CN107192961A - 新型动力电池soc估算方法 - Google Patents
新型动力电池soc估算方法 Download PDFInfo
- Publication number
- CN107192961A CN107192961A CN201710564199.4A CN201710564199A CN107192961A CN 107192961 A CN107192961 A CN 107192961A CN 201710564199 A CN201710564199 A CN 201710564199A CN 107192961 A CN107192961 A CN 107192961A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mover
- msup
- mtr
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 24
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 5
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 239000003990 capacitor Substances 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000026676 system process Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种新型动力电池SOC估算方法,包括如下步骤:建立锂离子电池的等效模型,利用含有遗忘因子的递推最小二乘法对建立的电池模型参数进行辨识;搭建估算SOC需要的锂离子电池的状态方程和观测方程,Sage‑Husa自适应滤波可以通过时变噪声统计估计器,在线实时估计和修正系统噪声和测量噪声,降低模型误差,提高SOC估算精度;Sage‑Husa自适应滤波在每次滤波过程中都需要计算系统的噪声统计特性,计算量大,实时性比较差,本发明利用协方差匹配技术对Sage‑Husa自适应滤波进行改进,减少计算量,提高算法的实时性。
Description
技术领域
本发明属于电动汽车动力电池系统技术领域,具体涉及一种新型动力电池SOC估算方法。
背景技术
随着能源和环境问题的日益严峻,新能源技术的呼声越来越高,电动汽车的发展逐渐成为了当今世界汽车发展的新方向和新潮流。动力电池包作为电动汽车的动力能源,电池的运行性能直接影响电动汽车的运行效率。
电池管理系统通过实时检测和估算电池状态、温度、电流、SOC(荷电状态)、一致性等参数,保障电池的安全运行,提高电话次的工作性能及使用寿命。SOC(荷电状态)是反映电池剩余容量和做功能力的一项重要指标,SOC估算是电池管理系统(BMS)开发最为重要和核心的技术。
SOC作为动力电池的内部状态,无法直接测取,只能通过对电池电压、电流、内阻等参数检测来估算。目前,典型的动力电池SOC估算方法主要有:安时积分法、开路电压法、神经网络、卡尔曼滤波法等。其中,安时积分法实现简单,但估算误差大;开路电压法需要电池静置一段时间才能测量估算,不适用于在线实时估算;神经网络法需要大量数据进行训练,难以实现;卡尔曼滤波法对模型精度要求高,而电池是个复杂的非线性系统,使用过程中电池模型参数实时变化,模型不确定性导致卡尔曼滤波精度低。
发明内容
本发明提供一种新型动力电池SOC估算方法,能够有效估算精度。
本发明提供了如下的技术方案:
本发明提出的一种解决技术方案为:一种新型动力电池SOC估算方法,包括步骤:
S1、建立锂离子电池的等效模型;
S2、利用含有遗忘因子的递推最小二乘法对搭建的电池模型参数进行在线辨识;
S3、根据S2辨识出来的参数(电容的端电压和SOC)为状态变量,搭建出SOC估算的状态估计方程和测量估计方程,通过时变噪声统计估计器在线实时估计和修正系统噪声和测量噪声,根据SOC估算的状态估计方程和测量估计方程对动力电池SOC进行估算;
S4、利用协方差技术对Sage-Husa自适应滤波算法进行改进,避免原算法因在每次滤波过程中都需计算噪声统计特性造成的计算量大的问题。
进一步地,所述动力电池的等效模型采用二阶RC电路等效模型,包括极化内阻R1、电容C1并联组成第一电路,极化内阻R2、电容C2并联组成第二电路,电池的欧姆内阻R0为第三电路,所述第一、第二、第三电路串联后一端与电池的开路电压Uoc相连,另一端与开路电压U0相连。
进一步地,所述对建立的电池等效模型进行辨识时,首先将二阶RC电路等效模型的数学模型转换为最小二乘形式,然后根据已知条件利用含有遗忘因子的递推最小二乘法将模型参数直接辨识出来。
进一步地,所述根据二阶RC等效电路模型搭建SOC估计的状态方程和测量方程,以电流I为输入,电池端电压U为输出,将电池荷电状态SOC、电容C1上的电压U1、电容C2上的电压U2作为电池系统的状态变量。
进一步地,所述Sage-Husa自适应滤波算法可以通过时变噪声统计估计器,在线实时估计和修正系统噪声和测量噪声,降低模型误差,提高滤波精度,基本方程如下:
状态估计与测量估计方程:
状态预测协方差方程:
滤波增益方程:
系统过程噪声的数学期望:
系统过程噪声的数学方差:
量测噪声的数学方差:
dk=(1-b)/(1-bk+1)0<b<1
其中,dk=(1-b)/(1-bk+1),0<b<1,b为遗忘因子。
进一步地,所述利用协方差匹配技术对Sage-Husa自适应滤波算法进行改进,协方差匹配技术是在滤波的同时检验实际的余项与理论特性是否相匹配,判断滤波是否发生异常。若异常,则原来的模型不匹配,需要对R(k)进行估计;若滤波没有异常,则不需要对R(k)进行估计,实现R(k)的自适应估计。改进的Sage-Husa自适应滤波算法不需要每次滤波时计算R(k),简化了计算复杂度,能够提高系统实时性。
判断滤波异常的方法如下:
vT(k)v(k)>γtr(E|v(k)vT(k)|)
其中:γ为储备系数,γ>1;tr为矩阵的迹;v(k)为新息序列。
当R(k)=R(k-1)时,有:E|v(k)vT(k)|=H(k)P(k|k-1)HT(k)+R(k)
判断滤波异常的判据如下:
vT(k)v(k)>H(k)P(k|k-1)HT(k)+R(k)。
