更加清晰明白,以下结合附图和具体实施方式,对本发明进行进一步详细说明。应当理解的是,本说明书中描述的具体实施方式仅仅是为了解释本发明,并不是为了限定本发明。
如图1所示,本发明提供一种基于遗传神经网络的BMS系统的SOC的估算方法,包括如下步骤:
步骤一:对BMS系统充电,充电桩获取BMS系统内的电池的实际容量;
步骤二:构建神经网络模型,获取电池容量参数特征对照表,所述电池容量参数特征对照表包括电池衰减过程中的电流电压容量标定参数、内阻容量标定参数及OCV容量标定参数;
步骤三:将步骤一中的电池实际容量与步骤二中的电池容量参数特征对照表进行对照,获取电流电压容量标定参数内的衰减电压数据、内阻容量标定参数内的衰减内阻数据及OCV容量标定参数内的衰减OCV数据;
步骤四:根据步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据计算BMS系统的SOC。
如图2、图3及图4所示,所述步骤二中的电压电流容量标定参数、内阻容量标定参数及OCV容量标定参数分别通过在静态条件下,电压电流的容量标定曲线、内阻容量标定曲线及OCV容量标定曲线获得数据样本。
本发明中所指的静态条件下是指在实验室中对若干电池进行若干次充放电测试,对若干电池在整个生命周期内的电压、电流、内阻及OCV进行监测,绘制电压电流的容量标定曲线、内阻容量标定曲线及OCV容量标定曲线。
如图5所示,所述步骤二中电池容量参数特征对照表的获取包括如下步骤:S1:建立离散数据库;S2:提取训练样本点;S3:构建神经网络模型;S4:在线电流采集;S5:稳态电流估算;S6:获取电池容量参数特征对照表。
通过建立离散数据库,提取出数据样本点,搭建神经网络模型。
进一步的,通过所述步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据,能够获取SOC的衰减数据。
进一步的,所述步骤四中SOC的计算公式为:
其中,Q为电量,I为电流,SOCk+1为k+1时刻的SOC值,SOCk为k时刻的SOC值,C为电池的额定容量,Ik为k时刻的电流值;公式(1)中,t0到t1时刻,电流I随着时间的推移是不断变化的,将不断变化的电流在时间上做积分,得到电量Q;公式(2)中k+1时刻的SOC会参照k时刻的SOC加上k时刻电池SOC的衰减值。根据公式(1)及公式(2)计算出不同时刻电池容量的衰减程度,建立电池容量衰减模型。
通过电动汽车的每一次充电,得到电流池容量的衰减数据,将电流容量的衰减数据放入构建好的神经网络,充电电池容量的实际数据主动查找神经网络模型内的数据,通过神经网络的自学习算法找到对应的数据后,输入对应的模型公式,该数据的模型具有遗传的效果。
本发明提供的基于遗传神经网络的BMS系统的SOC的计估算方法,通过神经网络模型重新获取衰减后的性能参数值,构建SOC的衰减模型,计算的SOC值较为精准。
本发明并不仅仅限于说明书和实施方式中所描述,因此对于熟悉领域的人员而言可容易地实现另外的优点和修改,故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下,本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。
Claims (5)
1.一种基于遗传神经网络的BMS系统的SOC的估算方法,其特征在于:包括如下步骤:
步骤一:对BMS系统充电,充电桩获取BMS系统内的电池的实际容量;
步骤二:构建神经网络模型,获取电池容量参数特征对照表,所述电池容量参数特征对照表包括电池衰减过程中的电流电压容量标定参数、内阻容量标定参数及OCV容量标定参数;
步骤三:将步骤一中的电池实际容量与步骤二中的电池容量参数特征对照表进行对照,获取电流电压容量标定参数内的衰减电压数据、内阻容量标定参数内的衰减内阻数据及OCV容量标定参数内的衰减OCV数据;
步骤四:根据步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据计算BMS系统的SOC。
2.如权利要求1所述的基于遗传神经网络的BMS系统的SOC的估算方法,其特征在于:所述步骤二中的电压电流容量标定参数、内阻容量标定参数及OCV容量标定参数分别通过在静态条件下,电压电流的容量标定曲线、内阻容量标定曲线及OCV容量标定曲线获得数据样本。
3.如权利要求2所述的基于遗传神经网络的BMS系统的SOC的估算方法,其特征在于:在一个优选实施方式中,所述步骤二中电池容量参数特征对照表的获取包括如下步骤:S1:建立离散数据库;S2:提取训练样本点;S3:构建神经网络模型;S4:在线电流采集;S5:稳态电流估算;S6:获取电池容量参数特征对照表。
4.如权利要求3所述的基于遗传神经网络的BMS系统的SOC的估算方法,其特征在于:通过所述步骤三中的衰减电压数据、衰减内阻数据及衰减OCV数据,能够获取SOC的衰减数据。
5.如权利要求4所述的基于遗传神经网络的BMS系统的SOC的估算方法,其特征在于:所述步骤四中SOC的计算公式为:
其中,Q为电量,I为电流,SOCk+1为k+1时刻的SOC值,SOCk为k时刻的SOC值,C为电池的额定容量,Ik为k时刻的电流值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611270438.7A CN106646260A (zh) | 2016-12-31 | 2016-12-31 | 一种基于遗传神经网络的bms系统的soc的估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611270438.7A CN106646260A (zh) | 2016-12-31 | 2016-12-31 | 一种基于遗传神经网络的bms系统的soc的估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106646260A true CN106646260A (zh) | 2017-05-10 |
Family
ID=58838639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611270438.7A Pending CN106646260A (zh) | 2016-12-31 | 2016-12-31 | 一种基于遗传神经网络的bms系统的soc的估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106646260A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828460A (zh) * | 2018-08-22 | 2018-11-16 | 合肥国轩高科动力能源有限公司 | 一种快速估算整车电池系统剩余能量的方法 |
CN110333450A (zh) * | 2019-04-30 | 2019-10-15 | 蜂巢能源科技有限公司 | 电池开路电压预估方法及系统 |
CN111239624A (zh) * | 2020-02-21 | 2020-06-05 | 中航锂电(洛阳)有限公司 | 一种电池容量校准方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101198922A (zh) * | 2005-06-13 | 2008-06-11 | Lg化学株式会社 | 用于测试电池充电状态的装置和方法 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN103217647A (zh) * | 2013-03-22 | 2013-07-24 | 奇瑞汽车股份有限公司 | 一种电动汽车铅酸动力电池荷电状态估算方法 |
CN103293485A (zh) * | 2013-06-10 | 2013-09-11 | 北京工业大学 | 基于模型的蓄电池荷电状态估计方法 |
CN103323781A (zh) * | 2013-05-29 | 2013-09-25 | 西安交通大学 | 动力电池组在线参数检测系统及soc估计方法 |
JP2014066556A (ja) * | 2012-09-25 | 2014-04-17 | Toyota Industries Corp | バッテリ |
CN105634058A (zh) * | 2016-01-22 | 2016-06-01 | 广东志成冠军集团有限公司 | 一种电池组的智能均衡方法和智能均衡系统 |
CN105891723A (zh) * | 2016-04-20 | 2016-08-24 | 中国电子科技集团公司第二十九研究所 | 一种基于有效可充放电容量的电池soc计算方法 |
-
2016
- 2016-12-31 CN CN201611270438.7A patent/CN106646260A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101198922A (zh) * | 2005-06-13 | 2008-06-11 | Lg化学株式会社 | 用于测试电池充电状态的装置和方法 |
JP2014066556A (ja) * | 2012-09-25 | 2014-04-17 | Toyota Industries Corp | バッテリ |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN103217647A (zh) * | 2013-03-22 | 2013-07-24 | 奇瑞汽车股份有限公司 | 一种电动汽车铅酸动力电池荷电状态估算方法 |
CN103323781A (zh) * | 2013-05-29 | 2013-09-25 | 西安交通大学 | 动力电池组在线参数检测系统及soc估计方法 |
CN103293485A (zh) * | 2013-06-10 | 2013-09-11 | 北京工业大学 | 基于模型的蓄电池荷电状态估计方法 |
CN105634058A (zh) * | 2016-01-22 | 2016-06-01 | 广东志成冠军集团有限公司 | 一种电池组的智能均衡方法和智能均衡系统 |
CN105891723A (zh) * | 2016-04-20 | 2016-08-24 | 中国电子科技集团公司第二十九研究所 | 一种基于有效可充放电容量的电池soc计算方法 |
Non-Patent Citations (2)
Title |
---|
于智龙 等: "锂离子电池容量快速预测的新方法", 《电源技术》 * |
