CN107422269B - 一种锂电池在线soc测量方法 - Google Patents

一种锂电池在线soc测量方法 Download PDF

Info

Publication number
CN107422269B
CN107422269B CN201710455480.4A CN201710455480A CN107422269B CN 107422269 B CN107422269 B CN 107422269B CN 201710455480 A CN201710455480 A CN 201710455480A CN 107422269 B CN107422269 B CN 107422269B
Authority
CN
China
Prior art keywords
soc
ocv
model
gaussian
gaussian process
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
CN201710455480.4A
Other languages
English (en)
Other versions
CN107422269A (zh
Inventor
熊飞
杨博
于文彬
许齐敏
陈彩莲
关新平
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201710455480.4A priority Critical patent/CN107422269B/zh
Publication of CN107422269A publication Critical patent/CN107422269A/zh
Application granted granted Critical
Publication of CN107422269B publication Critical patent/CN107422269B/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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提供一种基于混合高斯过程和动态OCV修正的锂电池SOC在线测量方法。本发明中混合高斯过程回归(GMR)综合了混合高斯模型和高斯过程回归模型，能有效的表示动态非线性的时间序列，动态OCV修正的方法能根据外部因素，校准OCV‑SOC曲线，得到精确的OCV，从而对SOC进行修正，消除累积误差，以实现在汽车复杂的工况下，以合适的算法难度，实时更新电池模型，准确跟踪电池特性，对累积估计误差进行修正，保证长时间的精度。

Description

一种锂电池在线SOC测量方法
技术领域
本发明涉及一种锂电池SOC在线测量的方法，尤其涉及一种基于混合高斯过程和动态OCV修正的锂电池SOC在线测量方法。
背景技术
近年来，人们逐渐意识到环保的重要性，新能源汽车越来越受到消费者的欢迎。锂电池因为具有高能量密度和长的使用寿命，在新能源汽车上大量使用，为了防止锂电池组过充和过放，并且进行电池均衡，提高电池使用效率和估计精确的剩余里程，电池荷载电量State of Charge，以下简称SOC，成为电池管理系统中最受关注的一个参数。SOC不能直接测量，只能通过相应的算法进行估计。
由于多变的工况，电池的动态非线性和测量误差的影响，精确的SOC估计需要综合考虑各种外部因素，并且结合数据驱动模型和电池机理模型。很多先前工作指出基于数据驱动的模型如支持向量机(SVM)，神经网络(ANN)以及混合高斯过程回归可以用于SOC估计。但是由于汽车多变的工况以及锂电池的动态非线性，离线的数据驱动模型不能准确的表示电池的特性，随着时间的推移，模型会失效，没有考虑到数据驱动模型的在线动态更新过程。除了模型的动态变化外，由于运行在新能源汽车上，考虑实际应用，嵌入式系统的计算能力和存储能力有限，计算复杂度称为基于数据驱动模型进行SOC估计的另一个挑战。除此之外，也有很多先前工作基于卡尔曼滤波和OCV-SOC曲线来进行SOC估计，但是一方面完全平衡状态下的开路电压在汽车行驶中很难获得，随着充放电状态的加剧，估计出来的开路电压会出现虚高或者虚低的现象，另一方面由于锂电池存在滞回效应，充电和放电的OCV-SOC曲线存在明显差异。
很多现有技术采用静止的电池模型，或者运行的算法太过复杂，实时性无法保证，或者在线数据模型存在累积误差，也有些没有考虑到汽车复杂的工况，使得电池SOC数值不精确。
发明内容
为了克服现有技术的不足，本发明提供一种基于混合高斯过程和动态OCV修正的锂电池SOC在线测量方法，在数据驱动模型中，采用自适应混合高斯过程回归模型，跟踪电池在复杂工况下的动态非线性；在电池机理模型中，通过电池等效电路模型和卡尔曼滤波对OCV进行实时估计，并由OCV-SOC关系对数据驱动模型给出的结果进行适当的加权修正。
本发明实施例提供一种基于混合高斯过程和动态OCV修正的锂电池SOC在线测量方法，包括如下步骤：
步骤1，通过少量初始化样本，样本特征包括温度，电流，电压，输出功率等，输出为SOC，建立动力电池的混合高斯过程回归模型，包括混合高斯模型和相应高斯成分的高斯过程回归模型，确定各混合高斯过程回归模型中的移动窗口样本；
步骤2，根据步骤1中确定的混合高斯过程回归模型计算估计的SOC值和方差；
步骤3，建立动力锂电池等效电路模型，利用卡尔曼滤波计算估计的OCV值和方差；
步骤4，针对实际工况，取相应区间指数加权平均历史电流，SOC和瞬时电流作为输入，OCV-SOC曲线偏移量作为输出，建立最小二乘支持量机模型；
步骤5，通过步骤3得到的OCV值，结合OCV-SOC曲线和步骤4中的补偿值，得到机理模型的SOC估计值；
步骤6，结合步骤2和步骤3的方差结果，确定加权融合系数，并且对步骤2和步骤5得到的SOC估计值进行加权，得到最终的SOC估计值；
步骤7，以最终SOC估计值，温度，电流，电压，输出功率等作为新样本，加入到步骤1中混合高斯过程回归模型的相应移动窗口中，并且对模型进行更新。
进一步地，上述方法中步骤1中的混合高斯模型为：
Figure BDA0001323525340000022
Y＝Y1UY2…UYM，Z＝Z1UZ2…UZM
其中样本Y和样本标签Z依据后验概率p(k|yi)被聚类为M个高斯成分；πk为第k个高斯成分的权重，μk和Σk分别为相应高斯成分的均值和方差；参数{πk,μk,Σk}由期望最大化算法(EM)获得。
进一步地，所述上述步骤1中的高斯过程回归模型为：
Figure BDA0001323525340000023
Figure BDA0001323525340000024
Figure BDA0001323525340000025
Figure BDA0001323525340000026
其中
Figure BDA0001323525340000031
为第k个高斯过程给出的估计概率密度函数，
Figure BDA0001323525340000032
为估计均值，
Figure BDA0001323525340000033
为估计方差。p(z*|Y,Z,y*)为最终估中
Figure BDA0001323525340000034
为第k个高斯过程给出的估计概率密度函数，
Figure BDA0001323525340000035
为估计均值，
Figure BDA0001323525340000036
为估计方差。p(z*|Y，Z，y*)为最终估计概率密度函数。
进一步地，所述步骤1中的高斯过程回归模型为：
Figure BDA0001323525340000039
Figure BDA00013235253400000310
其中
Figure BDA00013235253400000311
为第k个高斯过程给出的估计概率密度函数，
Figure BDA00013235253400000312
为估计均值，为估计方差。p(z*|Y,Z,y*)为最终估计概率密度函数。
进一步地，所述步骤3所述的动力锂电池等效电路模型包括状态方程：
Figure BDA00013235253400000314
观测方程：
Vt(k+1)＝OCV(k+1)+V(k+1)+I(k+1)R0。
此模型为线性模型，可以直接应用卡尔曼滤波，减少了计算量。
其中OCV表示开路电压，Vt表示端电压，V表示极化电压；I表示输出电流；R0表示欧姆电阻；R、C表示极化现象，R为极化电阻，C为极化电容；Coc表示电池等效电容，反应电池存储和放出电能的能力。
进一步地，所述步骤4确定的基于指数加权的平均历史电流和SOC的OCV-SOC曲线偏移补偿方法：
SOC*(k+1)＝SOC0(OCV(k+1))+h(SOC(k),I(k+1),Ih(k))
其中卡尔曼滤波计算的开路电压OCV(k+1)经过静置状态下的OCV-SOC曲线得到SOC0，h(SOC(k),I(k+1),Ih(k))为最小二乘支持向量机给出的偏移补偿，输入为上一时刻SOC，当前时刻的瞬时电流和区间N内的平均历史电流，输出为由OCV-SOC曲线偏移造成的SOC补偿值。ωi表示指数加权系数。
进一步地，所述步骤6通过估计方差的比较，确定加权融合系数，并对上述数据驱动模型估计结果和机理模型估计结果进行加权融合：
Figure BDA0001323525340000041
SOC(k+1)＝βSOC1(k+1)+(1-β)SOC*(k+1)。
其中δ1和δ2分别表示混合高斯回归模型和电池等效电路模型估计的标准差。SOC1(k+1)表示混合高斯回归模型的估计结果，SOC*(k+1)表示电池等效电路模型的估计结果，β为加权系数。
进一步地，所述步骤7中的混合高斯过程回归模型的更新为：
Figure BDA0001323525340000042
Figure BDA0001323525340000043
Figure BDA0001323525340000044
当一个新的样本加入时，混合高斯模型依据上式进行更新，减少了计算量。其中α为1/N0，N0表示用于更新参数的样本总数。
进一步地，所述步骤7中的混合高斯过程回归模型窗口的更新为：
Figure BDA0001323525340000045
Figure BDA0001323525340000047
其中
Figure BDA0001323525340000048
表示t时刻，第k个移动窗口。当一个新的样本加入移动窗口时，相应高斯过程回归模型的协方差矩阵依据上式进行更新，减少计算量。其中
Figure BDA0001323525340000049
[K]-1，-1表示矩阵K去除第一行和第一列的结果。
本发明的有益效果在于：混合高斯过程回归(GMR)综合了混合高斯模型和高斯过程回归模型，能有效的表示动态非线性的时间序列，动态OCV修正的方法能根据外部因素，校准OCV-SOC曲线，得到精确的OCV，从而对SOC进行修正，消除累积误差，以实现在汽车复杂的工况下，以合适的算法难度，实时更新电池模型，准确跟踪电池特性，对累积估计误差进行修正，保证长时间的精度。
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一简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法总体流程图；
图2为本发明实施例的混合高斯过程和动态OCV修正融合算法流程图；
图3为本发明实施例的多移动窗口混合高斯过程回归流程图；
图4为本发明实施例的电池等效电路模型。
具体实施方式
下面结合附图对本发明作进一步描述。本发明适用与各种动力电池的SOC估计，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
图1为本发明实施例的方法总体流程图，本实施例的方法可以包括：
步骤1，通过少量初始化样本，样本特征包括温度，电流，电压，输出功率等，输出为SOC，建立动力电池的混合高斯过程回归模型，包括混合高斯模型和相应高斯成分的高斯过程回归模型，确定各混合高斯过程回归模型中的移动窗口样本；
步骤2，根据步骤1中确定的混合高斯过程回归模型计算估计的SOC值和方差；
步骤3，建立动力锂电池等效电路模型，利用卡尔曼滤波计算估计的OCV值和方差；
步骤4，针对实际工况，取相应区间指数加权平均历史电流，SOC和瞬时电流作为输入，OCV-SOC曲线偏移量作为输出，建立最小二乘支持量机模型；
步骤5，通过步骤3得到的OCV值，结合OCV-SOC曲线和步骤4中的补偿值，得到机理模型的SOC估计值；
步骤6，结合步骤2和步骤3的方差结果，确定加权融合系数，并且对步骤2和步骤5得到的SOC估计值进行加权，得到最终的SOC估计值；
步骤7，以最终SOC估计值，温度，电流，电压，输出功率等作为新样本，加入到步骤1中混合高斯过程回归模型的相应移动窗口中，并且对模型进行更新。
进一步地，上述方法中步骤1中的混合高斯模型为：
Figure BDA0001323525340000051
Figure BDA0001323525340000061
Y＝Y1UY2…UYM，Z＝Z1UZ2…UZM
其中样本Y和样本标签Z依据后验概率p(k|yi)被聚类为M个高斯成分；πk为第k个高斯成分的权重，μk和Σk分别为相应高斯成分的均值和方差；参数{πk,μk,Σk}由期望最大化算法(EM)获得。
进一步地，所述上述步骤1中的高斯过程回归模型为：
Figure BDA0001323525340000062
Figure BDA0001323525340000063
Figure BDA0001323525340000064
Figure BDA0001323525340000065
其中
Figure BDA0001323525340000066
为第k个高斯过程给出的估计概率密度函数，
Figure BDA0001323525340000067
为估计均值，
Figure BDA0001323525340000068
为估计方差。p(z*|Y,Z,y*)为最终估中
Figure BDA0001323525340000069
为第k个高斯过程给出的估计概率密度函数，
Figure BDA00013235253400000610
为估计均值，
Figure BDA00013235253400000611
为估计方差。p(z*|Y，Z，y*)为最终估计概率密度函数。
进一步地，所述步骤1中的高斯过程回归模型为：
Figure BDA00013235253400000612
Figure BDA00013235253400000613
其中
Figure BDA00013235253400000616
为第k个高斯过程给出的估计概率密度函数，
Figure BDA00013235253400000617
为估计均值，为估计方差。p(z*|Y,Z,y*)为最终估计概率密度函数。
进一步地，所述步骤3所述的动力锂电池等效电路模型包括状态方程：
Figure BDA00013235253400000619
观测方程：
Vt(k+1)＝OCV(k+1)+V(k+1)+I(k+1)R0。
此模型为线性模型，可以直接应用卡尔曼滤波，减少了计算量。
其中OCV表示开路电压，Vt表示端电压，V表示极化电压；I表示输出电流；R0表示欧姆电阻；R、C表示极化现象，R为极化电阻，C为极化电容；Coc表示电池等效电容，反应电池存储和放出电能的能力。
进一步地，所述步骤4确定的基于指数加权的平均历史电流和SOC的OCV-SOC曲线偏移补偿方法：
SOC*(k+1)＝SOC0(OCV(k+1))+h(SOC(k),I(k+1),Ih(k))
Figure BDA0001323525340000071
Figure BDA0001323525340000072
其中卡尔曼滤波计算的开路电压OCV(k+1)经过静置状态下的OCV-SOC曲线得到SOC0，h(SOC(k),I(k+1),Ih(k))为最小二乘支持向量机给出的偏移补偿，输入为上一时刻SOC，当前时刻的瞬时电流和区间N内的平均历史电流，输出为由OCV-SOC曲线偏移造成的SOC补偿值。ωi表示指数加权系数。
进一步地，所述步骤6通过估计方差的比较，确定加权融合系数，并对上述数据驱动模型估计结果和机理模型估计结果进行加权融合：
Figure BDA0001323525340000073
SOC(k+1)＝βSOC1(k+1)+(1-β)SOC*(k+1)。
其中δ1和δ2分别表示混合高斯回归模型和电池等效电路模型估计的标准差。SOC1(k+1)表示混合高斯回归模型的估计结果，SOC*(k+1)表示电池等效电路模型的估计结果，β为加权系数。
进一步地，所述步骤7中的混合高斯过程回归模型的更新为：
Figure BDA0001323525340000074
Figure BDA0001323525340000075
Figure BDA0001323525340000076
当一个新的样本加入时，混合高斯模型依据上式进行更新，减少了计算量。其中α为1/N0，N0表示用于更新参数的样本总数。
进一步地，所述步骤7中的混合高斯过程回归模型窗口的更新为：
Figure BDA0001323525340000081
Figure BDA0001323525340000082
Figure BDA0001323525340000083
其中
Figure BDA0001323525340000084
表示t时刻，第k个移动窗口。当一个新的样本加入移动窗口时，相应高斯过程回归模型的协方差矩阵依据上式进行更新，减少计算量。其中
Figure BDA0001323525340000085
[K]-1,-1表示矩阵K去除第一行和第一列的结果。
如图2所示为本发明实施例的混合高斯过程和动态OCV修正融合算法流程图，本实施例以UDDS路况下磷酸铁锂电池为研究对象，算法流程如下：
第一步:如图3所示为本发明实施例的多移动窗口混合高斯过程回归流程图，将收集到的少量电池数据作为初始化样本，经过EM算法训练，将初始化样本聚类为多个高斯成分，并确定每个高斯成分的移动窗口。对每个移动窗口内的样本，采用共轭梯度法，训练得到对应高斯过程回归模型。
第二步:通过实验测试，一方面获取电池静态下的OCV-SOC曲线；另一方面，获取不同路况下OCV-SOC曲线的偏移数据，以历史加权平均电流，瞬时电流，SOC作为输入，由曲线偏移造成的SOC补偿值作为输出，训练得到LSSVM模型。
第三步:当新的样本数据到来时，根据图4本发明实施例的电池等效电路模型所示，经过递归最小二乘(RLS)获得电池模型参数，建立状态方程和观测方程，应用卡尔曼滤波，计算得到该时刻的开路电压OCV以及估计方差δ2，并经过第二步的OCV-SOC曲线和LSSVM模型，获得补偿后的SOC估计值SOC*。
第四步:如图3所示为本发明实施例的多移动窗口混合高斯过程回归流程图，将新的样本数据输入到第一步得到的多移动窗口混合高斯过程回归模型中，计算得到SOC估计值SOC1和估计标准差δ1。
第五步:根据第三步和第四步得到的δ2和δ1，计算融合权重系数β，并且由SOC*和SOC1加权得到最终的SOC值。
第六步:将第五步得到的SOC值作为新样本标签，和该时刻的测量值一起作为样本输入到混合高斯回归模型中，并且更新模型参数。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种基于混合高斯过程和动态OCV修正的锂电池SOC在线测量方法，其特征在于，包括如下步骤：
步骤1，通过少量初始化样本，样本特征包括温度，电流，电压，输出功率，输出为SOC，建立动力电池的混合高斯过程回归模型，包括混合高斯模型和相应高斯成分的高斯过程回归模型，确定各混合高斯过程回归模型中的移动窗口样本；
步骤2，根据步骤1中确定的混合高斯过程回归模型计算估计的SOC值和方差；
步骤3，建立动力锂电池等效电路模型，利用卡尔曼滤波计算估计的OCV值和方差；
步骤4，针对实际工况，取相应区间指数加权平均历史电流，SOC和瞬时电流作为输入，OCV-SOC曲线偏移量作为输出，建立最小二乘支持量机模型；
步骤5，通过步骤3得到的OCV值，结合OCV-SOC曲线和步骤4中的补偿值，得到机理模型的SOC估计值；
步骤6，结合步骤2和步骤3的方差结果，确定加权融合系数，并且对步骤2和步骤5得到的SOC估计值进行加权，得到最终的SOC估计值；
步骤7，以最终SOC估计值，温度，电流，电压，输出功率作为新样本，加入到步骤1中混合高斯过程回归模型的相应移动窗口中，并且对模型进行更新。
2.根据权利要求1所述的一种基于混合高斯过程和动态OCV修正的锂电池SOC在线测量方法，其特征在于，所述步骤1中的混合高斯模型为：
Figure FDA0002251341560000011
Figure FDA0002251341560000012
Y＝Y1∪Y2···∪YM，Z＝Z1∪Z2···∪ZM
其中样本Y和样本标签Z依据后验概率p(k|yi)被聚类为M个高斯成分；πk为第k个高斯成分的权重，μk和Σk分别为相应高斯成分的均值和方差；参数{πk,μk,Σk}由期望最大化算法(EM)获得。
3.根据权利要求1所述的一种基于混合高斯过程和动态OCV修正的锂电池SOC在线测量方法，其特征在于，所述步骤1中的高斯过程回归模型为：
Figure FDA0002251341560000021
Figure FDA0002251341560000022
Figure FDA0002251341560000023
Figure FDA0002251341560000024
其中
Figure FDA0002251341560000025
为第k个高斯过程给出的估计概率密度函数，
Figure FDA0002251341560000026
为估计均值，
Figure FDA0002251341560000027
为估计方差；p(z*|Y,Z,y*)为最终估计概率密度函数。
4.根据权利要求1所述的一种基于混合高斯过程和动态OCV修正的锂电池SOC在线测量方法，其特征在于，步骤3所述的动力锂电池等效电路模型包括状态方程：
Figure FDA0002251341560000028
及观察方程：
Vt(k+1)＝OCV(k+1)+V(k+1)+I(k+1)R0
其中OCV表示开路电压，Vt表示端电压，V表示极化电压；I表示输出电流；R0表示欧姆电阻；R、C表示极化现象，R为极化电阻，C为极化电容；Coc表示电池等效电容，反应电池存储和放出电能的能力。
5.根据权利要求1所述的一种基于混合高斯过程和动态OCV修正的锂电池SOC在线测量方法，其特征在于，步骤4确定的基于指数加权的平均历史电流和SOC的OCV-SOC曲线偏移补偿方法：
SOC*(k+1)＝SOC0(OCV(k+1))+h(SOC(k),I(k+1),Ih(k))，
Figure FDA0002251341560000029
Figure FDA00022513415600000210
其中卡尔曼滤波计算的开路电压OCV(k+1)经过静置状态下的OCV-SOC曲线得到SOC0，h(SOC(k),I(k+1),Ih(k))为最小二乘支持向量机给出的偏移补偿，输入为上一时刻SOC，当前时刻的瞬时电流和区间N内的平均历史电流，输出为由OCV-SOC曲线偏移造成的SOC补偿值，ωi表示指数加权系数。
6.根据权利要求1所述的一种基于混合高斯过程和动态OCV修正的锂电池SOC在线测量方法，其特征在于，步骤6通过估计方差的比较，确定加权融合系数，并对数据驱动模型估计结果和机理模型估计结果进行加权融合：
Figure FDA0002251341560000031
SOC(k+1)＝βSOC1(k+1)+(1-β)SOC*(k+1)
其中δ1和δ2分别表示混合高斯回归模型和电池等效电路模型估计的标准差，SOC1(k+1)表示混合高斯回归模型的估计结果，SOC*(k+1)表示电池等效电路模型的估计结果，β为加权系数。
7.根据权利要求1所述的一种基于混合高斯过程和动态OCV修正的锂电池SOC在线测量方法，其特征在于，所述步骤7中的混合高斯过程回归模型的更新为：
Figure FDA0002251341560000032
Figure FDA0002251341560000033
Figure FDA0002251341560000034
当一个新的样本加入时，混合高斯模型依据上式进行更新，减少了计算量，其中α为1/N0，N0表示用于更新参数的样本总数。
8.根据权利要求1所述的一种基于混合高斯过程和动态OCV修正的锂电池SOC在线测量方法，其特征在于，所述步骤7中的混合高斯过程回归模型窗口的更新为：
Figure FDA0002251341560000035
Figure FDA0002251341560000036
Figure FDA0002251341560000037
其中
Figure FDA0002251341560000041
表示t时刻，第k个移动窗口，当一个新的样本加入移动窗口时，相应高斯过程回归模型的协方差矩阵依据上式进行更新，减少计算量，其中[K]-1,-1表示矩阵K去除第一行和第一列的结果。
CN201710455480.4A 2017-06-16 2017-06-16 一种锂电池在线soc测量方法 Active CN107422269B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710455480.4A CN107422269B (zh) 2017-06-16 2017-06-16 一种锂电池在线soc测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710455480.4A CN107422269B (zh) 2017-06-16 2017-06-16 一种锂电池在线soc测量方法

Publications (2)

Publication Number Publication Date
CN107422269A CN107422269A (zh) 2017-12-01
CN107422269B true CN107422269B (zh) 2020-02-07

Family

ID=60428286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710455480.4A Active CN107422269B (zh) 2017-06-16 2017-06-16 一种锂电池在线soc测量方法

Country Status (1)

Country Link
CN (1) CN107422269B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108226788B (zh) * 2017-11-20 2020-09-08 蔚来汽车有限公司 基于充电侧充电状态计算电池soc的方法、装置及系统
CN108037464B (zh) * 2017-12-21 2020-06-16 湖南宏迅亿安新能源科技有限公司 一种基于imm-ekf的电池组soc估算的方法
CN108398642B (zh) * 2018-01-10 2020-06-02 中山大学 一种锂离子动力电池soc在线校准方法
CN108490361B (zh) * 2018-03-22 2020-07-24 深圳库博能源科技有限公司 一种基于云端反馈的荷电状态SoC计算方法
CN108761338B (zh) * 2018-05-22 2020-05-22 金龙联合汽车工业（苏州）有限公司 一种在线更新电池ocv曲线的方法和装置
CN108944516B (zh) * 2018-07-19 2021-02-02 华北电力大学 一种基于区块链和机器学习的电动汽车充电激励机制
CN109298351B (zh) * 2018-09-30 2021-07-27 清华大学深圳研究生院 一种基于模型学习的新能源车载电池剩余寿命估计方法
CN109725265A (zh) * 2018-12-29 2019-05-07 蜂巢能源科技有限公司 估算电池包的soc的方法和装置及机器可读存储介质
CN109633470B (zh) * 2019-01-04 2021-04-16 深圳市计量质量检测研究院 基于ekf-gpr和日常片段数据的电池实时全充时间的估算方法
CN109633477B (zh) * 2019-01-04 2021-04-16 深圳市计量质量检测研究院 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法
CN109655751A (zh) * 2019-02-28 2019-04-19 哈尔滨理工大学 一种使用高斯过程回归估计电池充电状态的方法和系统
CN110703113A (zh) * 2019-10-14 2020-01-17 重庆大学 一种基于高斯过程回归的动力电池组soc估计方法
KR20210046407A (ko) 2019-10-18 2021-04-28 주식회사 엘지화학 충전 상태 추정 장치 및 방법
CN111439128B (zh) * 2020-03-12 2021-10-22 合创汽车科技有限公司 电动车辆剩余里程估计方法、装置和计算机设备
CN111460380B (zh) * 2020-03-30 2022-03-18 上海交通大学 一种基于高斯过程回归的多工况续驶里程预测方法及系统
CN112039171B (zh) * 2020-09-29 2022-07-15 珠海格力电器股份有限公司 电池组均衡方法、装置、设备和存储介质
CN112858916B (zh) * 2021-01-14 2023-10-13 重庆大学 一种基于模型与数据驱动融合的电池包荷电状态估计方法
CN113406500B (zh) * 2021-06-29 2022-06-14 同济大学 一种动力锂电池的剩余电量估计方法
CN114035052B (zh) * 2021-10-28 2023-09-12 国网湖南省电力有限公司 一种基于能量窗的soc区间标定方法、系统及介质
CN115494401B (zh) * 2022-11-14 2023-03-10 湖北工业大学 一种基于信息融合的动力电池云端数据清洗方法
CN116400246B (zh) * 2023-06-07 2023-08-22 广东电网有限责任公司东莞供电局 基于aco-gmr的储能电站电池健康状态估计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103941195A (zh) * 2014-05-05 2014-07-23 山东大学 基于小模型误差准则扩展卡尔曼滤波的电池soc估计方法
CN104181470A (zh) * 2014-09-10 2014-12-03 山东大学 一种基于非线性预测扩展卡尔曼滤波的电池soc估计方法
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
CN106093783A (zh) * 2016-06-03 2016-11-09 哈尔滨工业大学 卡尔曼滤波与数据驱动融合的电池soc估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9244129B2 (en) * 2013-01-29 2016-01-26 Mitsubishi Electronic Research Laboratories, Inc. Method for estimating a state of charge of batteries

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103941195A (zh) * 2014-05-05 2014-07-23 山东大学 基于小模型误差准则扩展卡尔曼滤波的电池soc估计方法
CN104181470A (zh) * 2014-09-10 2014-12-03 山东大学 一种基于非线性预测扩展卡尔曼滤波的电池soc估计方法
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
CN106093783A (zh) * 2016-06-03 2016-11-09 哈尔滨工业大学 卡尔曼滤波与数据驱动融合的电池soc估计方法

Also Published As

Publication number Publication date
CN107422269A (zh) 2017-12-01

Similar Documents

Publication Publication Date Title
CN107422269B (zh) 一种锂电池在线soc测量方法
US10663524B2 (en) Battery state estimating apparatus
Guo et al. A multi-scale parameter adaptive method for state of charge and parameter estimation of lithium-ion batteries using dual Kalman filters
Bi et al. An adaptive sigma-point Kalman filter with state equality constraints for online state-of-charge estimation of a Li (NiMnCo) O2/Carbon battery using a reduced-order electrochemical model
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
Li et al. A comparative study of state of charge estimation algorithms for LiFePO4 batteries used in electric vehicles
CN108008320B (zh) 一种锂离子电池荷电状态与模型参数自适应联合估计方法
CN109633454B (zh) 一种实现锂离子电池等效温度在线估计的方法
CN108445402A (zh) 一种锂离子动力电池荷电状态估计方法及系统
CN109946623A (zh) 一种锂电池的soc在线估测方法
CN109669131B (zh) 一种工况环境下动力电池soc估算方法
CN105425153B (zh) 一种估计电动车辆的动力电池的荷电状态的方法
CN105425154B (zh) 一种估计电动汽车的动力电池组的荷电状态的方法
CN108490365B (zh) 一种估计电动汽车的动力电池的剩余寿命的方法
CN108693472A (zh) 电池等效模型参数在线辨识方法
CN114705990B (zh) 电池簇荷电状态的估计方法及系统、电子设备及存储介质
CN107957555A (zh) 一种估算动力锂电池SoC的新方法
CN112083331A (zh) 一种提升锂离子电池荷电状态估计精度的融合方法
CN112269133B (zh) 一种基于预充电路模型参数识别的soc估计方法
CN115166530A (zh) 一种基于改进型卡尔曼滤波算法的航空用锂电池荷电状态精确估计方法
CN116224073A (zh) 电池soc估计方法、装置、设备、电池模组及存储介质
CN115480166A (zh) 基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法
Sun et al. Aging mechanism analysis and capacity estimation of lithium-ion battery pack based on electric vehicle charging data
CN108318823B (zh) 一种基于噪声跟踪的锂电池荷电状态估算方法
CN117420447A (zh) 考虑噪声偏差补偿的锂电池soc估算方法、系统和电子装置

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