本发明的有益效果是:本发明采用改进的Sage-Husa自适应滤波算法设计准则,能够实时准确估计端电压,并且能够在线实时修正系统噪声和测量噪声,降低模型误差,提高SOC估算精度,该算法计算量小,精度高,适用于电动汽车动力电池的SOC估算,具有良好的应用前景。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明提供的SOC估算方法流程图;
图2为本发明提供的SOC估算方法的被控对象等效模型简图;
图3为本发明提供的SOC估算方法模型参数辨识方法流程图。
具体实施方式
本发明提供的SOC估算算法具体步骤如图1所示:
S1:建立被控对象的等效模型:如图2所示,将电阻R0、R1、R2依次串联在电池包Uoc的输出端,并将电容C1与电阻R1并联,电容C2与电阻R2并联。
建立电池等效模型的数学方程:
S2:辨识电池模型的参数:
S201:将S1中的数学模型转换为最小二乘式:
Voc(k)-V(k)=k1[Voc(k-1)-V(k-1)]+k2[Voc(k-2)-V(k-2)]
+k3I(k)+k4I(k-1)+k5I(k-2)
其中,
c=R1R2C2+R1R2C1+R0(R1C1+R2C2),d=R0+R1+R2;
S202:用含遗忘因子的最小二乘法辨识参数θ=[k1,k2,k3,k4,k5]T;
S203:由辨识出的参数值推导出数学模型中的电阻值、电容值。
S3:搭建SOC估算所需的状态方程和测量方程:
S301:根据被控对象的等效模型建立系统的微分方程组,状态方程:
输出方程:U(t)=Uoc[SOC(t)-U1(t)-U2(t)-R0I(t)
转换为状态空间方程:
其中,x=[SOC,U1,U2],y=UT,h(x)=Uoc(SOC),u=IT,x0为初始状态,
S302:在系统状态空间方程中加入干扰项:
其中,ω和ξ分别是状态干扰项和输出干扰项。
S4:设计Sage-Husa自适应滤波算法:
S401:状态估计和测量估计方程:
S402:计算状态预测协方差:
S403:计算滤波增益:
S404:计算系统过程噪声的数学期望:
S405:计算系统过程噪声的数学方差:
S406:计算量测噪声的数学方差:
通过时变噪声统计估计器,在线实时估计和修正系统噪声和测量噪声,最终得出系统的状态估计值和测量估计值。
S407:在用Sage-Husa自适应滤波算法滤波的同时采用协方差匹配技术检验实际的余项与理论特性是否相匹配,若实际误差超过理论值,即滤波异常时,需要对量测噪声的数学方差进行估计,若实际误差满足理论误差的要求,则不需要重新进行估计,大大减少了计算量:
判定滤波异常的判据:
vT(k)v(k)>H(k)P(k|k-1)HT(k)+R(k)
综上,采用改进的Sage-Husa自适应滤波算法进行SOC估算,能够实时准确估计端电压,并且能够在线实时修正系统噪声和测量噪声,降低模型误差,提高SOC估算精度,该算法计算量小,精度高,适用于电动汽车动力电池的SOC估算,具有良好的应用前景。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种新型动力电池SOC估算方法,其特征是,包括以下步骤:
S1:建立锂离子电池的等效模型;
S2:辨识电池模型参数;
S3:根据所述S2中辨识出来的参数为状态变量,搭建出SOC估算的状态估计方程和测量估计方程,通过时变噪声统计估计器在线实时估计和修正系统噪声和测量噪声,根据SOC估算的状态估计方程和测量估计方程对动力电池SOC进行估算;
S4:利用协方差技术对Sage-Husa自适应滤波算法进行改进。
2.如权利要求1所述的新型动力电池SOC估算方法,其特征是,所述S1建立锂离子电池的等效模型的方法为:将电阻R0、R1、R2依次串联在电池包Uoc的输出端,并将电容C1与电阻R1并联,电容C2与电阻R2并联;
建立电池等效模型的数学方程:
<mrow>
<mi>V</mi>
<mi>o</mi>
<mi>c</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
<mrow>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mi>S</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
<mrow>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
<mi>S</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>R</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mo>+</mo>
<mi>V</mi>
<mo>.</mo>
</mrow>
3.如权利要求2所述的新型动力电池SOC估算方法,其特征是,S2中辨识电池模型参数的方法为,
S201:将S1中的数学模型转换为最小二乘式:
Voc(k)-V(k)=k1[Voc(k-1)-V(k-1)]+k2[Voc(k-2)-V(k-2)]+k3I(k)+k4I(k-1)+k5I(k-2)
其中, a=R1R2C1C2,b=R1C1+R2C2c=R1R2C2+R1R2C1+R0(R1C1+R2C2),d=R0+R1+R2;
S202:用含遗忘因子的最小二乘法辨识参数θ=[k1,k2,k3,k4,k5]T;
S203:由辨识出的参数值推导出数学模型中的电阻值、电容值。
4.如权利要求1所述的新型动力电池SOC估算方法,其特征是,所述S3搭建SOC估算所需的状态方程和测量方程的具体步骤为,
S301:根据被控对象的等效模型建立系统的微分方程组,状态方程:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mrow>
<mi>S</mi>
<mi>O</mi>
<mi>C</mi>
</mrow>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>Q</mi>
<mi>N</mi>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>U</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>U</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>U</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>U</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
输出方程:U(t)=Uoc[SOC(t)-U1(t)-U2(t)-R0I(t)
转换为状态空间方程:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mi>A</mi>
<mi>x</mi>
<mo>+</mo>
<mi>B</mi>
<mi>u</mi>
<mo>,</mo>
<mi>x</mi>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>C</mi>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>R</mi>
<mn>0</mn>
</msub>
<mi>u</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,x=[SOC,U1,U2],y=UT,h(x)=Uoc(SOC),u=IT,x0为初始状态,
C=[0 -1 -1]
S302:在系统状态空间方程中加入干扰项:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mi>A</mi>
<mi>x</mi>
<mo>+</mo>
<mi>B</mi>
<mi>u</mi>
<mo>+</mo>
<mi>&omega;</mi>
<mo>,</mo>
<mi>x</mi>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>C</mi>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>R</mi>
<mn>0</mn>
</msub>
<mi>u</mi>
<mo>+</mo>
<mi>&xi;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,ω和ξ分别是状态干扰项和输出干扰项。
5.如权利要求1所述的新型动力电池SOC估算方法,其特征是,所述S4设计Sage-Husa自适应滤波算法的具体步骤为,
S401:状态估计和测量估计方程:
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>A</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>z</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>r</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mover>
<mi>z</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
S402:计算状态预测协方差:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>A</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msup>
<mi>A</mi>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mover>
<mi>Q</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>E</mi>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
S403:计算滤波增益:
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msup>
<mi>H</mi>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msup>
<mi>H</mi>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>;</mo>
</mrow>
S404:计算系统过程噪声的数学期望:
<mrow>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>&CenterDot;</mo>
<mo>&lsqb;</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>A</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
S405:计算系统过程噪声的数学方差:
<mrow>
<mover>
<mi>Q</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mover>
<mi>Q</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>K</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mover>
<mi>Z</mi>
<mo>~</mo>
</mover>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>&CenterDot;</mo>
<msup>
<mover>
<mi>z</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<msup>
<mi>K</mi>
<mi>T</mi>
</msup>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>+</mo>
<mi>P</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>-</mo>
<mi>A</mi>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mi>P</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<msup>
<mi>A</mi>
<mi>T</mi>
</msup>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
S406:计算量测噪声的数学方差:
<mrow>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>&lsqb;</mo>
<mover>
<mi>z</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mover>
<mi>z</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msup>
<mi>H</mi>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
通过时变噪声统计估计器,在线实时估计和修正系统噪声和测量噪声,最终得出系统的状态估计值和测量估计值;
S407:在用Sage-Husa自适应滤波算法滤波的同时采用协方差匹配技术检验实际的余项与理论特性是否相匹配,若实际误差超过理论值,即滤波异常时,需要对量测噪声的数学方差进行估计,若实际误差满足理论误差的要求,则不需要重新进行估计。
6.如权利要求5所述的新型动力电池SOC估算方法,其特征是,所述S407中判定滤波异常的判据:
vT(k)v(k)>H(k)P(k|k-1)HT(k)+R(k)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710564199.4A CN107192961A (zh) | 2017-07-12 | 2017-07-12 | 新型动力电池soc估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710564199.4A CN107192961A (zh) | 2017-07-12 | 2017-07-12 | 新型动力电池soc估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107192961A true CN107192961A (zh) | 2017-09-22 |
Family
ID=59883549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710564199.4A Pending CN107192961A (zh) | 2017-07-12 | 2017-07-12 | 新型动力电池soc估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107192961A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427080A (zh) * | 2018-06-20 | 2018-08-21 | 上海海事大学 | 混合动力船舶的动力电池组的荷电状态计算方法 |
CN108490356A (zh) * | 2018-03-06 | 2018-09-04 | 福建工程学院 | 一种改进ekf算法的锂电池soc估算方法 |
CN109782181A (zh) * | 2018-12-20 | 2019-05-21 | 宁波飞拓电器有限公司 | 一种基于组合滤波的应急灯电池soc估计方法 |
CN110068771A (zh) * | 2019-05-28 | 2019-07-30 | 山东大学 | 基于输出响应重构的高精度电池模型参数辨识方法及系统 |
CN110333456A (zh) * | 2019-07-23 | 2019-10-15 | 北京长城华冠汽车科技股份有限公司 | 动力电池soc的估算方法和装置、车辆 |
CN111537894A (zh) * | 2020-05-29 | 2020-08-14 | 合肥工业大学 | 一种用于估计锂电池soc和sop的方法 |
CN112415412A (zh) * | 2019-08-23 | 2021-02-26 | 比亚迪股份有限公司 | 估算电池soc值的方法和装置及车辆、存储介质 |
CN115128464A (zh) * | 2021-03-29 | 2022-09-30 | 广汽埃安新能源汽车有限公司 | Soc动态估算方法、电池管理系统及汽车 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502851A (zh) * | 2014-12-12 | 2015-04-08 | 广西科技大学 | 一种基于aukf算法的soc估算方法 |
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
CN105093122A (zh) * | 2015-07-09 | 2015-11-25 | 宁波飞拓电器有限公司 | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 |
WO2016080111A1 (ja) * | 2014-11-18 | 2016-05-26 | 学校法人立命館 | 蓄電残量推定装置、蓄電池の蓄電残量を推定する方法、及びコンピュータプログラム |
CN106772094A (zh) * | 2017-01-09 | 2017-05-31 | 成都理工大学 | 一种基于参数自适应的电池模型的soc估计方法 |
CN106842060A (zh) * | 2017-03-08 | 2017-06-13 | 深圳市海云图新能源有限公司 | 一种基于动态参数的动力电池soc估算方法及系统 |
-
2017
- 2017-07-12 CN CN201710564199.4A patent/CN107192961A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016080111A1 (ja) * | 2014-11-18 | 2016-05-26 | 学校法人立命館 | 蓄電残量推定装置、蓄電池の蓄電残量を推定する方法、及びコンピュータプログラム |
CN104502851A (zh) * | 2014-12-12 | 2015-04-08 | 广西科技大学 | 一种基于aukf算法的soc估算方法 |
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
CN105093122A (zh) * | 2015-07-09 | 2015-11-25 | 宁波飞拓电器有限公司 | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 |
CN106772094A (zh) * | 2017-01-09 | 2017-05-31 | 成都理工大学 | 一种基于参数自适应的电池模型的soc估计方法 |
CN106842060A (zh) * | 2017-03-08 | 2017-06-13 | 深圳市海云图新能源有限公司 | 一种基于动态参数的动力电池soc估算方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108490356A (zh) * | 2018-03-06 | 2018-09-04 | 福建工程学院 | 一种改进ekf算法的锂电池soc估算方法 |
CN108427080A (zh) * | 2018-06-20 | 2018-08-21 | 上海海事大学 | 混合动力船舶的动力电池组的荷电状态计算方法 |
CN109782181A (zh) * | 2018-12-20 | 2019-05-21 | 宁波飞拓电器有限公司 | 一种基于组合滤波的应急灯电池soc估计方法 |
CN110068771A (zh) * | 2019-05-28 | 2019-07-30 | 山东大学 | 基于输出响应重构的高精度电池模型参数辨识方法及系统 |
CN110333456A (zh) * | 2019-07-23 | 2019-10-15 | 北京长城华冠汽车科技股份有限公司 | 动力电池soc的估算方法和装置、车辆 |
CN112415412A (zh) * | 2019-08-23 | 2021-02-26 | 比亚迪股份有限公司 | 估算电池soc值的方法和装置及车辆、存储介质 |
CN111537894A (zh) * | 2020-05-29 | 2020-08-14 | 合肥工业大学 | 一种用于估计锂电池soc和sop的方法 |
CN115128464A (zh) * | 2021-03-29 | 2022-09-30 | 广汽埃安新能源汽车有限公司 | Soc动态估算方法、电池管理系统及汽车 |
CN115128464B (zh) * | 2021-03-29 | 2024-08-09 | 广汽埃安新能源汽车有限公司 | Soc动态估算方法、电池管理系统及汽车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107192961A (zh) | 新型动力电池soc估算方法 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
CN107064815B (zh) | 一种电池内阻计算方法 | |
CN111007400A (zh) | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 | |
CN106019164A (zh) | 基于双重自适应无际卡尔曼滤波器的锂电池soc估计算法 | |
CN104007395B (zh) | 锂离子电池荷电状态与参数自适应联合估计方法 | |
CN111060834A (zh) | 一种动力电池健康状态估算方法 | |
CN110286332A (zh) | 一种基于多新息理论的电动汽车动力电池soc估计方法 | |
CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN105425153B (zh) | 一种估计电动车辆的动力电池的荷电状态的方法 | |
CN108445422B (zh) | 基于极化电压恢复特性的电池荷电状态估算方法 | |
CN107957555A (zh) | 一种估算动力锂电池SoC的新方法 | |
CN110795851A (zh) | 一种考虑环境温度影响的锂离子电池建模方法 | |
CN107783057B (zh) | 一种动力电池soc估算方法及估算系统 | |
CN107505578A (zh) | 一种锂电池电荷状态估计的方法 | |
CN113156321A (zh) | 一种锂离子电池荷电状态soc的估算方法 | |
CN112924870A (zh) | 电池不一致性的评估方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
CN112528472A (zh) | 一种多新息混合Kalman滤波和H无穷滤波算法 | |
CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 | |
CN113671377A (zh) | 一种基于改进ekf算法的锂电池soc估算方法 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN117452234B (zh) | 改进参数辨识与无穷算法融合的soc估计方法及系统 | |
CN109061509A (zh) | 一种电池电量剩余值估算方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170922 |
|
RJ01 | Rejection of invention patent application after publication |