CN107167743B - 基于电动车辆的荷电状态估算方法和装置 - Google Patents

基于电动车辆的荷电状态估算方法和装置 Download PDF

Info

Publication number
CN107167743B
CN107167743B CN201710516870.8A CN201710516870A CN107167743B CN 107167743 B CN107167743 B CN 107167743B CN 201710516870 A CN201710516870 A CN 201710516870A CN 107167743 B CN107167743 B CN 107167743B
Authority
CN
China
Prior art keywords
charge
state
circuit voltage
open
value
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.)
Active
Application number
CN201710516870.8A
Other languages
English (en)
Other versions
CN107167743A (zh
Inventor
马淑倩
陈卓
杨重科
韩广璞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Electric Vehicle Co Ltd
Original Assignee
Beijing Electric Vehicle Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Electric Vehicle Co Ltd filed Critical Beijing Electric Vehicle Co Ltd
Priority to CN201710516870.8A priority Critical patent/CN107167743B/zh
Publication of CN107167743A publication Critical patent/CN107167743A/zh
Application granted granted Critical
Publication of CN107167743B publication Critical patent/CN107167743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提出一种基于电动车辆的荷电状态估算方法和装置，其中，方法包括：预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，以及直流内阻与荷电状态之间的第二函数关系，对动力电池测量得到的多个周期的开路电压测量值代入第一函数关系，计算得到多个周期的荷电状态计算值，并代入第二函数关系，计算得到对应的多个周期的直流电阻计算值，采用扩展卡尔曼滤波算法方程的观测方程和状态方程进行递推估计，得到荷电状态估计值。解决了现有技术中荷电状态估算精度较低，无法满足工程开发适用性的技术问题。

Description

基于电动车辆的荷电状态估算方法和装置
技术领域
本发明涉及车辆控制技术领域，尤其涉及一种基于电动车辆的荷电状态估算方法和装置。
背景技术
电池荷电状态(State of Charge，SOC)的准确估计是电动车辆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。电动车辆的电池组通常包括若干单体电池以满足电动汽车较大的输出功率及较远的行驶里程。
现有的电池组的SOC估算方法，通常采用简单的开路电压法和安时积分法相结合，开路电压法是电池管理系统静止后再次上电工作时，根据单体电压查表静态开路电压(Open Circuit Voltage，OCV)数据，估算电池的初始SOC值。安时积分法是将电池的充放电电流对时间进行积分运算，估算电池的动态SOC值。开路电压法需要动力电池静置足够长的时间，这在工作条件下显然是不易实现的。安时积分法对电流采样精度要求较高，若动力电池长时间在SOC高端进行充放电，会产生较大的积累误差。另外，汽车动力电池SOC的使用区间一般在30-70％之间，若长时间无低端修正，使用安时积分法会造成较大误差。
鉴于此，需要提出一种新的基于电动车辆的荷电状态估算方案，克服上述缺点，提高SOC估算的精度。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种基于电动车辆的荷电状态估算方法，以实现提高荷电状态估算精度，满足工程开发的适用性。
本发明的第二个目的在于提出一种基于电动车辆的荷电状态估算装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程序产品。
为达上述目的，本发明第一方面实施例提出了一种基于电动车辆的荷电状态估算方法，包括：
预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，以及直流内阻与荷电状态之间的第二函数关系；
对所述动力电池的开路电压进行周期性测量，得到多个周期测得的开路电压测量值；
将多个周期测得的开路电压测量值代入所述第一函数关系，计算得到多个周期的荷电状态计算值；
将所述多个周期的荷电状态计算值代入所述第二函数关系，计算得到对应的多个周期的直流电阻计算值；
将对应同一周期的直流电阻计算值，以及开路电压测量值对应代入扩展卡尔曼滤波算法方程的观测方程中，以及将该周期的荷电状态计算值对应代入所述扩展卡尔曼滤波算法方程的状态方程中；
采用扩展卡尔曼滤波算法，根据代入后的观测方程和代入后的状态方程进行递推估计，得到荷电状态估计值。
本发明实施例的基于电动车辆的荷电状态估算方法中，预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，以及直流内阻与荷电状态之间的第二函数关系，对动力电池测量得到的多个周期的开路电压测量值代入第一函数关系，计算得到多个周期的荷电状态计算值，并代入第二函数关系，计算得到对应的多个周期的直流电阻计算值，采用扩展卡尔曼滤波算法方程的观测方程和状态方程进行递推估计，得到荷电状态估计值。解决了现有技术中荷电状态估算精度较低，无法满足工程开发适用性的技术问题。
为达上述目的，本发明第二方面实施例提出了一种基于电动车辆的荷电状态估算装置，包括：
拟合模块，用于预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，以及直流内阻与荷电状态之间的第二函数关系；
测量模块，用于对所述动力电池的开路电压进行周期性测量，得到多个周期测得的开路电压测量值；
计算模块，用于将多个周期测得的开路电压测量值代入所述第一函数关系，计算得到多个周期的荷电状态计算值；将所述多个周期的荷电状态计算值代入所述第二函数关系，计算得到对应的多个周期的直流电阻计算值；
处理模块，用于将对应同一周期的直流电阻计算值，以及开路电压测量值对应代入扩展卡尔曼滤波算法方程的观测方程中，以及将该周期的荷电状态计算值对应代入所述扩展卡尔曼滤波算法方程的状态方程中；
估计模块，用于采用扩展卡尔曼滤波算法，根据代入后的观测方程和代入后的状态方程进行递推估计，得到荷电状态估计值。
本发明实施例的基于电动车辆的荷电状态估算装置中，拟合模块预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，以及直流内阻与荷电状态之间的第二函数关系，测量模块和计算模块用于对动力电池测量得到的多个周期的开路电压测量值代入第一函数关系，计算得到多个周期的荷电状态计算值，并代入第二函数关系，计算得到对应的多个周期的直流电阻计算值，处理模块和估计模块用于采用扩展卡尔曼滤波算法方程的观测方程和状态方程进行递推估计，得到荷电状态估计值。解决了现有技术中荷电状态估算精度较低，无法满足工程开发适用性的技术问题。
为了实现上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如第一方面实施例所述的基于电动车辆的荷电状态估算方法。
为了实现上述目的，本发明第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，当该程序被处理器执行时，实现如第一方面实施例所述的基于电动车辆的荷电状态估算方法。
为了实现上述目的，本发明第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，实现如第一方面实施例所述的基于电动车辆的荷电状态估算方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例所提供的电池测试台架系统的结构图；
图2为本发明实施例所提供的一种基于电动车辆的荷电状态估算方法的流程示意图；
图3为HPPC实验得到的电流激励特性曲线和电压特性曲线；
图4为本实施例提供的另一种基于电动车辆的荷电状态估算方法的流程示意图；
图5为电池充放电的开路电压曲线示意图；
图6为开路电压和对应荷电状态的曲线拟合图；
图7为Rint等效电路模型结构示意图；
图8为电池施加放电脉冲时端电压的变化示意图；
图9为电池施加充电脉冲时端电压的变化示意图；
图10为放电方向采用多项式对直流内阻曲线拟合的结果示意图；
图11为联合循环工况的测试结果示意图；
图12为SOC受电池内阻影响的示意图；
图13为电池荷电状态初值S0对荷电状态取值SOC的影响示意图；
图14为电池荷电状态的实际值和电池荷电状态的估计值的对照示意图；
图15为估计的端电压值和测试的实际端电压值的对比示意图；
图16为本发明实施例提供的一种基于电动车辆的荷电状态估算装置的结构示意图；以及
图17为本发明实施例所提供的另一种基于电动车辆的荷电状态的估算装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的基于电动车辆的荷电状态估算方法和装置。
在对电动车辆的荷电状估算之前，需要搭建HPPC实验的电池测试台架系统，其中，HPPC即Hybrid PulsePower Characteristic(混合动力脉冲能力特性)：是用来体现动力电池脉冲充放电性能的一种特征。
作为一种可能的测试系统，图1为本发明实施例所提供的电池测试台架系统的结构图，图1所示，该系统包括：电池管理系统01，控制器局域网络卡02，便携式计算机03，电池组04，电池测试系统05和电池测试系统的主控机06。
电池管理系统01，负责检测电池单体电压和表面温度。电池管理系统01通过控制器局域网络卡02与便携式计算机03连接。
便携式计算机03，装有利用程序开发环境(Labview)开发的数据采集界面，实现数据的实时记录和保存，并具备一定的监控功能。
电池组04，为深圳比克公司出品的H18650CB电池组成的电池组，采用15个单体电池并联、再串联36组单体电池，达到标称容量为30Ah，电压为129.6V的电池组，其中，单体电池的资料如表1所示。需要说明的是，这同一批次的新电池具有良好的一致性，以后的讨论与分析暂不讨论一致性的问题。
表1 H18650CB单体电池
Figure BDA0001336830340000051
电池测试系统05，采用迪卡龙(Digatron)公司的Digatron EVT500-500，通过RJ-45接口与电池测试系统的主控机06相连。
电池测试系统的主控机06，用来编写电池测试程序和采集数据，如测试时间、电池电压、电流、充放电能量以及充放电容量等，最高采样频率高达10Hz。电池测试系统的主控机06控制电池测试系统05采集容量是按照安时积分的方法进行的，这是因为该系统具备非常高的电流采集精度，如表2所示：
表2 Digatron设备参数
Figure BDA0001336830340000052
基于上述实施例的电池测试系统，可以预先对电动车辆的动力电池进行HPPC实验，得到实验数据，从而确定不同荷电状态下的开路电压和直流内阻。
需要说明的是，图1所提供的系统仅作为一种示意性描述，本实施例所提供的方法不依赖于图1所提供的系统，本领域技术人员可以想到采用其他系统结构实现本实施中的HPPC实验步骤。
为此本实施例提出了一种可能的实现方式，图2为本发明实施例所提供的一种基于电动车辆的荷电状态估算方法的流程示意图，如图2所示，该方法包括：
步骤S101，预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，以及直流内阻与荷电状态之间的第二函数关系。
一方面，对电池进行充放电实验，可以测得预先设定的不同荷电状态(SOC)取值对应的开路电压取值，以绘制充放电开路电压曲线，其中，充放电开路电压曲线的横坐标为荷电状态取值，纵坐标为开路电压取值。
然后，通过采用四次多项式对充放电开路电压曲线进行拟合，得到第一函数关系。
另一方面，预先进行HPPC实验获得实现数据，在实验过程中，采用内阻等效(Rint)模型，测得不同荷电状态取值对应的直流内阻取值，以绘制直流内阻曲线，其中，直流内阻曲线的横坐标为荷电状态取值，纵坐标为直流内阻取值。
然后，通过四次多项式对直流内阻曲线进行拟合，得到第二函数关系。
步骤S102，对动力电池的开路电压进行周期性测量，得到多个周期测得的开路电压测量值。
具体地，通过HPPC实验，对动力电池进行充放电，电池的充放电周期即为动力电池开路电压的测量周期，对动力电池进行多次充放电，得到多个周期测得的开路电压测量值。
图3为HPPC实验得到的电流激励特性曲线和电压特性曲线，在图3的激励电流的脉冲周期内，对动力电池进行充放电，分别测量得到充电方向的开路电压值和放电方向的开路电压值。
步骤S103，将多个周期测得的开路电压测量值代入第一函数关系，计算得到多个周期的荷电状态计算值。
具体地，第一函数关系是将测量得到的充放电开路电压曲线进行四次多项式拟合得到的，将多个周期测得的开路电压测量值代入预先得到的第一函数关系，计算得到多个周期的荷电状态的计算值。
步骤S104，将多个周期的荷电状态计算值代入第二函数关系，计算得到对应的多个周期的直流电阻计算值。
具体地，第二函数关系是将测量得到的直流内阻曲线进行四次多项式拟合得到的，将多个周期的荷电状态的计算值代入预先得到的第二函数关系，计算得到对应的多个周期的直流内阻计算值。
步骤S105，将对应同一周期的直流电阻计算值，以及开路电压测量值对应代入扩展卡尔曼滤波算法方程的观测方程中，以及将该周期的荷电状态计算值对应代入扩展卡尔曼滤波算法方程的状态方程中。
其中，扩展卡尔曼滤波(EKF)算法是一种用递推的线性最小方差估计方法对非线性动态系统的状态值进行估计的方法。为运用扩展卡尔曼滤波法，需构造系统的状态方程，考虑系统的随机干扰wk和量测噪声vk，结合安时积分法对荷电状态估算的模型和内阻等效(Rint)模型构造出荷电状态估算的状态方程和观测方程，将对应同一周期的开路电压测量值和直流电阻计算值，代入观测方程中，将该周期的荷电状态计算值代入状态方程中。
具体地，观测方程包括：uoc,k’＝G(sk,ik)+vk，其中，G(sk,ik)＝uoc,k+ikR0,k，uoc,k为该周期K时刻的开路电压测量值，uoc,k’为该周期k’时刻的开路电压测量值，R0,k为该周期K时刻的直流电阻计算值，ik为动力电池在该周期K时刻的充放电电流，vk为该周期K时刻的量测噪声。
状态方程包括：
Figure BDA0001336830340000071
其中，Ts为采样周期，Cn为动力电池的额定容量，sk为该周期K时刻的荷电状态计算值，sk-1为该周期K-1时刻的荷电状态计算值，ik-1为动力电池在该周期K-1时刻的充放电电流，wk-1为该周期K-1时刻的随机干扰。
步骤S106，采用扩展卡尔曼滤波算法，根据代入后的观测方程和代入后的状态方程进行递推估计，得到荷电状态估计值。
具体地，根据卡尔曼滤波理论，假定系统的随机干扰wk和量测噪声vk是不相关的均值为零的白噪声序列，对应协方差分别为Qk、Rk，并与荷电状态向量的初值无关，若已知荷电状态向量的初值符合某一分布，荷电状态初值的均值为
Figure BDA0001336830340000076
方差为P0，从而，根据代入后的状态方程和代入后的观测方程，采用扩展卡尔曼滤波算法，得到荷电状态估计值。
其中，作为一种可能的实现方式，采用扩展卡尔曼滤波算法，得到荷电状态估计值的递推估计过程如下：
1)预测k时刻的荷电状态值：
Figure BDA0001336830340000072
其中，Ts为采样周期，Cn为动力电池的额定容量，
Figure BDA0001336830340000073
为第k-1时刻的荷电状态计算值的均值，ik-1为动力电池的第k-1时刻的充放电电流，
Figure BDA0001336830340000074
是k-1时刻的荷电状态值，基于
Figure BDA0001336830340000075
预测k时刻的荷电状态值。
2)预测k时刻的误差协方差：Pk/k-1＝Pk-1+Qk-1
其中，Pk-1是k-1时刻的荷电状态的协方差，Qk-1是k-1时刻的随机干扰的协方差。
3)计算增益：
Figure BDA0001336830340000081
其中，Ck代表k时刻的电池额定容量，Ck T代表系统的采样周期为T条件下k采样时刻的电池容量，Kk代表k时刻的增益，Rk代表k时刻的量测噪声的协方差。
4)根据观测值uoc,k更新荷电状态估计值：
Figure BDA0001336830340000082
5)更新误差协方差：Pk＝[I-KkCk]Pk/k-1
其中，
Figure BDA0001336830340000083
Figure BDA0001336830340000084
Figure BDA0001336830340000085
Figure BDA0001336830340000086
通过上述扩展卡尔曼滤波算法的递归过程，得到荷电状态估计值。
本发明实施例的基于电动车辆的荷电状态估算方法中，预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，以及直流内阻与荷电状态之间的第二函数关系，对动力电池测量得到的多个周期的开路电压测量值代入第一函数关系，计算得到多个周期的荷电状态计算值，并代入第二函数关系，计算得到对应的多个周期的直流电阻计算值，采用扩展卡尔曼滤波算法方程的观测方程和状态方程进行递推估计，得到荷电状态估计值。解决了现有技术中荷电状态估算精度较低，无法满足工程开发适用性的技术问题。
在上述实施例基础上，为进一步清楚的解释通过Rint等效电路模型和扩展卡尔曼滤波算法得到荷电状态的估算值的过程，本实施例提出了另一种可能的基于电动车辆的荷电状态估算方法，图4为本实施例提供的另一种基于电动车辆的荷电状态估算方法的流程示意图，如图4所示，该方法包括：
步骤S301，对动力电池进行HPPC实验，测得不同荷电状态取值对应的开路电压取值，以绘制充放电开路电压曲线。
具体地，针对每一个充放电方向，测得不同荷电状态取值对应的开路电压取值，根据对应同一荷电状态取值的各充放电方向的开路电压取值，计算开路电压平均值，根据开路电压平均值和对应的荷电状态取值，绘制充放电开路电压曲线。
一方面，对于充电方向，测得一个充电周期内不同荷电状态取值对应的开路电压取值，如设定荷电状态取值分别为0-1中的间隔为0.1的10个值，分别测量得到不同荷电状态取值下对应的充电方向的开路电压值。
另一方面，对于放电方向，测得一个放电周期内不同荷电状态取值对应的开路电压取值，如设定荷电状态取值SOC值分别为0-1中的间隔为0.1的10个值，分别测量得到不同荷电状态取值下对应的放电方向的开路电压值。
需要说明的是，实际测量得到的对应不同荷电状态取值的充电方向的开路电压值和放电方向的开路电压值，会存在一个不是很明显的“迟滞回路”，是由于锂离子电池充电方向和放电方向的开路电压有所不同，主要是由于电池静置的时间没有使电池回复足够平衡造成的，真实的开路电压值是将充电方向的开路电压值和放电方向的开路电压值取平均值。
具体地，将对应同一荷电状态取值的充电方向的开路电压值和放电方向的开路电压值，计算开路电压的平均值，根据开路电压的平均值和对应的荷电状态取值，可绘制充放电开路电压曲线。
图5为电池充放电的开路电压曲线示意图，其中，横坐标为荷电状态取值，纵坐标为开路电压取值。如图5所示，充电方向的开路电压即充电OCV，与放电方向的开路电压即放电OCV之间存在一个不是很明显的“迟滞回路”，通过将充电OCV和放电OCV取平均即可得到真实的OVC，即开路电压的平均值。
步骤S302，采用四次多项式对充放电开路电压曲线进行拟合，得到第一函数关系。
具体地，对充放电开路电压曲线进行拟合可以有多种可能的实现方式，一种可能的实现方式是，采用四次多项式对充放电开路电压曲线进行拟合，另一种可能的实现方式是，采用组合模型对充放电开路电压曲线进行拟合。
需要理解的是，组合模型对充放电开路电压曲线进行拟合的结果精度较低，而四次多项式对充放电开路电压曲线进行拟合的结果的精度较高，所以，本实施例中是采用四次多项式对充放电开路电压曲线进行拟合的。图6为开路电压和对应荷电状态的曲线拟合图，如图6所示，error曲线代表的是误差棒图(errorbar函数)结果，其中，errorbar函数，设置了5‰的误差精度，poly-fitted代表的是四次多项式对充放电开路电压曲线进行拟合的结果，model-fitted代表的是组合模型对充放电开路电压曲线进行拟合的结果，从图6中可以看出，组合模型对充放电开路电压曲线进行拟合的结果与errorbar函数相差很大，误差超过了errorbar设置的误差范围，而四次多项式对充放电开路电压曲线进行拟合的结果精度符合要求，因此选择四次多项式对充放电开路电压曲线进行拟合。
需要说明的是，四次多项式对充放电开路电压曲线进行拟合时，是对开路电压平均值和对应的荷电状态取值绘制的充放电开路电压曲线进行拟合的。
步骤S303，进行HPPC实验过程中，采用Rint等效电路模型，测得不同荷电状态取值对应的直流内阻取值，以绘制直流内阻曲线。
具体地，图7为Rint等效电路模型结构示意图，如图7所示，欧姆电阻R0用于描述电池的欧姆极化效应，uo表示欧姆内阻端电压，uoc表示电池开路电压，是SOC的函数。电压电流方向如图所示为正，即电流以充电方向为正。
电池是一个动态系统，对其施加恒流脉冲激励信号，并分析其端电压响应，可确定出Rint等效电路模型中的各个参数。具体地，当对电池施加充电或者放电脉冲时，电池的直流内阻取值会导致端电突然下降，为了便于说明，变化前的端电压为V1，变化后的端电压为V2，根据公式：
Figure BDA0001336830340000101
可计算得到直流内阻取值。
一方面，当对电池施加放电脉冲进行放电时，图8为电池施加放电脉冲时端电压的变化示意图，该图为图3实施例对应的电流激励曲线和电压特性曲线的局部放大图，如图8所示，V1为施加放电脉冲前的端电压，V2为施加放电脉冲后的端电压，在设定的不同的SOC值点，利用公式：
Figure BDA0001336830340000102
可计算得到对应不同SOC值点的直流内阻取值，可绘制出对应放电方向的直流内阻曲线。
另一方面，当对电池施加充电脉冲进行充电时，图9为电池施加充电脉冲时端电压的变化示意图，如图9所示，V1为施加放电脉冲前的端电压，V2为施加放电脉冲后的端电压，在设定的不同的SOC值点，利用公式：
Figure BDA0001336830340000103
可计算得到对应不同SOC值点的直流内阻取值，可绘制出对应充电方向的直流内阻曲线。
步骤S304，采用四次多项式对直流内阻曲线进行拟合，得到第二函数关系。
具体地，将绘制出的对应放电方向的直流内阻曲线和绘制出的对应充电方向的直流内阻曲线，采用四次多项式对直流内阻曲线进行拟合，得到第二函数关系。
需要说明的是，采用四次多项式对直流内阻曲线进行拟合，是因为四次多项式拟合的结果符合精度设置的要求，图10为放电方向采用多项式对直流内阻曲线拟合的结果示意图，如图所示，利用Matlab的errorbar函数，设置5‰的误差精度，对直流内阻曲线分别采用二次多项式(2nd order)，三次多项式(3rd order)和四次多项式(4th order)进行拟合，图10中的拟合结果显示，采用四次多项式进行拟合的精度是符合要求的，故采用四次多项式对直流内阻曲线进行拟合。
需要解释的是，图10中，实际运算的结果显示，由于对应误差的曲线和对应二次多项式、三次多项式和四次多项式的拟合结果的曲线之间的差值非常小，使得各曲线几乎重合，故在图中用箭头分别指示各条曲线。
需要说明的是，充电方向的直流内阻曲线也是采用四次多项式拟合的精度符合要求，实现原理同实施例10相似，此处不再赘述。
步骤S305，对动力电池的开路电压进行周期性测量，得到多个周期测得的开路电压测量值。
步骤S306，将多个周期测得的开路电压测量值代入第一函数关系，计算得到多个周期的荷电状态计算值。
步骤S307，将多个周期的荷电状态计算值代入第二函数关系，计算得到对应的多个周期的直流电阻计算值。
步骤S308，将对应同一周期的直流电阻计算值，以及开路电压测量值对应代入扩展卡尔曼滤波算法方程的观测方程中，以及将该周期的荷电状态计算值对应代入扩展卡尔曼滤波算法方程的状态方程中。
步骤S309，采用扩展卡尔曼滤波算法，根据代入后的观测方程和代入后的状态方程进行递推估计，得到荷电状态估计值。
具体地，步骤S305～步骤S309可参照实施例2中步骤S102～S106，实现原理一样，此处不再赘述。
进一步，得到电池荷电状态估计值后，结合参数辨识与EKF算法模型，在Matlab中编写仿真代码，并运行联合循环工况(由国际标准ECE_EUDC_Low、FTP、J1015工况联合构成)，对比仿真结果和采集结果，验证直流内阻和荷电状态的初值S0对荷电状态的估计精度的影响。其中，荷电状态估计精度以绝对误差来衡量，如公式
Figure BDA0001336830340000111
所示，其中，i＝1,2,3……n，n是采样点的个数；sm,i、se,i分别是第i个测量的荷电状态值与模型计算的荷电状态值。需要说明的是，仿真EKF滤波器初值为P0＝2500，Q0＝0.0001，R0＝4173000，这些初值通过试错法得到。
首先，进行联合循环工况测试，图11为联合循环工况的测试结果示意图，如图11所示，通过联合循环工况测试得到电压、电流和电池荷电状态随时间变化的曲线，从图中可以看出，因受限于电池容量，该测试仅完成了一个完整工况，联合工况测试的截止条件是SOC＝0.2。
进一步，为减少在线估计的运算量，假设电池内阻不随SOC变化，而取各个SOC点的电池内阻平均值Ra，图12为SOC受电池内阻影响的示意图，由图12可以看出，随着电池内阻偏离准确值Ra时，SOC的相对误差增加，即估计精度降低。电池内阻取作平均值Ra时，平均绝对误差0.64％，最大绝对误差为1.88％。
需要说明的是，图12中，实际运算的结果显示，电池内阻取不同值时得到的各曲线之间的差值非常小，使得各曲线几乎重合，故在图中用箭头分别指示各条曲线。
图13为电池荷电状态初值S0对荷电状态取值SOC的影响示意图，如图13所示，电池荷电状态初值S0对荷电状态取值SOC的影响微乎其微，其最大绝对误差仅出现在初始的5秒钟，随后能快速跟随实际值，经计算得到其平均绝对误差均达到了0.64％。
需要说明的是，图13中，实际运算的结果显示，电池荷电状态初值S0取不同值时得到的各曲线之间的差值非常小，使得各曲线几乎重合，故在图中用箭头分别指示各条曲线。
当内阻不为固定取值时，分析电池荷电状态的实际值和电池荷电状态的估计值的误差，图14为电池荷电状态的实际值和电池荷电状态的估计值的对照示意图，如图14所示，电池荷电状态的实际值和电池荷电状态的估计值的绝对误差在2％以下，最大绝对误差为1.72％，平均绝对误差达到0.52％，估计精度优于图12实施例中电池内阻固定时的电池荷电状态。
需要说明的是，图14中，实际运算的结果显示，内阻取不同值时，对应电池荷电状态的实际值和估计值的曲线之间的差值非常小，使得各曲线几乎重合，故在图中用箭头分别指示各条曲线。
通过估计得到的电池荷电状态可以计算得出估计的端电压值，将估计得到的端电压值和实际测量得到的端电压值比较分析，图15为估计的端电压值和测试的实际端电压值的对比示意图，如图15所示，绝大多数情况下估计的端电压值和实际的端电压值的相对误差低于5％，经计算得到的平均相对误差仅0.72％。
通过以上验证结果，可以看出，将EKF算法应用于Rint等效电路模型可使其获得较高的荷电状态估计精度，兼顾了运算量与精度两个方面，并为实现高精度的电池参数辨识提供了基础。另外，准确的电池内阻提高了卡尔曼(Kalman)滤波器的荷电状态估计精度，而荷电状态初值只影响其初始估计值，弥补了安时积分法的缺点。
本发明实施例的基于电动车辆的荷电状态估算方法中，预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，以及直流内阻与荷电状态之间的第二函数关系，对动力电池测量得到的多个周期的开路电压测量值代入第一函数关系，计算得到多个周期的荷电状态计算值，并代入第二函数关系，计算得到对应的多个周期的直流电阻计算值，采用扩展卡尔曼滤波算法方程的观测方程和状态方程进行递推估计，得到荷电状态估计值。解决了现有技术中荷电状态估算精度较低，无法满足工程开发适用性的技术问题。
为了实现上述实施例，本发明还提出一种基于电动车辆的荷电状态估算装置，图16为本发明实施例提供的一种基于电动车辆的荷电状态估算装置的结构示意图，如图16所示，该装置包括：拟合模块21、测量模块22、计算模块23、处理模块24和估计模块25。
拟合模块21，用于预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，以及直流内阻与荷电状态之间的第二函数关系。
测量模块22，用于对动力电池的开路电压进行周期性测量，得到多个周期测得的开路电压测量值。
计算模块23，用于将多个周期测得的开路电压测量值代入第一函数关系，计算得到多个周期的荷电状态计算值，将多个周期的荷电状态计算值代入第二函数关系，计算得到对应的多个周期的直流电阻计算值。
处理模块24，用于将对应同一周期的直流电阻计算值，以及开路电压测量值对应代入扩展卡尔曼滤波算法方程的观测方程中，以及将该周期的荷电状态计算值对应代入扩展卡尔曼滤波算法方程的状态方程中。
估计模块25，用于采用扩展卡尔曼滤波算法，根据代入后的观测方程和代入后的状态方程进行递推估计，得到荷电状态估计值。
需要说明的是，上述对方法实施例的解释说明也适用本实施例的装置，其实现原理类似，此处不再赘述。
本发明实施例的基于电动车辆的荷电状态估算装置中，拟合模块用于预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，以及直流内阻与荷电状态之间的第二函数关系。测量模块用于对动力电池的开路电压进行周期性测量，得到多个周期测得的开路电压测量值。计算模块用于将多个周期测得的开路电压测量值代入第一函数关系，计算得到多个周期的荷电状态计算值，将多个周期的荷电状态计算值代入第二函数关系，计算得到对应的多个周期的直流电阻计算值。处理模块用于将对应同一周期的直流电阻计算值，以及开路电压测量值对应代入扩展卡尔曼滤波算法方程的观测方程中，以及将该周期的荷电状态计算值对应代入扩展卡尔曼滤波算法方程的状态方程中。估计模块用于采用扩展卡尔曼滤波算法，根据代入后的观测方程和代入后的状态方程进行递推估计，得到荷电状态估计值。解决了现有技术中荷电状态估算精度较低，无法满足工程开发适用性的技术问题。
基于上述实施例，本发明还提出了另一种可能的基于电动车辆的荷电状态的估算装置，图17为本发明实施例所提供的另一种基于电动车辆的荷电状态的估算装置的结构示意图，如图17，基于上一实施例，拟合模块21包括：第一绘制单元211、第一拟合单元212、第二绘制单元213和第二拟合单元214。
第一绘制单元211，用于对动力电池进行HPPC实验，测得不同荷电状态取值对应的开路电压取值，以绘制充放电开路电压曲线，其中，充放电开路电压曲线的横坐标为荷电状态取值，纵坐标为开路电压取值。
第一拟合单元212，用于采用四次多项式对充放电开路电压曲线进行拟合，得到第一函数关系。
第二绘制单元213，用于进行HPPC实验过程中，采用Rint等效电路模型，测得不同荷电状态取值对应的直流内阻取值，以绘制直流内阻曲线，其中，直流内阻曲线的横坐标为荷电状态取值，纵坐标为直流内阻取值。
第二拟合单元214，用于采用四次多项式对直流内阻曲线进行拟合，得到第二函数关系。
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，实现原理一样，此处不再赘述。
本发明实施例的基于电动车辆的荷电状态估算装置中，拟合模块用于预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，以及直流内阻与荷电状态之间的第二函数关系。测量模块用于对动力电池的开路电压进行周期性测量，得到多个周期测得的开路电压测量值。计算模块用于将多个周期测得的开路电压测量值代入第一函数关系，计算得到多个周期的荷电状态计算值，将多个周期的荷电状态计算值代入第二函数关系，计算得到对应的多个周期的直流电阻计算值。处理模块用于将对应同一周期的直流电阻计算值，以及开路电压测量值对应代入扩展卡尔曼滤波算法方程的观测方程中，以及将该周期的荷电状态计算值对应代入扩展卡尔曼滤波算法方程的状态方程中。估计模块用于采用扩展卡尔曼滤波算法，根据代入后的观测方程和代入后的状态方程进行递推估计，得到荷电状态估计值。解决了现有技术中荷电状态估算精度较低，无法满足工程开发适用性的技术问题。
为了实现上述实施例，本发明还提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行该程序时，实现上述实施例中的基于电动车辆的荷电状态估算方法。
为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，当存储介质中的指令由处理器执行时，实现上述实施例中的基于电动车辆的荷电状态估算方法。
为了实现上述实施例，本发明还提出一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行上述实施例中的基于电动车辆的荷电状态估算方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种基于电动车辆的荷电状态估算方法，其特征在于，包括以下步骤：
预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，以及直流内阻与荷电状态之间的第二函数关系；其中，第二函数关系是进行HPPC实验过程中，采用Rint等效电路模型，测得不同荷电状态取值对应的直流内阻取值，以绘制直流内阻曲线；所述直流内阻曲线的横坐标为荷电状态取值，纵坐标为直流内阻取值；采用四次多项式对所述直流内阻曲线进行拟合得到的；
对所述动力电池的开路电压进行周期性测量，得到多个周期测得的开路电压测量值；
将多个周期测得的开路电压测量值代入所述第一函数关系，计算得到多个周期的荷电状态计算值；
将所述多个周期的荷电状态计算值代入所述第二函数关系，计算得到对应的多个周期的直流电阻计算值；
将对应同一周期的直流电阻计算值，以及开路电压测量值对应代入扩展卡尔曼滤波算法方程的观测方程中，以及将所述周期的荷电状态计算值对应代入所述扩展卡尔曼滤波算法方程的状态方程中；
采用扩展卡尔曼滤波算法，根据代入后的观测方程和代入后的状态方程进行递推估计，得到荷电状态估计值。
2.根据权利要求1所述的荷电状态估算方法，其特征在于，所述观测方程包括：uoc,k’＝G(sk,ik)+vk；
其中，G(sk,ik)＝uoc,k+ikR0,k，uoc,k为所述周期K时刻的开路电压测量值，uoc,k’为所述周期k’时刻的开路电压测量值，R0,k为所述周期K时刻的直流电阻计算值，ik为所述动力电池在所述周期K时刻的充放电电流，vk为所述周期K时刻的量测噪声。
3.根据权利要求1所述的荷电状态估算方法，其特征在于，所述状态方程包括：
Figure FDA0002587731590000011
其中，Ts为采样周期，Cn为所述动力电池的额定容量，sk为所述周期K时刻的荷电状态计算值，sk-1为所述周期k-1时刻的荷电状态计算值，ik-1为动力电池在所述周期K-1时刻的充放电电流，wk-1为在所述周期K-1时刻的随机干扰。
4.根据权利要求1所述的荷电状态估算方法，其特征在于，所述预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，包括：
对所述动力电池进行HPPC实验，测得不同荷电状态取值对应的开路电压取值，以绘制充放电开路电压曲线；所述充放电开路电压曲线的横坐标为荷电状态取值，纵坐标为开路电压取值；
采用四次多项式对所述充放电开路电压曲线进行拟合，得到所述第一函数关系。
5.根据权利要求4所述的荷电状态估算方法，其特征在于，所述测得不同荷电状态取值对应的直流内阻取值，以绘制直流内阻曲线，包括：
针对每一个充放电方向，测得不同荷电状态取值对应的直流内阻取值；
绘制对应充放电方向的直流内阻曲线。
6.根据权利要求4所述的荷电状态估算方法，其特征在于，所述测得不同荷电状态取值对应的开路电压取值，以绘制充放电开路电压曲线，包括：
针对每一个充放电方向，测得不同荷电状态取值对应的开路电压取值；
将对应同一荷电状态取值的各充放电方向的开路电压取值，计算开路电压平均值；
根据所述开路电压平均值和对应的荷电状态取值，绘制充放电开路电压曲线。
7.一种基于电动车辆的荷电状态估算装置，其特征在于，包括：
拟合模块，用于预先对电动车辆的动力电池进行HPPC实验，以根据实验结果拟合得到开路电压和荷电状态之间的第一函数关系，以及直流内阻与荷电状态之间的第二函数关系；其中，第二函数关系是进行HPPC实验过程中，采用Rint等效电路模型，测得不同荷电状态取值对应的直流内阻取值，以绘制直流内阻曲线；所述直流内阻曲线的横坐标为荷电状态取值，纵坐标为直流内阻取值；采用四次多项式对所述直流内阻曲线进行拟合得到的；
测量模块，用于对所述动力电池的开路电压进行周期性测量，得到多个周期测得的开路电压测量值；
计算模块，用于将多个周期测得的开路电压测量值代入所述第一函数关系，计算得到多个周期的荷电状态计算值；将所述多个周期的荷电状态计算值代入所述第二函数关系，计算得到对应的多个周期的直流电阻计算值；
处理模块，用于将对应同一周期的直流电阻计算值，以及开路电压测量值对应代入扩展卡尔曼滤波算法方程的观测方程中，以及将所述周期的荷电状态计算值对应代入所述扩展卡尔曼滤波算法方程的状态方程中；
估计模块，用于采用扩展卡尔曼滤波算法，根据代入后的观测方程和代入后的状态方程进行递推估计，得到荷电状态估计值。
8.根据权利要求7所述的荷电状态估算装置，其特征在于，所述拟合模块，包括：
第一绘制单元，用于对所述动力电池进行HPPC实验，测得不同荷电状态取值对应的开路电压取值，以绘制充放电开路电压曲线；所述充放电开路电压曲线的横坐标为荷电状态取值，纵坐标为开路电压取值；
第一拟合单元，用于采用四次多项式对所述充放电开路电压曲线进行拟合，得到所述第一函数关系；
第二绘制单元，用于进行HPPC实验过程中，采用Rint等效电路模型，测得不同荷电状态取值对应的直流内阻取值，以绘制直流内阻曲线；所述直流内阻曲线的横坐标为荷电状态取值，纵坐标为直流内阻取值；
第二拟合单元，用于采用四次多项式对所述直流内阻曲线进行拟合，得到所述第二函数关系。
9.根据权利要求8所述的荷电状态估算装置，其特征在于，所述第二绘制单元，具体用于：
针对每一个充放电方向，测得不同荷电状态取值对应的直流内阻取值；
绘制对应充放电方向的直流内阻曲线。
10.根据权利要求8所述的荷电状态估算装置，其特征在于，所述第一绘制单元，具体用于：
针对每一个充放电方向，测得不同荷电状态取值对应的开路电压取值；
将对应同一荷电状态取值的各充放电方向的开路电压取值，计算开路电压平均值；
根据所述开路电压平均值和对应的荷电状态取值，绘制充放电开路电压曲线。
11.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-6中任一项所述的基于电动车辆的荷电状态估算方法。
12.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的基于电动车辆的荷电状态估算方法。
CN201710516870.8A 2017-06-29 2017-06-29 基于电动车辆的荷电状态估算方法和装置 Active CN107167743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710516870.8A CN107167743B (zh) 2017-06-29 2017-06-29 基于电动车辆的荷电状态估算方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710516870.8A CN107167743B (zh) 2017-06-29 2017-06-29 基于电动车辆的荷电状态估算方法和装置

Publications (2)

Publication Number Publication Date
CN107167743A CN107167743A (zh) 2017-09-15
CN107167743B true CN107167743B (zh) 2020-10-16

Family

ID=59826616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710516870.8A Active CN107167743B (zh) 2017-06-29 2017-06-29 基于电动车辆的荷电状态估算方法和装置

Country Status (1)

Country Link
CN (1) CN107167743B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107894570B (zh) * 2017-10-23 2020-07-24 北京新能源汽车股份有限公司 基于Thevenin模型的电池组SOC的估算方法和装置
CN108196194A (zh) * 2017-12-28 2018-06-22 合肥国轩高科动力能源有限公司 一种可同时进行二次电池hppc和soc-ocv测试的方法
KR20190100065A (ko) 2018-02-20 2019-08-28 주식회사 엘지화학 에너지 저장 시스템의 충전용량 산출 장치 및 방법
CN108983103B (zh) * 2018-06-29 2020-10-23 上海科列新能源技术有限公司 一种动力电池的数据处理方法和装置
CN111505511B (zh) * 2020-04-30 2021-10-01 北京嘀嘀无限科技发展有限公司 一种电动汽车单体电芯容量测定方法、电子设备及存储介质
CN113866656A (zh) * 2020-06-30 2021-12-31 宁德时代新能源科技股份有限公司 Dcr计算方法、装置、设备和介质
CN112415399B (zh) * 2020-10-16 2023-10-10 欣旺达电动汽车电池有限公司 电池单体ocv-soc曲线修正方法、设备及存储介质
CN112698207A (zh) * 2020-12-03 2021-04-23 天津小鲨鱼智能科技有限公司 一种电池容量检测方法及装置
CN113341330B (zh) * 2021-05-25 2022-11-08 西南大学 基于ocv修正和卡尔曼滤波算法的锂硫动力电池soc估算方法
CN114325431B (zh) * 2021-12-31 2024-03-08 北京西清能源科技有限公司 一种电池直流内阻测算方法及装置
CN116252682B (zh) * 2023-05-16 2023-07-21 车百中汽科技(北京)有限公司 一种新能源汽车动力电池健康度的确定方法及系统
CN117706390B (zh) * 2024-02-06 2024-04-19 清华大学 一种电池荷电状态滚动优化估计方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103185865A (zh) * 2011-12-31 2013-07-03 陕西汽车集团有限责任公司 运用ekf对电动汽车锂离子电池soc闭环实时估算法
US10473723B2 (en) * 2013-08-30 2019-11-12 Ford Global Technologies, Llc Parameter and state limiting in model based battery control
CN103529398A (zh) * 2013-10-28 2014-01-22 哈尔滨工业大学 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法
JP6370581B2 (ja) * 2014-03-28 2018-08-08 学校法人早稲田大学 電気化学解析装置および電気化学システム
CN104502847A (zh) * 2014-11-28 2015-04-08 华晨汽车集团控股有限公司 一种电动汽车动力电池soh的预估方法
CN106054081A (zh) * 2016-06-17 2016-10-26 合肥工业大学智能制造技术研究院 一种用于电动汽车动力电池soc估计的锂电池建模方法

Also Published As

Publication number Publication date
CN107167743A (zh) 2017-09-15

Similar Documents

Publication Publication Date Title
CN107167743B (zh) 基于电动车辆的荷电状态估算方法和装置
KR101846690B1 (ko) Ｗｌｓ 기반 ｓｏｈ 추정 시스템 및 방법
CN110261779B (zh) 一种三元锂电池荷电状态与健康状态在线协同估计方法
CN107045109B (zh) 电池的直流内阻测量方法和装置
KR101866073B1 (ko) 배터리 soh 추정 방법
JP5442583B2 (ja) 電源装置用状態検知装置及び電源装置
Jenu et al. State of health estimation of cycle aged large format lithium-ion cells based on partial charging
US8046181B2 (en) Apparatus and method for estimating state of health of battery based on battery voltage variation pattern
EP1688754B1 (en) Battery management apparatus
JP6441913B2 (ja) バッテリに蓄積された電荷のモニタリング
JP5058814B2 (ja) バッテリーの状態及びパラメーターの推定システム及び方法
US20130069660A1 (en) Method for in situ battery diagnostic by electrochemical impedance spectroscopy
JP6509725B2 (ja) バッテリの充電状態の推定
KR102534688B1 (ko) 배터리의 셀의 충전의 상태를 추정하는 자동적 방법
US20210181263A1 (en) Method and battery management system for ascertaining a state of health of a secondary battery
Juang et al. Implementation of online battery state-of-power and state-of-function estimation in electric vehicle applications
JP2006098135A (ja) バッテリの劣化度推定装置
CN111913109B (zh) 一种电池峰值功率的预测方法及装置
CN104833917B (zh) 用于锂蓄电池中荷电状态实时估算的标称电池电阻的确定
US9075117B2 (en) Method for calibrating an electrochemical battery
JP5259190B2 (ja) ジョイントバッテリー状態とパラメーター推定システム及び方法
CN112858924A (zh) 动力电池剩余能量估算方法、装置、车辆及存储介质
CN110988701B (zh) 电池可用能量确定方法、装置、管理系统以及存储介质
WO2014018048A1 (en) Battery management system
CN112415409B (zh) 估算电池容量的方法和装置、存储介质及车辆

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