CN107356878A - 一种减少先验测试信息的在线soc估计方法 - Google Patents
一种减少先验测试信息的在线soc估计方法 Download PDFInfo
- Publication number
- CN107356878A CN107356878A CN201710510338.5A CN201710510338A CN107356878A CN 107356878 A CN107356878 A CN 107356878A CN 201710510338 A CN201710510338 A CN 201710510338A CN 107356878 A CN107356878 A CN 107356878A
- Authority
- CN
- China
- Prior art keywords
- soc
- battery
- parameter
- estimation
- model
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
一种减少先验测试信息的在线SOC估计方法，先得到电池基本参数，获得电池初始SOC，选择一个短时间，测量电池在实际使用中的电压和电流，通过安时积分法计算电池的SOC，同时由数据记录装置记录；选择记录数据，使用分段技术，将选择的数据应用于在线辨识算法以计算电池模型的未知参数，获得相应参数，相应参数被替换到电池模型中以确定所获得的参数是否足够准确，如果参数够精确，则存储这组参数以便在模型中进一步估计SOC；如果参数不够精确，则在线辨识过程将被重复执行，直到分段参数足够精确；获得电池模型的参数，将其应用于基于模型的SOC估计方法来校正SOC，联合安时积分法和基于模型的SOC估计方法来实时估计电池的SOC，本发明得到更好的估计结果。
Description
技术领域
本发明属于电池SOC估计技术领域，特别提出一种减少先验测试信息的在线SOC估计方法。
背景技术
锂离子电池当前被认为是用于电动汽车(BEV、HEV、PHEV)唯一可行的解决方案，获得了越来越多的关注。然而，锂离子电池作为具有强非线性的复杂电化学系统，其对过充电和过放电十分敏感。如果发生过充电或过放电，则电池的循环寿命可能急剧下降，并且电池可能着火甚至爆炸。电池管理系统(BMS)应采取措施，以避免这些情况，并确保电动汽车的安全。
定义为剩余容量与额定容量的比率的荷电状态(SOC)被认为是可用于解决上述问题的关键参数之一。如果可以获得准确的SOC，则可以扩展可用的SOC范围。较小的电池组将能够满足现在装备有较大电池组的电动汽车的需求。因此电池组价格可以大大减少，进一步帮助电动汽车的市场渗透。
安时积分法(CMM)是根据SOC的定义来估计电池SOC的方法。实际上CCM已被广泛应用于实际的BMS中，因为其易于实现和计算简单。然而，安时积分法严重依赖于电池的初始SOC。如果初始SOC未知或不准确，估计的SOC将总是具有偏差。此外，累积误差问题不能被忽略，特别是对于长期SOC估计。
基于模型的SOC估计方法(MBM)被认为是近年来最流行的SOC估计方法之一。与安时积分法相比，基于模型的估计方法利用测量的电流和电压信号，并且因此形成闭环估计方法，达到更准确的估计。为此，基于模型的估计方法不依赖于准确的初始SOC，并且累积误差问题也可以被解决。
然而，基于模型的估计方法依赖于模型，但是所有的模型都应该被辨识以获得模型的参数。通常，这样的辨识程序在离线和基于实验室获得数据的情况下进行，这是昂贵和耗时的。此外，所获得的数据可能仅适合于测试的电池，甚至仅适用于电池在测试时的某个状态。如果电池已经使用了很长时间，参数可能会有所不同，实验数据可能无用。
综上所述，为了获得电池的荷电状态精准的数值，现在常用的估计方法需要在实验的条件下测得具体的实验数据，需要离线进行，而不适合在实际使用过程中。所以如何减少电池先验测试信息并可以准确在线估计电池的SOC是目前电动汽车电池管理领域的一大关键问题。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供了一种减少先验测试信息的在线SOC估计方法，辨识过程在线进行，基于模型的方法和安时积分法被共同用于估计SOC，得到更好的估计结果。
为了达到上述目的，本发明采取的技术方案为：
一种减少先验测试信息的在线SOC估计方法，包括以下步骤：
第一步，获得电池基本参数，电池基本参数包括电池的容量、截止电压；
第二步，获得电池初始SOC；
第三步，测量电池在实际使用中的电压和电流；
第四步，根据电池给定的初始SOC和测定的电流，通过安时积分法计算电池的安时法SOC，即SOCCCM；
第五步，由数据记录装置记录电压信号、电流信号和估计SOC；
第六步，筛选电压、电流、SOC信号并进行电池模型参数辨识；
第七步，判定辨识获得的电池模型参数是否符合要求；
第八步，如果电池模型参数不符合要求，返回第六步；如果电池模型参数符合要求，存储这组参数并进入下一步；
第九步，将以上符合要求的电池参数带入电池模型，结合所测得电池电压、电流信息，采用基于模型方法估计电池SOC，即SOCMBM；
第十步，判定最终输出SOC。
所述的第二步初始SOC获得方法为：新电池出厂的初始SOC；或在第一次使用电池前给电池充满电得到的初始SOC。
所述的第六步数据选择的标准是确保OCV将保持恒定，所选数据的限制如下：
A.时间间隔应足够短，小于30秒；
B.充电或放电电流不应太大，小于2C率；