王宇鹏: "基于内阻和开路电压差联合法的铅酸蓄电池SOC估计", 《科技与企业》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828460A (zh) * | 2018-08-22 | 2018-11-16 | 合肥国轩高科动力能源有限公司 | 一种快速估算整车电池系统剩余能量的方法 |
CN110333450A (zh) * | 2019-04-30 | 2019-10-15 | 蜂巢能源科技有限公司 | 电池开路电压预估方法及系统 |
CN110333450B (zh) * | 2019-04-30 | 2021-11-19 | 蜂巢能源科技有限公司 | 电池开路电压预估方法及系统 |
CN111239624A (zh) * | 2020-02-21 | 2020-06-05 | 中航锂电(洛阳)有限公司 | 一种电池容量校准方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | A novel capacity estimation method for lithium-ion batteries using fusion estimation of charging curve sections and discrete Arrhenius aging model | |
CN110501652B (zh) | 一种退役锂电池可用容量快速评估方法及评估装置 | |
CN106716158B (zh) | 电池荷电状态估算方法和装置 | |
CN107991623B (zh) | 一种考虑温度和老化程度的电池安时积分soc估计方法 | |
CN112838631B (zh) | 动力电池的充电动态管控装置和动力电池的充电诊断方法 | |
CN104535932B (zh) | 一种锂离子电池荷电状态估计方法 | |
CN106291378B (zh) | 一种电动汽车动力电池soh的测算方法 | |
CN105021994B (zh) | 一种检测电池组内单体电池一致性的方法和装置 | |
CN104122447B (zh) | 一种电动汽车动力电池组直流阻抗的在线估算方法 | |
CN105425153B (zh) | 一种估计电动车辆的动力电池的荷电状态的方法 | |
CN109870659A (zh) | 应用滑窗寻优策略的锂离子电池健康状态估算方法 | |
CN105223487B (zh) | 一种锂离子电池的多状态解耦估计方法 | |
CN104577242B (zh) | 一种电池组管理系统和方法 | |
CN107656210A (zh) | 一种估算电池电量状态的方法 | |
CN105116344B (zh) | 基于二进制编码的电池开路电压估算方法 | |
CN109459699A (zh) | 一种锂离子动力电池soc实时监测方法 | |
Wang et al. | An improved coulomb counting method based on dual open‐circuit voltage and real‐time evaluation of battery dischargeable capacity considering temperature and battery aging | |
CN107843845A (zh) | 一种动力锂离子电池soh在线估算方法 | |
CN109085505A (zh) | 一种动力电池充放电状态估算方法 | |
CN109596993A (zh) | 锂离子电池荷电状态检测的方法 | |
CN113253140A (zh) | 电池健康状态在线估算方法 | |
CN106696712A (zh) | 动力电池故障检测方法、系统及电动车辆 | |
Qiuting et al. | State of health estimation for lithium-ion battery based on D-UKF | |
CN109752660B (zh) | 一种无电流传感器的电池荷电状态估计方法 | |
CN108169687A (zh) | 一种基于云平台的蓄电池soc估算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20191029 Address after: 518000 Shenyu Science and Technology Park, No. 68 Lanjingbei Road, Laokeng Community, Longtian Street, Pingshan District, Shenzhen City, Guangdong Province, 101 Applicant after: Shenzhen Anding New Energy Technology Development Co., Ltd. Address before: 518000 Guangdong Province, Shenzhen City Pingshan Pingshan community Zhu Keng Industrial Zone 9 1-3 Applicant before: Shenzhen Optimum Battery Co., Ltd. |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170510 |