CN106842061A - 一种低荷电状态的估计方法 - Google Patents
一种低荷电状态的估计方法 Download PDFInfo
- Publication number
- CN106842061A CN106842061A CN201710192090.2A CN201710192090A CN106842061A CN 106842061 A CN106842061 A CN 106842061A CN 201710192090 A CN201710192090 A CN 201710192090A CN 106842061 A CN106842061 A CN 106842061A
- Authority
- CN
- China
- Prior art keywords
- soc
- interval
- state
- estimation
- charge
- 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]
- G01R31/367—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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Abstract
本发明涉及一种低荷电状态的估计方法,对采用等效电路模型ECM结合扩展卡尔曼滤波EKF算法实现电池在整个状态区间内的荷电状态SOC估计方法中,在SOC在0‑20%的低荷电状态区间内,大幅度降低的值,并大幅度提高的值,使得在0‑20%的低荷电状态区间内,EKF算法估计SOC的过程中只相信由安时积分法得到的SOC估计值。克服工程应用的ECM在低SOC区间内不能很好的模拟电池特性,进而导致使用EKF算法在低SOC区间内估计SOC的效果变差的问题,可以在基本不改变现有技术方法的条件下,得到整个状态区间内精确的SOC估计值。
Description
技术领域
本发明涉及一种电池技术,特别涉及一种低荷电状态的估计方法。
背景技术
随着科技的不断进步,电子产品的使用也越来越广泛,电池的应用领域更是越来越广泛,可谓是无处不见。小到生活工作中常用的手机,平板,电脑;大到由电池单体串并联构成的动力电池在电动汽车等领域的应用。
在电池的使用过程中,消费者很关心的一种信息就是剩余电量,一般通过荷电状态SOC表示。但是对于电池而言,其SOC不能直接由传感器测得,而需要一些算法来计算得到,因而就需要有精确的SOC估计算法。对于生活工作中的电子产品,如手机等,其耗电的过程中电流变化不是很剧烈,采用最简单的安时积分法一般就可以得到较精确的SOC估计值。
然而,对于电动汽车,特别是混合动力汽车,电流变化很大,如果简单但运用安时积分法,其误差会比较大,不能得到满意的SOC估计值,因而一般工程领域会考虑采用扩展卡尔曼滤波EKF算法,通过采用等效电路模型ECM将安时积分法与开路电压法结合起来使用以提高SOC的估计精度。并且EKF估计的精度很大程度上会受到模型精度的影响。
在工程领域中,为了降低计算量,一般会选择采用比较简洁的ECM,如一阶RC模型等。这类ECM在高区间的SOC范围内,SOC-OCV有较好的线性关系,因而能够较好的模拟电池特性。但是,在低SOC区间内,由于SOC-OCV的线性关系较差,所以一般简单的ECM不能较好的模拟这段区间的电池特性,这也就造成了EKF算法在低SOC区间内估计SOC的效果变差。
发明内容
本发明是针对工程应用的ECM在低SOC区间内不能很好的模拟电池特性,进而导致使用EKF算法在低SOC区间内估计SOC的效果变差的问题,提出了一种低荷电状态的估计方法,通过在低SOC区间内大幅度改变EKF算法中的状态噪声的方差∑w和测量噪声的方差∑v方法,实现电池在整个状态区间内的精确的SOC估计。
本发明的技术方案为:一种低荷电状态的估计方法,对采用等效电路模型ECM结合扩展卡尔曼滤波EKF算法实现电池在整个状态区间内的荷电状态SOC估计方法中,在SOC在0-20%的低荷电状态区间内,大幅度降低∑w的值,并大幅度提高∑v的值,使得在0-20%的低荷电状态区间内,EKF算法估计SOC的过程中只相信由安时积分法得到的SOC估计值。
所述等效电路模型ECM为一阶RC模型,二阶RC模型,三阶RC模型中的任意一种。
所述大幅度降低∑w的值,并大幅度提高∑v的值为:状态噪声的方差Sw从∑w=1e-8附近降低到∑w=1e-20附近,测量噪声的方差∑v从∑v=0.01^2附近提高到∑v=1附近。
本发明的有益效果在于:本发明低荷电状态的估计方法,可以在基本不改变现有技术方法的条件下,得到整个状态区间内精确的SOC估计值。
附图说明
图1为本发明用于精确估计电池整个状态区间内的SOC估计方法的流程图。
具体实施方式
采用等效电路模型ECM结合扩展卡尔曼滤波EKF算法实现电池在整个状态区间内精确的荷电状态SOC估计。首先针对目标电池选择合适的ECM;进一步利用融合算法,通过EKF算法将安时积分法与开路电压法结合起来估计SOC,在SOC高于20%的区间内,根据系统实际使用中的工作环境适当调节EKF算法中的状态噪声的方差∑w和测量噪声的方差∑v;在SOC在0-20%的区间内,大幅度降低∑w的值,并大幅度提高∑v的值,使得在0-20%的区间内,EKF算法估计SOC的过程中只相信由安时积分法得到的SOC估计值;进而得到电池在整个状态区间内精确的SOC估计值。
如图1所示用于精确估计电池整个状态区间内的SOC估计方法的流程图,具体包括以下步骤:
S1、针对目标电池选择合适的等效电路模型;
步骤S1可选用的等效电路模型包括一阶RC模型,二阶RC模型,三阶RC模型等,具体根据目标电池的种类进行选择,一般的,三元锂电池LiNMC选用一阶RC模型;LiFePO4电池选用带状态滞回的一阶RC模型。
S2、判断SOC值是否大于20%,如果是,执行步骤3),否则,转至步骤4);
步骤S2中利用当前EKF估计得到的SOC值进行判断,这里运用EKF算法的方法是:
以传感器测得电流I为输入,先通过安时积分初步得到SOC的一个初步观测值再利用SOC-OCV关系表,并结合步骤S1选择的模型得到电池的端电压估计值U'B,进而得到U'B与传感器测得的电池的端电压值UB的差异值,由该差异值乘以卡尔曼增益Lk对初步观测值进行更新,得到即由EKF算法得到的电池SOCk的估计值。
其中,卡尔曼增益Lk很大程度上取决于状态噪声Wk和测量噪声Vk的协方差∑w和∑v的对比;W k,V k是相互独立,均值为0的高斯白噪声。状态噪声的方差∑w越大,测量噪声的方差∑v越小,则表示输入值受干扰程度大(即由安时积分得到的观测值值不可靠),系统输出所对比值受干扰程度小(即所对比值更可靠),这里的对比值指电压传感器测得的电压值,即系统更相信电压传感器实际测得的参数值,对应的卡尔曼增益值Lk越大。反过来,∑w越小,∑v越大,则输入值更可靠,系统输出所对比值不可靠,因而系统更相信由安时积分法得到的观测值对应的卡尔曼增益值Lk越小。
S3、根据系统实际使用中的工作环境适当调节EKF算法中的状态噪声的方差∑w和测量噪声的方差∑v;
步骤S3中状态噪声的方差∑w可取在∑w=1e-8附近,测量噪声的方差∑v可取在∑v=0.01^2附近。
S4、大幅度降低EKF算法中∑w的值,并大幅度提高EKF算法中∑v的值,即使得EKF算法在0-20%的区间内估计SOC的过程中只相信安时积分法计算得到的SOC估计值;
步骤S4中大幅度改变的状态噪声的方差∑w可取在∑w=1e-20附近,测量噪声的方差∑v可取在∑v=1附近。
S5、由步骤3)和4)得到电池在整个状态区间内精确的SOC估计值。
根据以上流程,本发明通过在低SOC区间内大幅度改变EKF算法中的状态噪声的方差∑w和测量噪声的方差∑v方法,实现电池在整个状态区间内的精确的SOC估计,可以在基本不改变现有技术方法的条件下,得到整个状态区间内精确的SOC估计值。
Claims (3)
1.一种低荷电状态的估计方法,其特征在于,对采用等效电路模型ECM结合扩展卡尔曼滤波EKF算法实现电池在整个状态区间内的荷电状态SOC估计方法中,在SOC在0-20%的低荷电状态区间内,大幅度降低∑w的值,并大幅度提高∑v的值,使得在0-20%的低荷电状态区间内,EKF算法估计SOC的过程中只相信由安时积分法得到的SOC估计值。
2.根据权利要求1所述低荷电状态的估计方法,其特征在于,所述等效电路模型ECM为一阶RC模型,二阶RC模型,三阶RC模型中的任意一种。
3.根据权利要求1或2所述低荷电状态的估计方法,其特征在于,所述大幅度降低∑w的值,并大幅度提高∑v的值为:状态噪声的方差∑w从∑w=1e-8附近降低到∑w=1e-20附近,测量噪声的方差∑v从∑v=0.01^2附近提高到∑v=1附近。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710192090.2A CN106842061A (zh) | 2017-03-28 | 2017-03-28 | 一种低荷电状态的估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710192090.2A CN106842061A (zh) | 2017-03-28 | 2017-03-28 | 一种低荷电状态的估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106842061A true CN106842061A (zh) | 2017-06-13 |
Family
ID=59141192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710192090.2A Pending CN106842061A (zh) | 2017-03-28 | 2017-03-28 | 一种低荷电状态的估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106842061A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107632264A (zh) * | 2017-08-30 | 2018-01-26 | 苏州精控能源科技有限公司 | 电池soc估算方法、装置及电池管理系统 |
CN108287316A (zh) * | 2018-01-15 | 2018-07-17 | 厦门大学 | 基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法 |
CN108732504A (zh) * | 2018-03-29 | 2018-11-02 | 上海理工大学 | 全电荷区域内锂电池等效电路模型参数辨识与优化方法 |
CN112710955A (zh) * | 2020-12-16 | 2021-04-27 | 上海理工大学 | 一种用于提高电池容量估计精度的算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645637A (zh) * | 2012-04-25 | 2012-08-22 | 中航锂电(洛阳)有限公司 | 一种均衡电池的soc估算方法 |
CN104535932A (zh) * | 2014-12-20 | 2015-04-22 | 吉林大学 | 一种锂离子电池荷电状态估计方法 |
CN104573401A (zh) * | 2015-02-03 | 2015-04-29 | 中国科学院宁波材料技术与工程研究所 | 一种电池荷电状态估计方法及装置 |
CN105445665A (zh) * | 2015-11-12 | 2016-03-30 | 华晨汽车集团控股有限公司 | 一种利用卡尔曼滤波预估电池荷电状态的方法 |
-
2017
- 2017-03-28 CN CN201710192090.2A patent/CN106842061A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645637A (zh) * | 2012-04-25 | 2012-08-22 | 中航锂电(洛阳)有限公司 | 一种均衡电池的soc估算方法 |
CN104535932A (zh) * | 2014-12-20 | 2015-04-22 | 吉林大学 | 一种锂离子电池荷电状态估计方法 |
CN104573401A (zh) * | 2015-02-03 | 2015-04-29 | 中国科学院宁波材料技术与工程研究所 | 一种电池荷电状态估计方法及装置 |
CN105445665A (zh) * | 2015-11-12 | 2016-03-30 | 华晨汽车集团控股有限公司 | 一种利用卡尔曼滤波预估电池荷电状态的方法 |
Non-Patent Citations (3)
Title |
---|
MINGGAO OUYANG, ETAL: "Enhancing the estimation accuracy in low state-of-charge area:A novel onboard battery model through surface state of charge determination", 《JOURNAL OF POWER SOURCES》 * |
于仲安等: "动力锂电池SOC估算研究其管理系统设计", 《电力电子技术》 * |
郭应时等: "噪声方差对卡尔曼滤波结果影响分析", 《计算机工程与设计》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107632264A (zh) * | 2017-08-30 | 2018-01-26 | 苏州精控能源科技有限公司 | 电池soc估算方法、装置及电池管理系统 |
CN108287316A (zh) * | 2018-01-15 | 2018-07-17 | 厦门大学 | 基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法 |
CN108732504A (zh) * | 2018-03-29 | 2018-11-02 | 上海理工大学 | 全电荷区域内锂电池等效电路模型参数辨识与优化方法 |
CN112710955A (zh) * | 2020-12-16 | 2021-04-27 | 上海理工大学 | 一种用于提高电池容量估计精度的算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103616646B (zh) | 一种利用ocv-soc曲线修正soc的方法 | |
CN106842061A (zh) | 一种低荷电状态的估计方法 | |
CN103472403B (zh) | 一种基于pngv等效电路模型的动力电池soc复合估计方法 | |
US10408880B2 (en) | Techniques for robust battery state estimation | |
Liu et al. | A state of charge estimation method based on $ H_\infty $ observer for switched systems of lithium-ion nickel–manganese–cobalt batteries | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
KR101486470B1 (ko) | 배터리 상태 추정 장치 및 방법 | |
Chen et al. | State of charge estimation of lithium-ion batteries in electric drive vehicles using extended Kalman filtering | |
US10099679B2 (en) | Battery state and parameter estimation using a mixed sigma-point kalman filtering and recursive least squares technique | |
CN104360282B (zh) | 一种变长度滑动窗辨识电池参数的电池荷电状态估计方法 | |
EP3593155B1 (en) | A battery cell state of charge estimation method and a battery state monitoring system | |
US9312722B2 (en) | System and method for battery power management | |
US9714982B2 (en) | Method and device for estimating remaining capacity of battery | |
JP6022192B2 (ja) | 車両の高電圧バッテリー劣化判定方法 | |
CN102540086B (zh) | 带选择充电状态加权缩放方法 | |
KR101500128B1 (ko) | 고전압 배터리의 열화 검출 방법 | |
CN105974323A (zh) | 一种提高电动汽车soc估算精度的算法模型 | |
JP6509725B2 (ja) | バッテリの充電状態の推定 | |
CN104459551A (zh) | 一种电动汽车动力电池能量状态估算方法 | |
US20040169495A1 (en) | Estimating apparatus and method of input and output enabling powers for secondary cell | |
CN105938181A (zh) | 蓄电元件管理装置、方法和程序、蓄电元件模块及移动体 | |
CN109307844B (zh) | 一种锂电池soc的估算方法及装置 | |
US20140266059A1 (en) | Selective updating of battery parameter estimations | |
CN105270389A (zh) | 电池测量的估计和补偿 | |
CN108549030A (zh) | 基于电压关键特性的锂电池在线健康状态快速预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170613 |
|
WD01 | Invention patent application deemed withdrawn after publication |