C.应该有足够的电流激励，最大电流偏差大于0.5C。
所述的第六步电池模型参数辨识采用分段技术，通过遗传算法来获得，辨识已选取SOC区间内电池模型的参数。
所述的第七步判定方法是比较电池模型的电压响应与测量的电压之间的误差，误差在1％以内，电池模型参数符合要求，得到精确的电池模型参数。
所述的第十步判定最终输出SOC方法是根据当前测定的SOC是否在已获得准确电池模型参数的SOC区间内，若在则输出基于模型方法估计电池SOC，即SOCMBM，若不在则输出安时法得到的SOC，即SOCCCM。
本发明的有益效果为：
1.本发明不需要离线测试，减少使用复杂性和使用成本。
2.本发明中的电池参数是实时的，可以更好地模拟电池的特性。
3.本发明采用安时积分法和基于模型的方法联合估计电池的SOC，可以保证SOC估计的高精度要求，计算得到的SOC精度较高。
附图说明
图1为本发明的具体流程图。
图2为本发明实施例中在线参数辨识的数据选择。
图3为本发明实施例中SOC估计方法的选择。
图4为本发明实施例中在线参数辨识的结果图。
图5为本发明实施例中联合SOC估计的估计结果图。
具体实施方式
下面结合附图和实施例对本发明作详细描述。
如图1所示，一种减少先验测试信息的在线SOC估计方法，包括以下步骤：
第一步，获得电池基本参数，电池基本参数包括电池的容量、截止电压；
第二步，获得电池初始SOC，初始SOC获得方法为：新电池出厂的初始SOC；或在第一次使用电池前给电池充满电得到的初始SOC；
第三步，测量电池在实际使用中的电压和电流；
第四步，根据电池给定的初始SOC和测定的电流，通过安时积分法计算电池的安时法SOC，即SOCCCM；
第五步，由数据记录装置记录电压信号、电流信号和估计SOC；
第六步，筛选电压、电流、SOC信号并进行电池模型参数辨识，数据选择的标准是确保OCV将保持恒定，所选数据的限制如下：
A.时间间隔应足够短，小于30秒；
B.充电或放电电流不应太大，小于2C率；
C.应该有足够的电流激励，最大电流偏差大于0.5C；
电池模型参数辨识采用分段技术，通过遗传算法来获得，辨识已SOC区间内电池模型的参数。
第七步，判定辨识获得的电池模型参数是否符合要求，判定方法是比较电池模型的电压响应与测量的电压之间的误差，误差在1％以内，电池模型参数符合要求，得到精确的电池模型参数；
第八步，如果电池模型参数不符合要求，返回第六步；如果电池模型参数符合要求，存储这组参数并进入下一步；
第九步，将以上符合要求的电池参数带入电池模型，结合所测得电池电压、电流信息，采用基于模型方法估计电池SOC，即SOCMBM；
第十步，判定最终输出SOC，判定最终输出SOC方法是根据当前测定的SOC是否在已获得准确电池模型参数的SOC区间内，若在则输出基于模型方法估计电池SOC，即SOCMBM，若不在则输出安时法得到的SOC，即SOCCCM。
如图2所示，其给了一个数据选择的实施例，选择一段数据进行电池模型参数的辨识，在本实施例中，电池的容量为2.95Ah，时间间隔设置为30s，最大放电电流小于2C速率，并且最大电流偏差也足够大，选择这些数据用于在线辨识过程以获得模型的参数。
当数据选择完成时，将这样选择的数据应用于在线辨识算法以计算电池模型的未知参数。本实施例采用了电池一阶RC模型，具体形式如下：
式中R2是极化电阻，C2是极化电容，R1是电池的内阻，E0(z)是开路电压。
如图3所示，所述的第四步和第九步别采用安时积分法和基于模型的方法来实时估计电池的SOC。假设第一次使用的初始SOC是已知的，时间延迟表示两个SOC估计计算之间的时间间隔，如果先前采样时间的SOC在两个已辨识参数的SOC之间，将利用基于模型的方法来计算SOC；例如，如果40％SOC和50％SOC的参数是已知的，并且先前采样时间的SOC在40％和50％之间(例如，45％)，则将应用基于模型的SOC估计；如果不是，则安时积分法将用于计算SOC，因为可用于基于模型的SOC估计的电池参数未知；虽然安时积分法有积累误差的问题，但是如果时间范围足够短，则由这种问题引起的估计误差可以是可接受的；根据先前的实验结果，在短时间范围内，一个或多个驱动周期，安时积分法的SOC估计精度足够准确；在这种情况下，将先前的SOC作为该处理的初始SOC；并且记录这些SOC以及电流和电压信号以用于在线辨识的进一步使用。
本实施例采用的基于模型的SOC估计方法是比例积分SOC估计法。
为了验证在线辨识方法，在本实施例中，首先应用数据选择方法来选择数据以从记录的数据中识别模型参数，并且将执行在线辨识以获得电池模型的参数，参数的检验结果如图4所示，电池模型的电压响应与测量的电压之间的误差小，可以得到精确的电池模型参数。
通过上面的计算得到整个SOC范围的电池参数，因此使用基于比例积分观测器的方法计算电池SOC,如图5所示，可以在短时间内补偿SOC估计初始误差，估计精度较高。
Claims (6)
1.一种减少先验测试信息的在线SOC估计方法，其特征在于，包括以下步骤：
第一步，获得电池基本参数，电池基本参数包括电池的容量、截止电压；
第二步，获得电池初始SOC；
第三步，测量电池在实际使用中的电压和电流；
第四步，根据电池给定的初始SOC和测定的电流，通过安时积分法计算电池的安时法SOC，即SOCCCM；
第五步，由数据记录装置记录电压信号、电流信号和估计SOC；
第六步，筛选电压、电流、SOC信号并进行电池模型参数辨识；
第七步，判定辨识获得的电池模型参数是否符合要求；
第八步，如果电池模型参数不符合要求，返回第六步；如果电池模型参数符合要求，存储这组参数并进入下一步；
第九步，将以上符合要求的电池参数带入电池模型，结合所测得电池电压、电流信息，采用基于模型方法估计电池SOC，即SOCMBM；
第十步，判定最终输出SOC。
2.根据权利要求1所述的一种减少先验测试信息的在线SOC估计方法，其特征在于：所述的第二步初始SOC获得方法为：新电池出厂的初始SOC；或在第一次使用电池前给电池充满电得到的初始SOC。
3.根据权利要求1所述的一种减少先验测试信息的在线SOC估计方法，其特征在于：所述的第六步数据选择的标准是确保OCV将保持恒定，所选数据的限制如下：
A.时间间隔应足够短，小于30秒；
B.充电或放电电流不应太大，小于2C率；
C.应该有足够的电流激励，最大电流偏差大于0.5C。
4.根据权利要求1所述的一种减少先验测试信息的在线SOC估计方法，其特征在于：所述的第六步电池模型参数辨识采用分段技术，通过遗传算法来获得，辨识已选取SOC区间内电池模型的参数。
5.根据权利要求1所述的一种减少先验测试信息的在线SOC估计方法，其特征在于：所述的第七步判定方法是比较电池模型的电压响应与测量的电压之间的误差，误差在1％以内，电池模型参数符合要求，得到精确的电池模型参数。
6.根据权利要求1所述的一种减少先验测试信息的在线SOC估计方法，其特征在于：所述的第十步判定最终输出SOC方法是根据当前测定的SOC是否在已获得准确电池模型参数的SOC区间内，若在则输出基于模型方法估计电池SOC，即SOCMBM，若不在则输出安时法得到的SOC，即SOCCCM。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710510338.5A CN107356878B (zh) | 2017-06-28 | 2017-06-28 | 一种减少先验测试信息的在线soc估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710510338.5A CN107356878B (zh) | 2017-06-28 | 2017-06-28 | 一种减少先验测试信息的在线soc估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107356878A true CN107356878A (zh) | 2017-11-17 |
| CN107356878B CN107356878B (zh) | 2019-09-20 |
Family
ID=60273397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710510338.5A Active CN107356878B (zh) | 2017-06-28 | 2017-06-28 | 一种减少先验测试信息的在线soc估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107356878B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103529393A (zh) * | 2013-10-22 | 2014-01-22 | 南京汽车集团有限公司 | 一种汽车动力锂电池soc估算方法 |
| US20140115858A1 (en) * | 2012-10-25 | 2014-05-01 | Bayerische Motoren Werke Aktiengesellschaft | Systems and Methods to Determine the Condition of a Battery |
| CN103969587A (zh) * | 2014-01-17 | 2014-08-06 | 浙江吉利控股集团有限公司 | 一种混合动力车用动力电池soc估算方法 |
| CN104122504A (zh) * | 2014-08-11 | 2014-10-29 | 电子科技大学 | 一种电池的soc估算方法 |
| CN105116343A (zh) * | 2015-08-24 | 2015-12-02 | 桂林电子科技大学 | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 |
| CN105548898A (zh) * | 2015-12-25 | 2016-05-04 | 华南理工大学 | 一种离线数据分段矫正的锂电池soc估计方法 |
| CN105842633A (zh) * | 2016-05-30 | 2016-08-10 | 广西大学 | 一种基于灰色扩展卡尔曼的锂离子电池soc估算方法 |
| CN106646265A (zh) * | 2017-01-22 | 2017-05-10 | 华南理工大学 | 一种锂电池soc估计方法 |
-
2017
- 2017-06-28 CN CN201710510338.5A patent/CN107356878B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140115858A1 (en) * | 2012-10-25 | 2014-05-01 | Bayerische Motoren Werke Aktiengesellschaft | Systems and Methods to Determine the Condition of a Battery |
