CN106896329A - 一种电池端电压的预测方法及装置 - Google Patents
一种电池端电压的预测方法及装置 Download PDFInfo
- Publication number
- CN106896329A CN106896329A CN201710178011.2A CN201710178011A CN106896329A CN 106896329 A CN106896329 A CN 106896329A CN 201710178011 A CN201710178011 A CN 201710178011A CN 106896329 A CN106896329 A CN 106896329A
- Authority
- CN
- China
- Prior art keywords
- battery
- voltage
- current
- target
- terminal voltage
- 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
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
- G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
- G01R19/16542—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies for batteries
-
- 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
Abstract
本发明公开了一种电池端电压的预测方法及装置,所述方法包括:预先创建目标电池的伏安特性模型;在预测所述目标电池的端电压时,根据所述目标电池的伏安特性模型,确定所述目标电池的当前伏安特性数据;根据所述当前伏安特性数据,预测所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。本发明能够预测出未来时刻的电池端电压,从而可以根据预测结果保证电池端电压在未来时刻不会超出其截止电压,进而保证电池安全健康地的运行。
Description
技术领域
本发明涉及电池技术领域,尤其涉及一种电池端电压的预测方法及装置。
背景技术
电动汽车的电池管理系统(Battery Management System,简称BMS),一般要向电动汽车的整车动力系统提供电池的最大放电/充电功率这一信号,整车动力系统的整车控制器(Vehicle Control Unit,简称VCU)会依据这一信号来控制电动汽车的电池充放电功率。
实际应用中,依据最大放电/充电功率号这一信号来控制电池充放电功率,在电池充放电过程中可能出现电池端电压超出其截止电压的情况发生,从而导致电池不能安全健康地的运行。
然而,本发明的发明人发现,可以预测出未来时刻的电池端电压,根据预测出的端电压控制电池当前的充放电功率,从而避免未来时刻的电池端电压超出其截止电压,但是,现有技术中并不存在预测未来时刻的电池端电压的方法。
发明内容
有鉴于此,本发明实施例的主要目的在于提供一种电池端电压的预测方法及装置,能够预测出未来时刻的电池端电压,从而可以根据预测结果保证电池端电压在未来时刻不会超出其截止电压,进而保证电池安全健康地的运行。
本发明实施例提供了一种电池端电压的预测方法,包括:
根据目标电池的伏安特性模型,确定所述目标电池的当前伏安特性数据;
根据所述当前伏安特性数据,预测所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。
可选的,所述伏安特性模型为具有一个RC电路或串联连接的至少两个RC电路的电路模型。
可选的,所述根据所述伏安特性模型,确定所述目标电池的当前伏安特性数据,包括:
根据所述伏安特性模型的参数,确定卡尔曼滤波算法所引用的离散控制过程系统的系统参数和测量系统的参数;
根据所述系统参数和所述测量系统的参数,确定所述目标电池的当前伏安特性数据,所述当前伏安特性数据包括所述电路模型中每一RC电路两端的当前电压、以及所述电路模型的当前开路电压。
可选的,所述根据所述当前伏安特性数据,预测所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压,包括:
根据所述RC电路两端的当前电压,预测所述RC电路的目标电压,所述目标电压为所述目标电池从当前时刻开始以目标功率工作预设时长后的电压;
根据所述目标电压和所述当前开路电压,确定所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。
可选的,所述方法还包括:
若所述离散控制过程系统的系统噪声和观测噪声为未知数据,则根据采样误差预估所述系统噪声和观测噪声,所述采样误差为基于所述电路模型的电流采样误差或电压采样误差。
可选的,所述方法还包括:
根据预测出的所述端电压,控制所述目标电池在所述当前时刻后的工作功率。
本发明实施例还提供了一种电池端电压的预测装置,包括:
当前电池数据确定单元,用于根据目标电池的伏安特性模型,确定所述目标电池的当前伏安特性数据;
电池端电压预测单元,用于根据所述当前伏安特性数据,预测所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。
可选的,所述伏安特性模型为具有一个RC电路或串联连接的至少两个RC电路的电路模型。
可选的,所述当前电池数据确定单元包括:
系统参数确定子单元,用于根据所述伏安特性模型的参数,确定卡尔曼滤波算法所引用的离散控制过程系统的系统参数和测量系统的参数;
电池数据确定子单元,用于根据所述系统参数和所述测量系统的参数,确定所述目标电池的当前伏安特性数据,所述当前伏安特性数据包括所述电路模型中每一RC电路两端的当前电压、以及所述电路模型的当前开路电压。
可选的,所述电池端电压预测单元包括:
未来电压值预测子单元,用于根据所述RC电路两端的当前电压,预测所述RC电路的目标电压,所述目标电压为所述目标电池从当前时刻开始以目标功率工作预设时长后的电压;
电池端电压预测子单元,用于根据所述目标电压和所述当前开路电压,确定所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。
可选的,所述装置还包括:
噪声数据预估单元,用于若所述离散控制过程系统的系统噪声和观测噪声为未知数据,则根据采样误差预估所述系统噪声和观测噪声,所述采样误差为基于所述电路模型的电流采样误差或电压采样误差。
可选的,所述装置还包括:
工作功率控制单元,用于根据预测出的所述端电压,控制所述目标电池在所述当前时刻后的工作功率。
本发明实施例提供的一种电池端电压的预测方法及装置,预先创建目标电池的伏安特性模型;在预测所述目标电池的端电压时,根据所述目标电池的伏安特性模型,确定所述目标电池的当前伏安特性数据;根据所述当前伏安特性数据,预测所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。可见,本发明实施例能够预测出未来时刻的电池端电压,从而可以根据预测结果保证电池端电压在未来时刻不会超出其截止电压,进而保证电池安全健康地的运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种电池端电压的预测方法的流程示意图;
图2为本发明实施例提供的单个RC电路示意图;
图3为本发明实施例提供的三阶RC电路示意图;
图4为本发明实施例提供的当前伏安特性数据的获取方法的流程示意图;
图5为本发明实施例提供的电池端电压的获取方法流程示意图;
图6为本发明实施例提供的一种电池端电压的预测装置的组成示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的一种电池端电压的预测方法及装置,可以预测出电池以某功率(比如最大功率)充电或放电一段时间(比如1s)之后的端电压,并可以使用该电池端电压来进一步限制未来时刻的电池工作功率。在实际应用中,电动汽车的整车控制器VCU可以要求电池管理系统BMS预测电池当前以某功率值放电或充电一定时间之后的电池端电压,当预测出的电池端电压超出保护限制(即截止电压)或其它限制条件时,整车控制器VCU可以根据预测出的电池端电压调整当前的电池工作功率,以保证电池安全健康地运行。
参见图1,为本发明实施例提供的一种电池端电压的预测方法的流程示意图,该方法包括:
S101:预先创建目标电池的伏安特性模型。
在介绍目标电池的伏安特性模型之前,首先对单个RC振荡电路进行介绍:
参见图2所示的单个RC电路示意图,对于单个RC电路,流经该RC电路的电流i为:
其中,U是RC电路两端的电压,R是电阻值,C是电容值。
对公式(1)进行离散化可得:
其中,ik-1是k-1时刻流经RC电路的电流,Uk是RC电路在k时刻所分去的电压,Uk-1是RC电路在k-1时刻所分去的电压,Δt为采样间隔(即k-1时刻与k时刻之间的间隔时间)。
将公式(2)变换形式可得:
在本实施例中,为便于描述,将当前进行端电压预测的电池称为目标电池,目标电池的伏安特性模型可以通过实验拟合出来,使拟合出的模型具有目标电池的伏安特性即可。具体地,等效电路模型(戴维南模型)是可以用来模拟电池伏安特性的一种模型,其中的一个或多个RC电路可以用来表示电池的极化效应,因此,在本发明的一个实施例中,所述目标电池的伏安特性模型可以为具有一个RC电路或串联连接的至少两个RC电路的电路模型。
例如,假设所述目标电池的伏安特性模型是图3所示的三阶RC电路模型,基于对图2的分析结果,分析图3所示电路有如下公式:
UL,k=-UΩ,k-Us,k-Um,k-Ul,k+EB,k (5)
其中,UΩ,k是内阻RΩ在K时刻所分去的电压;
Us,k、Um,k、Ul,k是RsCs电路、RmCm电路、RlCl电路在K时刻分别所分去的电压;
Us,k-1、Um,k-1、Ul,k-1是RsCs电路、RmCm电路、RlCl电路在K-1时刻分别所分去的电压;
ik-1是k-1时刻流经该三阶RC电路(即目标电池)的电流;
Δt是采样间隔(即k-1时刻与k时刻之间的间隔时间);
UL,k是该三阶RC电路(即目标电池)的闭路电压,也即目标电池在K时刻的端电压;
Cap是目标电池的总容量;
EB,k是该三阶RC电路(即目标电池)在k时刻的开路电压。
基于上述步骤S101创建的伏安特性模型,可以重复执行以下步骤S102和S103。下面以图3所示电路模型为目标电池的伏安特性模型为例,介绍步骤S102和S103。
S102:根据所述目标电池的伏安特性模型,确定所述目标电池的当前伏安特性数据。
在本发明的一个实施例中,步骤S102可以包括(参见图4所示的当前伏安特性数据的获取方法的流程示意图):
S1021:根据所述伏安特性模型的参数,确定卡尔曼滤波算法所引用的离散控制过程系统的系统参数和测量系统的参数。
关于公式(5)中目标电池的开路电压EB,k,由于目标电池的开路电压EB,k与目标电池的荷电状态(State of Charge,简称SOC,也叫剩余电量)有一一对应且单调递增的关系,因此,对g(SOCk)进行泰勒展开并简化后可得:
EB,k=g(SOCk)≈g'(SOCk).SOCk (6)
基于上述公式(4)、公式(5)和公式(6),可以进行以下操作:
设yk=UL,k分别为电池端电压估算系统的状态量和观测量,则有以下系统方程:
yk=[-1 -1 -1 -1 g'(SOCk)]xk (8)
卡尔曼滤波算法是基于统计学(最小二乘法)的递归滤波器,对于线性系统,在测量/过程噪音已知且符合高斯分布的前提下,会给出最优解。因此,在本实施例中,可以采用卡尔曼滤波算法估计所述目标电池在当前时刻的伏安特性数据。
关于卡尔曼滤波算法,需要引入一个离散控制过程的系统,该系统可用一个线性随机微分方程来描述:
xk=Axk-1+Bμk+ωs (9)
系统的测量方程为:
yk=Cxk+ω0 (10)
在公式(9)和公式(10)中,xk是k时刻的系统状态量,μk是k时刻对系统的控制量,A和B是系统参数,yk是k时刻的系统观测量,C是测量系统的参数,ωs和ω0分别表示系统噪声和测量噪声(被假设成高斯白噪声)。
公式(9)中的系统参数(即A和B)可由公式(7)得到,即:
公式(10)中的测量系统的参数(即C)可由公式(8)得到,即:
C=[-1 -1 -1 -1 g'(SOCk)] (12)
S1022:根据所述系统参数和所述测量系统的参数,确定所述目标电池的当前伏安特性数据,所述当前伏安特性数据包括所述电路模型中每一RC电路两端的当前电压、以及所述电路模型的当前开路电压。
将卡尔曼滤波算法的系统参数A和B、以及测量系统的参数C,带入以下卡尔曼滤波算法涉及的迭代公式中:
Pk/k-1=APk-1AT+Qs
Pk=Pk/k-1-Pk/k-1CT(CPk/k-1CT+Q0)-1CPk/k-1
Kk=Pk/k-1CT(CPk/k-1CT+Q0)-1
在以上迭代公式中,各个符号的含义为:
Pk/j表示cov{xk|y1:j},是指在已知{y1,...,yj}的前提下xk的方差,其中,Pk/k表示为Pk;
表示E{xk|y1:j},是指在已知{y1,...,yj}的前提下xk的数学期望,其中,表示为
Kk为卡尔曼增益;
Qs和Q0分别为系统噪声ωs和测量噪声ω0的协方差;
是k时刻的系统状态量。
通过上述迭代公式可求出即:
其中,Us,k、Um,k、Ul,k为图3所示电路模型中每一RC电路两端的当前电压、UΩ,k为内阻所分去电压、SOCk为目标电池的剩余电量。
将SOCk带入上述公式(6)即可得到图3所示电路模型的当前开路电压EB,k。
综上,通过卡尔曼滤波算法,可以确定所述目标电池的当前伏安特性数据,所述当前伏安特性数据包括公式(13)中的UΩ,k、Us,k、Um,k、Ul,k、EB,k。
需要说明的是,在使用卡尔曼滤波算法之前,需要初始化卡尔曼滤波算法中的初始状态值x0、初始方差值P0,初始方差P0一般也会预估为全为0的矩阵,初始状态值x0一般会预估为:
其中,SOC0为电池管理系统BMS在上次睡眠前记录的SOC值;或者,根据预先建立的开路电压(Open Circuit Voltage,简称OCV)值与SOC值的对应关系,将电池完全静置时对应的SOC值作为SOC0值。
另外,在本实施例中,在电池管理系统BMS上使用卡尔曼滤波算法,如果系统噪声ωs和观测噪声ω0不是已知的、且符合高斯分布,可以使用预估值对其进行估计。因此,本发明实施例还可以包括:
若所述离散控制过程系统的系统噪声ωs和观测噪声ω0为未知数据,则根据采样误差预估所述系统噪声和观测噪声,所述采样误差为基于所述电路模型的电流采样误差或电压采样误差。比如,可以将所述采样误差或者所述采样误差的平方作为系统噪声和观测噪声。
其中,系统噪声ωs的协方差Qs越小,越相信电流采样,观测噪声ω0的协方差Q0越小,越相信电压采样。
S103:根据所述当前伏安特性数据,预测所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。
在本发明的一个实施例中,步骤S103可以包括(参见图5所示的电池端电压的获取方法流程示意图):
S1031:根据所述RC电路两端的当前电压,预测所述RC电路的目标电压,所述目标电压为所述目标电池从当前时刻开始以目标功率工作预设时长后的电压。
下面以所述目标功率为最大放电功率为例来说明本步骤。
例如,当电动汽车的电池管理系统BMS根据上述卡尔曼滤波算法,估算出图3所示电路中每一RC电路两端的当前电压Us,k、Um,k、Ul,k之后,假设目标电池的最大放电功率为Pmax、目标电池的当前端电压为UL,k,则最大电流为:
如果整车控制器VCU需要获得目标电池以这一电流放电Δt秒之后的端电压,假设Δt很短,不会使目标电池的SOC发生变化,则根据上述公式(4)有:
根据这三个公式,便可以计算出Δt秒以后各个RC电路两端的目标电压Us,k+1、Um,k+1、Ul,k+1。
S1032:根据所述目标电压和所述当前开路电压,确定所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。
继续步骤S1031中的举例,参考公式(5)可以得到如下公式:
UL,k+1=-imaxRΩ-Us,k+1-Um,k+1-Ul,k+1+EB,k (17)
根据该公式即可计算出目标电池从当前时刻开始以最大放电功率工作Δt(比如Δt=1秒)后的端电压UL,k+1。
进一步地,在本发明的一个实施例中,还可以包括:
根据步骤S103预测出的所述端电压UL,k+1,控制所述目标电池在所述当前时刻后的工作功率。具体地,基于所述端电压UL,k+1,控制目标电池的当前充/放电功率,使目标电池的端电压在所述当前时刻后的所述预设时长内不超出其截止电压。
例如,当预测出从当前时刻以某功率Px工作1秒之后的目标电池端电压时,如果该端电压超出其最大截止电压,可以控制目标电池以低于Px的功率工作,反之,如果该端电压低于其最大截止电压,可以控制目标电池以高于Px的功率工作。本实施例对具体控制方法不做限制,可以基于预测出的端电压进行合理控制,只要控制结果使该端电压不超出其截止电压即可。
可见,本发明实施例提供的一种电池端电压的预测方法,预先创建目标电池的伏安特性模型;在预测所述目标电池的端电压时,根据所述目标电池的伏安特性模型,确定所述目标电池的当前伏安特性数据;根据所述当前伏安特性数据,预测所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。可见,本发明实施例能够预测出未来时刻的电池端电压,从而可以根据预测结果保证电池端电压在未来时刻不会超出其截止电压,进而保证电池安全健康地的运行。
参见图6,为本发明实施例提供的一种电池端电压的预测装置的组成示意图,该装置600包括:
伏安特性模型创建单元601,用于预先创建目标电池的伏安特性模型;
当前电池数据确定单元602,用于根据所述目标电池的伏安特性模型,确定所述目标电池的当前伏安特性数据;
电池端电压预测单元603,用于根据所述当前伏安特性数据,预测所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。
在本发明的一个实施例中,所述伏安特性模型可以为具有一个RC电路或串联连接的至少两个RC电路的电路模型。
在本发明的一个实施例中,所述当前电池数据确定单元602可以包括:
系统参数确定子单元,用于根据所述伏安特性模型的参数,确定卡尔曼滤波算法所引用的离散控制过程系统的系统参数和测量系统的参数;
电池数据确定子单元,用于根据所述系统参数和所述测量系统的参数,确定所述目标电池的当前伏安特性数据,所述当前伏安特性数据包括所述电路模型中每一RC电路两端的当前电压、以及所述电路模型的当前开路电压。
在本发明的一个实施例中,所述电池端电压预测单元603可以包括:
未来电压值预测子单元,用于根据所述RC电路两端的当前电压,预测所述RC电路的目标电压,所述目标电压为所述目标电池从当前时刻开始以目标功率工作预设时长后的电压;
电池端电压预测子单元,用于根据所述目标电压和所述当前开路电压,确定所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。
在本发明的一个实施例中,所述装置600还可以包括:
噪声数据预估单元,用于若所述离散控制过程系统的系统噪声和观测噪声为未知数据,则根据采样误差预估所述系统噪声和观测噪声,所述采样误差为基于所述电路模型的电流采样误差或电压采样误差。
在本发明的一个实施例中,所述装置600还可以包括:
工作功率控制单元,用于根据预测出的所述端电压,控制所述目标电池在所述当前时刻后的工作功率。
所述装置包括处理器和存储器,上述伏安特性模型创建单元601、当前电池数据确定单元602、和电池端电压预测单元603等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来提高引导线的生成效率。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供的一种电池端电压的预测装置,与现有技术相比,能够预测出未来时刻的电池端电压,从而可以根据预测结果保证电池端电压在未来时刻不会超出其截止电压,进而保证电池安全健康地的运行。
本发明还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序代码:
根据目标电池的伏安特性模型,确定所述目标电池的当前伏安特性数据;
根据所述当前伏安特性数据,预测所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者诸如媒体网关等网络通信设备,等等)执行本发明各个实施例或者实施例的某些部分所述的方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电池端电压的预测方法,其特征在于,包括:
根据目标电池的伏安特性模型,确定所述目标电池的当前伏安特性数据;
根据所述当前伏安特性数据,预测所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。
2.根据权利要求1所述的方法,其特征在于,
所述伏安特性模型为具有一个RC电路或串联连接的至少两个RC电路的电路模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述伏安特性模型,确定所述目标电池的当前伏安特性数据,包括:
根据所述伏安特性模型的参数,确定卡尔曼滤波算法所引用的离散控制过程系统的系统参数和测量系统的参数;
根据所述系统参数和所述测量系统的参数,确定所述目标电池的当前伏安特性数据,所述当前伏安特性数据包括所述电路模型中每一RC电路两端的当前电压、以及所述电路模型的当前开路电压。
4.根据权利要求3所述的方法,其特征在于,所述根据所述当前伏安特性数据,预测所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压,包括:
根据所述RC电路两端的当前电压,预测所述RC电路的目标电压,所述目标电压为所述目标电池从当前时刻开始以目标功率工作预设时长后的电压;
根据所述目标电压和所述当前开路电压,确定所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述离散控制过程系统的系统噪声和观测噪声为未知数据,则根据采样误差预估所述系统噪声和观测噪声,所述采样误差为基于所述电路模型的电流采样误差或电压采样误差。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述方法还包括:
根据预测出的所述端电压,控制所述目标电池在所述当前时刻后的工作功率。
7.一种电池端电压的预测装置,其特征在于,包括:
当前电池数据确定单元,用于根据目标电池的伏安特性模型,确定所述目标电池的当前伏安特性数据;
电池端电压预测单元,用于根据所述当前伏安特性数据,预测所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。
8.根据权利要求7所述的装置,其特征在于,
所述伏安特性模型为具有一个RC电路或串联连接的至少两个RC电路的电路模型。
9.根据权利要求8所述的装置,其特征在于,所述当前电池数据确定单元包括:
系统参数确定子单元,用于根据所述伏安特性模型的参数,确定卡尔曼滤波算法所引用的离散控制过程系统的系统参数和测量系统的参数;
电池数据确定子单元,用于根据所述系统参数和所述测量系统的参数,确定所述目标电池的当前伏安特性数据,所述当前伏安特性数据包括所述电路模型中每一RC电路两端的当前电压、以及所述电路模型的当前开路电压。
10.根据权利要求9所述的装置,其特征在于,所述电池端电压预测单元包括:
未来电压值预测子单元,用于根据所述RC电路两端的当前电压,预测所述RC电路的目标电压,所述目标电压为所述目标电池从当前时刻开始以目标功率工作预设时长后的电压;
电池端电压预测子单元,用于根据所述目标电压和所述当前开路电压,确定所述目标电池从当前时刻开始以目标功率工作预设时长后的端电压。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710178011.2A CN106896329B (zh) | 2017-03-23 | 2017-03-23 | 一种电池端电压的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710178011.2A CN106896329B (zh) | 2017-03-23 | 2017-03-23 | 一种电池端电压的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106896329A true CN106896329A (zh) | 2017-06-27 |
CN106896329B CN106896329B (zh) | 2020-01-07 |
Family
ID=59192435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710178011.2A Active CN106896329B (zh) | 2017-03-23 | 2017-03-23 | 一种电池端电压的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106896329B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110861535A (zh) * | 2018-08-15 | 2020-03-06 | 上海汽车集团股份有限公司 | 一种充电控制方法及装置 |
CN112763916A (zh) * | 2021-01-04 | 2021-05-07 | 北京空间飞行器总体设计部 | 一种空间用锂离子电池组未来工况预测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253342A (zh) * | 2010-03-10 | 2011-11-23 | 通用汽车环球科技运作有限责任公司 | 使用多个采样率的电池状态评估器 |
JP2012159414A (ja) * | 2011-02-01 | 2012-08-23 | Nissan Motor Co Ltd | 電池状態推定装置 |
JP2015184219A (ja) * | 2014-03-25 | 2015-10-22 | 富士通株式会社 | 推定プログラム、推定方法および推定装置 |
CN105098869A (zh) * | 2014-05-09 | 2015-11-25 | 福特全球技术公司 | 用于电池电力管理的方法及系统 |
CN105242210A (zh) * | 2014-07-01 | 2016-01-13 | 福特全球技术公司 | 基于等效电路的电池电流限制估计 |
CN105548896A (zh) * | 2015-12-25 | 2016-05-04 | 南京航空航天大学 | 基于n-2rc模型的动力电池soc在线闭环估计方法 |
US20160187429A1 (en) * | 2014-12-26 | 2016-06-30 | Denso Corporation | Apparatus For Predicting Power Parameter of Secondary Battery |
CN106054085A (zh) * | 2016-07-11 | 2016-10-26 | 四川普力科技有限公司 | 一种基于温度用于估计电池soc的方法 |
CN106054084A (zh) * | 2016-07-06 | 2016-10-26 | 南京航空航天大学 | 一种动力电池soc估计方法 |
CN106062579A (zh) * | 2014-03-03 | 2016-10-26 | 松下知识产权经营株式会社 | 电池状态估计装置以及电池状态估计方法 |
KR20160128000A (ko) * | 2015-04-28 | 2016-11-07 | 영남대학교 산학협력단 | 배터리 진단 장치 및 그 방법 |
CN107179510A (zh) * | 2016-03-10 | 2017-09-19 | 福特全球技术公司 | 电池端电压预测 |
-
2017
- 2017-03-23 CN CN201710178011.2A patent/CN106896329B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253342A (zh) * | 2010-03-10 | 2011-11-23 | 通用汽车环球科技运作有限责任公司 | 使用多个采样率的电池状态评估器 |
JP2012159414A (ja) * | 2011-02-01 | 2012-08-23 | Nissan Motor Co Ltd | 電池状態推定装置 |
CN106062579A (zh) * | 2014-03-03 | 2016-10-26 | 松下知识产权经营株式会社 | 电池状态估计装置以及电池状态估计方法 |
JP2015184219A (ja) * | 2014-03-25 | 2015-10-22 | 富士通株式会社 | 推定プログラム、推定方法および推定装置 |
CN105098869A (zh) * | 2014-05-09 | 2015-11-25 | 福特全球技术公司 | 用于电池电力管理的方法及系统 |
CN105242210A (zh) * | 2014-07-01 | 2016-01-13 | 福特全球技术公司 | 基于等效电路的电池电流限制估计 |
US20160187429A1 (en) * | 2014-12-26 | 2016-06-30 | Denso Corporation | Apparatus For Predicting Power Parameter of Secondary Battery |
KR20160128000A (ko) * | 2015-04-28 | 2016-11-07 | 영남대학교 산학협력단 | 배터리 진단 장치 및 그 방법 |
CN105548896A (zh) * | 2015-12-25 | 2016-05-04 | 南京航空航天大学 | 基于n-2rc模型的动力电池soc在线闭环估计方法 |
CN107179510A (zh) * | 2016-03-10 | 2017-09-19 | 福特全球技术公司 | 电池端电压预测 |
CN106054084A (zh) * | 2016-07-06 | 2016-10-26 | 南京航空航天大学 | 一种动力电池soc估计方法 |
CN106054085A (zh) * | 2016-07-11 | 2016-10-26 | 四川普力科技有限公司 | 一种基于温度用于估计电池soc的方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110861535A (zh) * | 2018-08-15 | 2020-03-06 | 上海汽车集团股份有限公司 | 一种充电控制方法及装置 |
CN110861535B (zh) * | 2018-08-15 | 2023-02-03 | 上海汽车集团股份有限公司 | 一种充电控制方法及装置 |
CN112763916A (zh) * | 2021-01-04 | 2021-05-07 | 北京空间飞行器总体设计部 | 一种空间用锂离子电池组未来工况预测方法 |
CN112763916B (zh) * | 2021-01-04 | 2023-01-10 | 北京空间飞行器总体设计部 | 一种空间用锂离子电池组未来工况预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106896329B (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
Zhang et al. | A novel model of the initial state of charge estimation for LiFePO4 batteries | |
US10175303B2 (en) | Battery parameter estimation device and parameter estimation method | |
Chen et al. | State-of-charge estimation of lithium-ion batteries based on improved H infinity filter algorithm and its novel equalization method | |
He et al. | Online state-of-health estimation of lithium-ion batteries using Dynamic Bayesian Networks | |
US10295607B2 (en) | Device for estimating parameters of battery, and estimation method | |
Waag et al. | On-line estimation of lithium-ion battery impedance parameters using a novel varied-parameters approach | |
CN104267354B (zh) | 一种动力电池的峰值功率预测方法 | |
CN111180813A (zh) | 近似基于电化学电池模型给锂离子电池快充电算法的方法 | |
Xiao et al. | A universal state-of-charge algorithm for batteries | |
CN107923943B (zh) | 高效电池测试器 | |
Wang et al. | Fractional order equivalent circuit model and SOC estimation of supercapacitors for use in HESS | |
JP6450565B2 (ja) | バッテリのパラメータ推定装置 | |
El Ghossein et al. | Survey on electrical modeling methods applied on different battery types | |
JP6711981B2 (ja) | バッテリのパラメータ推定装置 | |
CN109001640A (zh) | 一种动力电池的数据处理方法和装置 | |
CN108872865B (zh) | 一种防滤波发散的锂电池soc估算方法 | |
CN106291375A (zh) | 一种基于电池老化的soc估算方法和装置 | |
CN103733081B (zh) | 一种用于确定蓄电池的最大可用的恒定电流的方法 | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
CN106896329A (zh) | 一种电池端电压的预测方法及装置 | |
CN113884915A (zh) | 用于锂离子电池荷电状态和健康状态预测的方法及系统 | |
CN107402356A (zh) | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 | |
CN104777433B (zh) | 基于隐马尔可夫模型的锂离子电池剩余容量估计方法 | |
da Costa et al. | Battery state of charge estimation using extended Kalman filter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200923 Address after: 201805 room 1703, No. 888, South Moyu Road, Anting Town, Jiading District, Shanghai Patentee after: NEUSOFT REACH AUTOMOTIVE TECHNOLOGY (SHANGHAI) Co.,Ltd. Address before: Hunnan rookie street Shenyang city Liaoning province 110179 No. 2 Patentee before: NEUSOFT Corp. Patentee before: NEUSOFT REACH AUTOMOTIVE TECHNOLOGY (SHANGHAI) Co.,Ltd. |