CN107728074B - 一种考虑传感器与模型误差的锂电池荷电状态估计方法 - Google Patents
一种考虑传感器与模型误差的锂电池荷电状态估计方法 Download PDFInfo
- Publication number
- CN107728074B CN107728074B CN201710992480.8A CN201710992480A CN107728074B CN 107728074 B CN107728074 B CN 107728074B CN 201710992480 A CN201710992480 A CN 201710992480A CN 107728074 B CN107728074 B CN 107728074B
- Authority
- CN
- China
- Prior art keywords
- soc
- socah
- lithium battery
- time
- ekf
- 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
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)
Abstract
本发明涉及一种考虑传感器与模型误差的锂电池荷电状态估计方法,通过融合Ah积分法与EKF法对锂电池的SOC进行估计,该方法包括以下步骤:1)分别采用Ah积分法与EKF法实时获取锂电池当前时刻的SOC值及SOC增量;2)根据两种方法获取的SOC增量,判断出可信度更高的SOC增量;3)根据可信度更高的SOC增量通过融合算法计算锂电池当前时刻的SOC值。与现有技术相比,本发明具有精度高、鲁棒性好、方法简单、适用于电动汽车等优点。
Description
技术领域
本发明涉及锂电池荷电状态估计领域,尤其是涉及一种考虑传感器与模型误差的锂电池荷电状态估计方法。
背景技术
电池状态的精确估计可以提高电池的工作性能与延长电池寿命,是电动汽车电池管理系统的关键技术之一。但是,SOC不能通过直接测量,只能通过其他可测量(如电流、电压、温度等)来进行估计。目前常见的SOC估计方法有Ah积分法、开路电压法、神经网络法、支持向量机法、EKF法等。从国内外文献资料上来看,Ah积分法及EKF法是应用较多的SOC估计方法,这两种方法各有优缺点:Ah积分法计算过程简单,不考虑复杂的电化学反应,也不涉及具体的模型及参数,因此不会出现由于模型误差导致的SOC误差,非常适合在实际电池管理系统中应用。但Ah积分法实际上是一种开环预测方法,在实际应用中易受初始SOC误差,容量误差,电流测量误差等参数的影响。EKF法具有着动态特性良好、对初始值不敏感、计算量适中的优点,但其精度受电池模型、传感器测量误差等因素的影响。在实际的电动车运行过程中,实际的情况是这样的:传感器(电压传感器、电流传感器)存在误差,电池模型存在误差,电池容量存在误差。因此采用传统的Ah积分法或EKF法都会存在较大的SOC误差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑传感器与模型误差的锂电池荷电状态估计方法。
本发明的目的可以通过以下技术方案来实现:
一种考虑传感器与模型误差的锂电池荷电状态估计方法,通过融合Ah积分法与EKF法对锂电池的SOC进行估计,该方法包括以下步骤:
1)分别采用Ah积分法与EKF法实时获取锂电池当前时刻的SOC值及SOC增量;
2)根据两种方法获取的SOC增量,判断出可信度更高的SOC增量;
3)根据可信度更高的SOC增量通过融合算法计算锂电池当前时刻的SOC值。
所述的步骤1)中,Ah积分法采用电流积分法,Ah积分法的SOC值计算式为:
其中,SOCAh(t)为在t时刻采用Ah积分法得到的SOC值,SOC(t0)为初始时刻t0的SOC值,CN为电池的容量,i(τ)为在τ时刻的电流,ηc为库伦效率
Ah积分法的SOC增量ΔSOCAh(t)的计算式为:
ΔSOCAh(t)=SOCAh(t)-SOCAh(t-1)
其中,SOCAh(t-1)为t-1时刻采用Ah积分法得到的SOC值。
所述的步骤1)中,EKF法采用等效电路模型获取当前时刻的SOC值SOCEKF(t),EKF法的SOC增量ΔSOCEKF(t)计算式为:
ΔSOCEKF(t)=SOCEKF(t)-SOCEKF(t-1)
其中,SOCEKF(t-1)为t-1时刻采用EKF法得到的SOC值。
所述的步骤2)具体包括以下步骤:
21)确定判断系数λlow和λup的值;0-1,1-2
22)当λlow|ΔSOCAh(t)|<|ΔSOCEKF(t)|<λup|ΔSOCAh(t)|时,则判定ΔSOCEKF(t)比ΔSOCAh(t)更可信,当|ΔSOCEKF(t)|≤λlow|ΔSOCAh(t)|时,则判定λlowΔSOCAh(t)比ΔSOCEKF(t)更可信,当|ΔSOCEKF(t)|≥λup|ΔSOCAh(t)|时,则判定λupΔSOCAh(t)比ΔSOCEKF(t)更可信。
所述的步骤3)中,通过融合算法计算锂电池当前时刻的SOC值SOCcom(t)的计算式为:
所述的步骤1)中,通过电池充满条件下的满电校正法或电池长时间静置条件下OCV法对初始时刻t0的SOC值SOC(t0)进行校正。
所述的λlow的取值范围为0-1,λup的取值范围为1-2。
与现有技术相比,本发明具有以下优点:
本发明有效融合了Ah积分法和EKF法在SOC估计上各自的优点,即:当SOC初值较准且电流精度较高时,Ah积分法不受模型及其参数影响,短时间内SOC累积误差不大;EKF法能有效抑制电池管理系统中电压传感器与电流传感器测量误差、电池模型的模型误差、电池容量误差等对SOC估计的影响,长时间内SOC估计结果更准确更稳定,本发明的融合算法提高了SOC估计的精度与鲁棒性,算法简单且易实现,非常适合在电动汽车中实际应用。
附图说明
图1为本发明的方法流程图。
图2为电池等效电路模型。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,本发明通过融合Ah积分法和EKF法的优点,设计出SOC估计融合算法。具体的实施过程如下:
分别采用Ah积分法和EKF法估计出SOC值。
(1)Ah积分法计算SOC的公式如下:
式中,SOCAH(t)为在t时刻采用Ah积分法得到的SOC值,SOC(t0)为初始时刻t0的SOC值,CN为电池的容量,i(τ)为在τ时刻的电流,ηc为库伦效率。
(2)EKF法估计SOC的过程如下:
假设k时刻需要估计的状态向量为xk,系统输出为yk,系统输入为uk,状态方程可表示为:
xk+1=f(xk,uk)+wk
yk=g(xk,uk)+vk
式中,wk为是随机的过程噪声,vk为测量误差。
对于电池的SOC估计问题,SOC是待估计的状态量。采用的等效电路模型如图2所示。该模型由如下几部分组成:(1)理想电压源,表示开路电压OCV(随SOC的不同而变化);(2)欧姆内阻R0,极化内阻R1和R2;(3)极化电容C1、C2,反映电池的瞬态响应。其中,两个RC并联环节分别反映电池的浓差极化和电化学极化特性。记U1、U2分别为R1C1和R2C2两端的电压,I为通过R0的电流,Ut为端电压,时间常数τ1=R1C1,τ2=R2C2。由基本电路原理,二阶RC模型的外特性描述方程可以写成:
U1=IR1·[1-exp(-t/τ1)]
U2=IR2·[1-exp(-t/τ2)]
Ut=OCV(SOC)-I·Ro-U1-U2
设端电压Ui为系统的输出,电流I为系统的输入。根据电流积分原理,可以列出SOC的状态方程为:
式中,Qn为电池容量,η为库伦效率,w1,k为随机扰动。
根据以上的分析,EKF算法的状态向量xk、系统输出yk、系统输入uk的可分别表示为:
xk=(SOCk,U1,U2)
yk=OCV(Zk)-U1-U2-R0Ik+vk
在建立了状态方程与输出方程后,采用卡尔曼滤波算法,就可以实现电池的SOC估计。
卡尔曼滤波算法的核心算法主要由5个递归方程构成:两个时间更新方程(状态时间更新方程、误差协方差时间更新方程)、两个测量更新方程(状态测量更新方程、误差协方差测量更新方程)、一个卡尔曼增益计算方程。状态方程的系数矩阵可分别表示为:
Lk为卡尔曼增益,∑w和∑v分别为输入输出测量噪声的协方差矩阵,为状态估计误差的协方差矩阵,它表明状态估计的不确定性,可以被用来估计误差边界。在离散卡尔曼滤波算法中,每个采样间隔中都对状态及其协方差矩阵进行了两次更新。第一次更新是基于状态方程的初次估计,用和来表示。第二次是测量更新,更新后的状态用和来表示。
(一)实施计算Ah积分法和EKF法估计出SOC值的增量;
ΔSOCAh(t)=SOCAh(t)-SOCAh(t-1)
ΔSOCEKF(t)=SOCEKF(t)-SOCEKF(t-1)
(二)式中,ΔSOCAh(t)与ΔSOCEKF(t)为t时刻SOCAH(t)与SOCEKF(t)的增量;
(三)融合Ah积分法和EKF法的估计结果。
(四)具体的融合算法如下:
式中:SOCcom(t)为t时刻融合SOC值;λlow、λup为系数;ΔSOCAh(t)、ΔSOCEKF(t)分别是采用Ah积分法和EKF法得到的SOC值在t时刻的增量。
本发明的实施中EKF算法是基于2阶RC电路等效模型的,实际中具体使用不受限于采用2阶RC电路等效模型,适用于n(n>=1)阶RC等效电路模型。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (3)
1.一种考虑传感器与模型误差的锂电池荷电状态估计方法,通过融合Ah积分法与EKF法对锂电池的SOC进行估计,其特征在于,该方法包括以下步骤:
1)分别采用Ah积分法与EKF法实时获取锂电池当前时刻的SOC值及SOC增量,所述的Ah积分法采用电流积分法,Ah积分法的SOC值计算式为:
其中,SOCAh(t)为在t时刻采用Ah积分法得到的SOC值,SOC(t0)为初始时刻t0的SOC值,CN为电池的容量,i(τ)为在τ时刻的电流,ηc为库伦效率;
Ah积分法的SOC增量ΔSOCAh(t)的计算式为:
ΔSOCAh(t)=SOCAh(t)-SOCAh(t-1)
其中,SOCAh(t-1)为t-1时刻采用Ah积分法得到的SOC值;
所述的EKF法采用等效电路模型获取当前时刻的SOC值SOCEKF(t),EKF法的SOC增量ΔSOCEKF(t)计算式为:
ΔSOCEKF(t)=SOCEKF(t)-SOCEKF(t-1)
其中,SOCEKF(t-1)为t-1时刻采用EKF法得到的SOC值;
2)根据两种方法获取的SOC增量,判断出可信度更高的SOC增量,具体包括以下步骤:
21)确定判断系数λlow和λup的值;
22)当λlow|ΔSOCAh(t)|<|ΔSOCEKF(t)|<λup|ΔSOCAh(t)|时,则判定ΔSOCEKF(t)比ΔSOCAh(t)更可信,当|ΔSOCEKF(t)|≤λlow|ΔSOCAh(t)|时,则判定λlowΔSOCAh(t)比ΔSOCEKF(t)更可信,当|ΔSOCEKF(t)|≥λup|ΔSOCAh(t)|时,则判定λupΔSOCAh(t)比ΔSOCEKF(t)更可信;
3)根据可信度更高的SOC增量通过融合算法计算锂电池当前时刻的SOC值,锂电池当前时刻的SOC值SOCcom(t)的计算式为:
2.根据权利要求1所述的一种考虑传感器与模型误差的锂电池荷电状态估计方法,其特征在于,所述的步骤1)中,通过电池充满条件下的满电校正法或电池长时间静置条件下OCV法对初始时刻t0的SOC值SOC(t0)进行校正。
3.根据权利要求1所述的一种考虑传感器与模型误差的锂电池荷电状态估计方法,其特征在于,所述的λlow的取值范围为0-1,λup的取值范围为1-2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710992480.8A CN107728074B (zh) | 2017-10-23 | 2017-10-23 | 一种考虑传感器与模型误差的锂电池荷电状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710992480.8A CN107728074B (zh) | 2017-10-23 | 2017-10-23 | 一种考虑传感器与模型误差的锂电池荷电状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107728074A CN107728074A (zh) | 2018-02-23 |
CN107728074B true CN107728074B (zh) | 2019-12-06 |
Family
ID=61213258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710992480.8A Active CN107728074B (zh) | 2017-10-23 | 2017-10-23 | 一种考虑传感器与模型误差的锂电池荷电状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107728074B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109581242A (zh) * | 2018-12-28 | 2019-04-05 | 蜂巢能源科技有限公司 | 荷电状态soc的误差估算方法及系统 |
CN110728037B (zh) * | 2019-09-26 | 2023-07-21 | 上海理工大学 | 电池容量闭环融合预测方法 |
CN111537895B (zh) * | 2020-07-13 | 2020-10-30 | 延锋伟世通电子科技(南京)有限公司 | 一种多参数联合估算soc的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8645088B2 (en) * | 2011-05-13 | 2014-02-04 | GM Global Technology Operations LLC | Systems and methods for determining the state of charge of a battery utilizing confidence values |
CN103675683A (zh) * | 2012-09-02 | 2014-03-26 | 东莞市振华新能源科技有限公司 | 一种锂电池荷电状态(soc)估算方法 |
CN104076284B (zh) * | 2013-03-25 | 2016-12-28 | 比亚迪股份有限公司 | 电池荷电状态soc的跟踪方法和装置 |
CN106483463A (zh) * | 2015-08-31 | 2017-03-08 | 上汽通用汽车有限公司 | 电池充电状态预估方法和装置 |
-
2017
- 2017-10-23 CN CN201710992480.8A patent/CN107728074B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107728074A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109946623B (zh) | 一种锂电池的soc在线估测方法 | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
US6534954B1 (en) | Method and apparatus for a battery state of charge estimator | |
US11307261B2 (en) | Rechargeable battery state estimation device | |
CN110196393B (zh) | 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法 | |
He et al. | Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles | |
CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
US11320491B2 (en) | Battery cell state of charge estimation method and a battery state monitoring system | |
CN106716158A (zh) | 电池荷电状态估算方法和装置 | |
CN111060820A (zh) | 一种基于二阶rc模型的锂电池soc、sop估计方法 | |
WO2017119393A1 (ja) | 状態推定装置、状態推定方法 | |
Li et al. | A wavelet transform‐adaptive unscented Kalman filter approach for state of charge estimation of LiFePo4 battery | |
WO2016134496A1 (zh) | 锂离子电池荷电状态估算方法和装置 | |
CN105301509A (zh) | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 | |
CN107728074B (zh) | 一种考虑传感器与模型误差的锂电池荷电状态估计方法 | |
JP2016529478A (ja) | バッテリに蓄積された電荷のモニタリング | |
Li et al. | A novel parameter and state-of-charge determining method of lithium-ion battery for electric vehicles | |
WO2006057468A1 (en) | Method and system for battery state and parameter estimation | |
JP2010500539A (ja) | 容量に依存したパラメータに基づくバッテリ容量検出方法 | |
CN111190109B (zh) | 一种无电流传感器的锂电池荷电状态估计方法 | |
CN107783057B (zh) | 一种动力电池soc估算方法及估算系统 | |
CN116113837A (zh) | 用于估计电池的荷电状态的方法 | |
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 | |
CN112269133A (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN112415412A (zh) | 估算电池soc值的方法和装置及车辆、存储介质 |
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 |