| CN103529393A (zh) * | 2013-10-22 | 2014-01-22 | 南京汽车集团有限公司 | 一种汽车动力锂电池soc估算方法 |
| CN103969587A (zh) * | 2014-01-17 | 2014-08-06 | 浙江吉利控股集团有限公司 | 一种混合动力车用动力电池soc估算方法 |
| CN104122504A (zh) * | 2014-08-11 | 2014-10-29 | 电子科技大学 | 一种电池的soc估算方法 |
| CN105116343A (zh) * | 2015-08-24 | 2015-12-02 | 桂林电子科技大学 | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 |
| CN105548898A (zh) * | 2015-12-25 | 2016-05-04 | 华南理工大学 | 一种离线数据分段矫正的锂电池soc估计方法 |
| CN105842633A (zh) * | 2016-05-30 | 2016-08-10 | 广西大学 | 一种基于灰色扩展卡尔曼的锂离子电池soc估算方法 |
| CN106646265A (zh) * | 2017-01-22 | 2017-05-10 | 华南理工大学 | 一种锂电池soc估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107356878B (zh) | 2019-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109921111B (zh) | 一种锂离子电池内部温度估测方法及系统 | |
| CN106443480B (zh) | 一种锂离子电池系统soc估算方法 | |
| Duong et al. | Online state of charge and model parameters estimation of the LiFePO4 battery in electric vehicles using multiple adaptive forgetting factors recursive least-squares | |
| CN105738822B (zh) | 估算电池剩余电量的装置及方法 | |
| CN105021996A (zh) | 储能电站bms的电池soh估算方法 | |
| CN107402355B (zh) | 一种充电时间预估方法 | |
| CN105572596B (zh) | 锂电池soc估算方法及系统 | |
| CN105223487B (zh) | 一种锂离子电池的多状态解耦估计方法 | |
| CN108896924A (zh) | 基于深度置信网络和卡尔曼滤波融合的锂离子电池荷电状态估计方法 | |
| WO2021258472A1 (zh) | 一种基于容量估计的单体电池漏电或微短路定量诊断方法 | |
| US20140184233A1 (en) | Method for checking deterioration of battery | |
| KR20180058057A (ko) | 배터리 상태 추정 방법, 그 방법을 수행하는 장치 및 컴퓨터 프로그램 | |
| CN110133533A (zh) | 估算电池健康状态的方法和电池管理装置 | |
| CN106696712A (zh) | 动力电池故障检测方法、系统及电动车辆 | |
| CN105785271A (zh) | 基于放电功率曲线比对法的蓄电池电量检测方法 | |
| Qiu et al. | Battery hysteresis modeling for state of charge estimation based on Extended Kalman Filter | |
| CN103278777A (zh) | 一种基于动态贝叶斯网络的锂电池健康状况估计方法 | |
| CN112782594B (zh) | 考虑内阻的数据驱动算法估算锂电池soc的方法 | |
| Zhao et al. | State-of-health estimation with anomalous aging indicator detection of lithium-ion batteries using regression generative adversarial network | |
| CN110095732A (zh) | 一种考虑环境湿度对内阻影响的锂电池soh估计方法 | |
| CN108120932A (zh) | 对充电电池的电池健康状态进行估算的方法和装置 | |
| CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
| CN109116260A (zh) | 一种锂原电池低电量的提示方法 | |
| CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
| CN113296010B (zh) | 一种基于差分电压分析的电池健康状态在线评估方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |