CN106872899A - 一种基于降维观测器的动力电池soc估计方法 - Google Patents
一种基于降维观测器的动力电池soc估计方法 Download PDFInfo
- Publication number
- CN106872899A CN106872899A CN201710073363.1A CN201710073363A CN106872899A CN 106872899 A CN106872899 A CN 106872899A CN 201710073363 A CN201710073363 A CN 201710073363A CN 106872899 A CN106872899 A CN 106872899A
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- circuit
- voltage
- reduced dimension
- 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.)
- Granted
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开的一种基于降维观测器的动力电池SOC估计方法,包括步骤:一、电池模型结构建立;二、电池未知参数辨识;三、电池荷电状态SOC估计。本发明针对锂离子电池,在考虑电池内阻和松弛效应的情况下,设计了一种降维观测器,结合开路电压法和库伦计量法进行电池SOC的实时估计,计算量小、估计精度高,有效克服了SOC初值选取和系统不确定性造成的误差。
Description
技术领域
本发明涉及新能源电动汽车的动力电池技术领域,尤其是一种基于降维观测器的动力电池SOC估计方法。
背景技术
作为节能与新能源汽车核心技术之一,电池技术一直是阻碍新能源汽车产业发展的关键。目前针对动力电池的研究方向主要包括电池模型建立、电池故障诊断、电池寿命预测、电池健康状态(State of Health,SOH)估计以及电池荷电状态(State of Charge,SOC)估计。其中,电池模型主要反映电池内部的状态变量与电池外部特性之间的关系,是进行电池故障诊断、状态估计的前提条件;电池的荷电状态SOC描述的是电池内部当前剩余电量的多少,是电池能量管理系统(Battery Management System,BMS)的核心和难点。
准确的SOC估计可以表明电池的可工作时长,从而方便确定停止充/放电的时间,防止过充/放电现象发生,不仅能为驾驶员提供续驶里程的信息,还能有效提高动力电池的能量效率。例如,当插电式混合动力汽车启动时SOC太低,能量管理系统只能通过内燃机方式启动,尽管此时电动机启动方式更有效;当汽车制动时SOC处于最大水平,虽然可以利用再生制动回馈能量,但由于回收的能量无法存储所以也不能实现回收。因此,SOC估计越准确,能量管理系统使用电池越高效。
电池SOC常用的估计方法有基于模型的方法(如状态空间模型、内阻模型等)、开路电压法、H∞滤波法、在线自学习法、库伦计量法、神经网络法、卡尔曼滤波法、扩展卡尔曼滤波法等。其中,基于内阻模型的方法由于交流阻抗受温度影响,直流阻抗受计算时间影响,若时间短则只有欧姆电阻可测,而时间长则内阻变得复杂,准确测量单体内阻变得困难,故很少用于实车上;开路电压法需要电池长时间静置,从工作状态恢复到稳定状态,这给测量造成困难,故该方法单独使用只适用于驻车状态;库伦计量法能够提供准确的电流测量结果,实现高精度估算,但无法估算电池的初始SOC;神经网络法则需要大量的参考数据进行训练,且估计结果受训练数据和训练方法的影响很大;卡尔曼滤波法涉及算法复杂、计算量大,且对硬件要求苛刻。因此单独使用任何一种估计方法均不能满足准确、易实现的实际要求。
发明内容
本发明的目的在于提供一种基于降维观测器的动力电池SOC估计方法,针对锂离子电池,结合开路电压法和库伦计量法进行电池SOC的实时估算,计算量小、估计精度高,且对BMS硬件要求低。
为了实现上述目的,本发明采用如下技术方案:
一种基于降维观测器的动力电池SOC估计方法,包括以下步骤:
一、电池模型结构建立
根据电池的电学特性建立电池的等效电路,该等效电路为电池电路中串联的一个RC并联电路,iL和vT分别表示电路端口电流和端口电压,QR表示电池的额定容量,R0表示电池的内阻,R和C的并联电路反映电池的松弛效应,VRC表示RC并联电路两端的电压;
将开路电压与SOC之间的非线性关系通过可控电压源来表示,具体是用函数f(·)表示通过若干次实验得到开路电压voc与SOC之间的非线性关系,如下:
voc=f(SOC)=a1×SOC+a0 (1)
其中,a1是反映开路电压与SOC关系的变化趋势,a0是电池SOC为0时voc的大小;
选取状态变量x=[SOC,voc]T,输入变量u=iL,输出变量y=vT,建立电池的状态空间模型:
二、电池未知参数辨识
步骤一的状态空间模型含有未知参数{a0,R,C,R0,a1},根据电池状态空间模型可得到电池的传递函数为:
对式(3)进行z变换后得:
其中,各系数的表达式如下所示:
将式(4)变换到时域后为:
y(k)=-b1y(k-1)-b2y(k-2)+a0(1+b1+b2)+c0u(k)+c1u(k-1)+c2u(k-2)(6);
根据式(5)中b1、b2的表达式可知1+b1+b2=0,表示参数a0不会影响输出y(k),通过求解{b1,b2,c0,c1,c2}可以辨识得到模型未知参数
三、电池荷电状态SOC估计
根据步骤二辨识到的参数得到RC并联电路和内阻上的电压降VRC、R0iL,通过将输出端口电压vT和VRC、R0iL作差计算voc,然后将voc作为电池系统的输出,并建立则降维观测器方程:
其中,即f(SOC)为voc与SOC的非线性函数关系式,L是观测器的增益;
通过该降维观测器准确估计出电池SOC。
采用上述方案后,本发明具有以下优点:
1、本发明结合了两种SOC估计方法——库伦计量法和开路电压法,既可以根据电池SOC与开路电压的数学关系获取准确的初始SOC,也可以通过库伦计量法方便地实时获取电流观测值,从而满足准确、易于实现的电池SOC估计的实际要求;
2、本发明在对电池建模过程中考虑到电池的松弛特性。电池的松弛效应指在电池放电时,新的活性物质从电解质移动到电极通过扩散作用在它们的接口处对旧的活性物质进行替换的现象,如果放电的电流低于阈值,那么扩散作用就能够弥补活性物质的减少,这样电池的电力将恢复,因此,本发明建立的电池模型可以更好的反映电池的实际工作情况;
3、本发明通过设计的降维观测器来实时反映电池不断变化的SOC值,降维观测器将库伦计量和开路电压的SOC估计方法与自适应参数辨识方法结合,提高了电池SOC的估计准确度,保证估计误差小于5%。
下面结合附图对本发明做进一步的说明。
附图说明
图1为本发明的电池等效电路图。
图2为本发明的降维观测器工作原理示意图。
具体实施方式
本实施例揭示的一种基于降维观测器的动力电池SOC估计方法,包括以下步骤:
一、电池模型结构建立
通过对电池性能特性的分析,本发明将开路电压与SOC之间的非线性关系通过可控电压源来表示,电池的松弛效应通过在电路中串联一个RC并联电路来反映,因此,电池的等效电路如图1所示,其中,iL和vT分别表示电路端口电流和端口电压,QR表示电池的额定容量,R0表示电池的内阻,R和C的并联电路反映电池的松弛效应,VRC表示RC并联电路两端的电压。
将开路电压与SOC之间的非线性关系通过可控电压源来表示,具体是用函数f(·)表示通过若干次实验得到voc与SOC之间的非线性关系式如下,可以实现SOC的快速计算:
voc=f(SOC)=a1×SOC+a0 (1)
其中,a1是反映开路电压与SOC关系的变化趋势,a0是电池SOC为0时voc的大小;
针对图1的电池等效电路图,选取状态变量x=[SOC,voc]T,输入变量u=iL,输出变量y=vT,建立电池的状态空间模型:
二、电池未知参数辨识
步骤一的状态空间模型含有未知参数{a0,R,C,R0,a1},所以要估计电池SOC,首先需要辨识得到未知的模型参数,具体如下,
根据电池状态空间模型可得到电池的传递函数为:
对式(3)进行z变换后得:
其中,各系数的表达式如下所示:
将式(4)变换到时域后为:
y(k)=-b1y(k-1)-b2y(k-2)+a0(1+b1+b2)+c0u(k)+c1u(k-1)+c2u(k-2)(6);
根据式(5)中b1、b2的表达式可知1+b1+b2=0,表示参数a0不会影响输出y(k),通过求解{b1,b2,c0,c1,c2}可以辨识得到模型未知参数
三、电池荷电状态SOC估计
尽管通过步骤二可以辨识得到的精确估计值,但对于参数a0并没有有效的估计方法,因此本发明提出了一种降维观测器来估计电池SOC,估计原理如图2所示;
根据步骤二辨识到的参数得到RC并联电路和内阻上的电压降VRC、R0iL(不用观测器即可以计算得到,观测器主要用来补偿由于初值选取和系统不确定性带来的误差),在通过将输出端口电压vT和VRC、R0iL作差计算voc,然后将voc作为电池系统的输出,并建立则降维观测器方程为:
其中,即f(SOC)为voc与SOC的关系式,L是观测器的增益;
通过该降维观测器可实现电池SOC的准确、实时估计,并有效克服初值选取和系统不确定性造成的误差。
本发明结合开路电压法和库伦计量法,取长补短,前者可根据电池SOC状态与开路电压之间的数学关系计算初始的SOC状态,后者可根据准确的电流测量值计算实时放电容量,从而实现电池SOC的实时估算,该发明计算量小、估计精度高,且对BMS硬件要求低。考虑到锂离子电池的工作电压高、比能量高、循环寿命长、自放电率低、使用温度范围宽、无记忆效应等诸多优势,本实施例是以锂离子电池作为研究对象。
上述说明示出并描述了本发明的优选实施例,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (1)
1.一种基于降维观测器的动力电池SOC估计方法,其特征在于:包括离线测试和在线测试两部分,具体包括以下步骤:
一、电池模型结构建立
根据电池的电学特性建立电池的等效电路,该等效电路为电池电路中串联的一个RC并联电路,iL和vT分别表示电路端口电流和端口电压,QR表示电池的额定容量,R0表示电池的内阻,R和C的并联电路反映电池的松弛效应,VRC表示RC并联电路两端的电压;
将开路电压与SOC之间的非线性关系通过可控电压源来表示,具体是用函数f(·)表示通过若干次实验得到开路电压voc与SOC之间的非线性关系,如下:
voc=f(SOC)=a1×SOC+a0 (1)
其中,a1是反映开路电压与SOC关系的变化趋势,a0是电池SOC为0时voc的大小;
选取状态变量x=[SOC,voc]T,输入变量u=iL,输出变量y=vT,建立电池的状态空间模型:
二、电池未知参数辨识
步骤一的状态空间模型含有未知参数{a0,R,C,R0,a1},根据电池状态空间模型可得到电池的传递函数为:
对式(3)进行z变换后得:
其中,各系数的表达式如下所示:
将式(4)变换到时域后为:
y(k)=-b1y(k-1)-b2y(k-2)+a0(1+b1+b2)+c0u(k)+c1u(k-1)+c2u(k-2)(6);
根据式(5)中b1、b2的表达式可知1+b1+b2=0,表示参数a0不会影响输出y(k),通过求解{b1,b2,c0,c1,c2}可以辨识得到模型未知参数
三、电池荷电状态SOC估计
根据步骤二辨识到的参数得到RC并联电路和内阻上的电压降VRC、R0iL,通过将输出端口电压vT和VRC、R0iL作差计算voc,然后将voc作为电池系统的输出,并建立则降维观测器方程:
其中,即f(SOC)为voc与SOC的非线性函数关系式,L是观测器的增益;
通过该降维观测器准确估计出电池SOC。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710073363.1A CN106872899B (zh) | 2017-02-10 | 2017-02-10 | 一种基于降维观测器的动力电池soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710073363.1A CN106872899B (zh) | 2017-02-10 | 2017-02-10 | 一种基于降维观测器的动力电池soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106872899A true CN106872899A (zh) | 2017-06-20 |
CN106872899B CN106872899B (zh) | 2019-06-18 |
Family
ID=59166789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710073363.1A Active CN106872899B (zh) | 2017-02-10 | 2017-02-10 | 一种基于降维观测器的动力电池soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106872899B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI640791B (zh) * | 2017-08-11 | 2018-11-11 | 加百裕工業股份有限公司 | Lithium battery capacity detection method |
TWI640792B (zh) * | 2017-08-11 | 2018-11-11 | 加百裕工業股份有限公司 | Lithium battery capacity detecting method using compensation calculation method |
CN108828449A (zh) * | 2018-06-19 | 2018-11-16 | 西南交通大学 | 基于比例积分h∞观测器的锂离子电池剩余电量估计方法 |
CN110346734A (zh) * | 2019-06-19 | 2019-10-18 | 江苏大学 | 一种基于机器学习的锂离子动力电池健康状态估算方法 |
CN110646737A (zh) * | 2019-09-20 | 2020-01-03 | 广州市香港科大霍英东研究院 | 基于多模型的电池soc动态估算方法、系统及存储介质 |
CN110907834A (zh) * | 2019-10-29 | 2020-03-24 | 盐城工学院 | 一种并联型电池系统建模方法 |
CN111595485A (zh) * | 2020-05-07 | 2020-08-28 | 广东工业大学 | 一种基于降阶模型的锂离子电池在线温度分布观测器设计方法 |
CN112600413A (zh) * | 2020-11-05 | 2021-04-02 | 北京信息科技大学 | 一种dc-dc变换器的内阻观测方法及内阻观测器 |
CN113109712A (zh) * | 2021-04-15 | 2021-07-13 | 上海交通大学宁波人工智能研究院 | 一种基于二分支等效电路的非线性观测器及soc估算方法 |
CN114114021A (zh) * | 2021-11-12 | 2022-03-01 | 山东大学 | 考虑非线性固相扩散的锂离子电池模型及参数辨识方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110148424A1 (en) * | 2009-12-22 | 2011-06-23 | Industrial Technology Research Institute | Apparatus for estimating battery state of health |
CN102621497A (zh) * | 2012-03-22 | 2012-08-01 | 青岛理工大学 | 蓄电池剩余电量监测方法及监测装置 |
CN103389469A (zh) * | 2012-05-08 | 2013-11-13 | 通用汽车环球科技运作有限责任公司 | 使用鲁棒h∞观测器的电池荷电状态估计器 |
CN103675703A (zh) * | 2013-11-30 | 2014-03-26 | 西安交通大学 | 一种用于电池荷电状态估计方法 |
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 |
CN105607009A (zh) * | 2016-02-01 | 2016-05-25 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和系统 |
-
2017
- 2017-02-10 CN CN201710073363.1A patent/CN106872899B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110148424A1 (en) * | 2009-12-22 | 2011-06-23 | Industrial Technology Research Institute | Apparatus for estimating battery state of health |
CN102621497A (zh) * | 2012-03-22 | 2012-08-01 | 青岛理工大学 | 蓄电池剩余电量监测方法及监测装置 |
CN103389469A (zh) * | 2012-05-08 | 2013-11-13 | 通用汽车环球科技运作有限责任公司 | 使用鲁棒h∞观测器的电池荷电状态估计器 |
CN103675703A (zh) * | 2013-11-30 | 2014-03-26 | 西安交通大学 | 一种用于电池荷电状态估计方法 |
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 |
CN105607009A (zh) * | 2016-02-01 | 2016-05-25 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和系统 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI640791B (zh) * | 2017-08-11 | 2018-11-11 | 加百裕工業股份有限公司 | Lithium battery capacity detection method |
TWI640792B (zh) * | 2017-08-11 | 2018-11-11 | 加百裕工業股份有限公司 | Lithium battery capacity detecting method using compensation calculation method |
CN108828449A (zh) * | 2018-06-19 | 2018-11-16 | 西南交通大学 | 基于比例积分h∞观测器的锂离子电池剩余电量估计方法 |
CN110346734B (zh) * | 2019-06-19 | 2021-07-20 | 江苏大学 | 一种基于机器学习的锂离子动力电池健康状态估算方法 |
CN110346734A (zh) * | 2019-06-19 | 2019-10-18 | 江苏大学 | 一种基于机器学习的锂离子动力电池健康状态估算方法 |
CN110646737A (zh) * | 2019-09-20 | 2020-01-03 | 广州市香港科大霍英东研究院 | 基于多模型的电池soc动态估算方法、系统及存储介质 |
CN110646737B (zh) * | 2019-09-20 | 2022-04-22 | 广州市香港科大霍英东研究院 | 基于多模型的电池soc动态估算方法、系统及存储介质 |
CN110907834A (zh) * | 2019-10-29 | 2020-03-24 | 盐城工学院 | 一种并联型电池系统建模方法 |
CN110907834B (zh) * | 2019-10-29 | 2021-09-07 | 盐城工学院 | 一种并联型电池系统建模方法 |
CN111595485A (zh) * | 2020-05-07 | 2020-08-28 | 广东工业大学 | 一种基于降阶模型的锂离子电池在线温度分布观测器设计方法 |
CN112600413A (zh) * | 2020-11-05 | 2021-04-02 | 北京信息科技大学 | 一种dc-dc变换器的内阻观测方法及内阻观测器 |
CN112600413B (zh) * | 2020-11-05 | 2022-04-12 | 北京信息科技大学 | 一种dc-dc变换器的内阻观测方法及内阻观测器 |
CN113109712A (zh) * | 2021-04-15 | 2021-07-13 | 上海交通大学宁波人工智能研究院 | 一种基于二分支等效电路的非线性观测器及soc估算方法 |
CN114114021A (zh) * | 2021-11-12 | 2022-03-01 | 山东大学 | 考虑非线性固相扩散的锂离子电池模型及参数辨识方法 |
CN114114021B (zh) * | 2021-11-12 | 2022-09-09 | 山东大学 | 考虑非线性固相扩散的锂离子电池模型及参数辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106872899B (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106872899A (zh) | 一种基于降维观测器的动力电池soc估计方法 | |
Fotouhi et al. | Lithium–sulfur battery state-of-charge observability analysis and estimation | |
CN104678316B (zh) | 锂离子电池荷电状态估算方法和装置 | |
Chiang et al. | Online estimation of internal resistance and open-circuit voltage of lithium-ion batteries in electric vehicles | |
CN102680795B (zh) | 一种二次电池内阻的实时在线估计方法 | |
CN103020445B (zh) | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 | |
CN102831100B (zh) | 电池荷电状态估算方法及装置 | |
CN104285157B (zh) | 电池的充电状态估计装置 | |
CN105548896A (zh) | 基于n-2rc模型的动力电池soc在线闭环估计方法 | |
Stroe et al. | Lithium-ion battery dynamic model for wide range of operating conditions | |
CN105425154B (zh) | 一种估计电动汽车的动力电池组的荷电状态的方法 | |
CN106324523A (zh) | 基于离散变结构观测器的锂电池soc估计方法 | |
Baronti et al. | Parameter identification of Li-Po batteries in electric vehicles: A comparative study | |
CN104237791A (zh) | 一种锂电池荷电状态估算方法及电池管理系统和电池系统 | |
CN105044606B (zh) | 一种基于参数自适应电池模型的soc估计方法 | |
Xu et al. | A comparison study of the model based SOC estimation methods for lithium-ion batteries | |
Howey et al. | Impedance measurement for advanced battery management systems | |
El Lakkis et al. | Combined battery SOC/SOH estimation using a nonlinear adaptive observer | |
CN104297578A (zh) | 基于滑模观测器的超级电容器组荷电状态估计方法 | |
Biswas et al. | Simultaneous state and parameter estimation of li-ion battery with one state hysteresis model using augmented unscented kalman filter | |
Lee et al. | Deep neural network based SOH monitoring of battery module | |
Muralidharan et al. | Cell modelling for battery management system in electric vehicles | |
Duong et al. | Novel estimation technique for the state-of-charge of the lead-acid battery by using EKF considering diffusion and hysteresis phenomenon | |
Chen et al. | A novel state-of-charge estimation method for lithium-ion battery pack of electric vehicles | |
Li et al. | Robust state of charge estimation of lithium-ion batteries via an iterative learning observer |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |