CN107748336A - 锂离子电池的荷电状态在线估计方法及系统 - Google Patents
锂离子电池的荷电状态在线估计方法及系统 Download PDFInfo
- Publication number
- CN107748336A CN107748336A CN201711078824.0A CN201711078824A CN107748336A CN 107748336 A CN107748336 A CN 107748336A CN 201711078824 A CN201711078824 A CN 201711078824A CN 107748336 A CN107748336 A CN 107748336A
- Authority
- CN
- China
- Prior art keywords
- state
- soc
- charge
- terminal voltage
- estimation
- 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
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 102
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000002156 mixing Methods 0.000 claims abstract description 6
- 239000000178 monomer Substances 0.000 claims description 45
- 238000001914 filtration Methods 0.000 claims description 36
- 230000005611 electricity Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 13
- 230000010287 polarization Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 210000001258 synovial membrane Anatomy 0.000 claims description 6
- 240000002853 Nelumbo nucifera Species 0.000 claims description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 3
- 229910052744 lithium Inorganic materials 0.000 claims description 3
- 244000131316 Panax pseudoginseng Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 12
- 239000013598 vector Substances 0.000 description 10
- 230000010354 integration Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009897 systematic effect Effects 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]
- G01R31/367—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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种锂离子电池的荷电状态在线估计方法及系统，其中，方法包括：获取锂离子电池组和/或系统内的电池单体的最高端电压Vmax；获取锂离子电池组和/或系统内的电池单体的最低端电压Vmin；根据单体电池最高端电压Vmax、电流等参数估计得到荷电状态SOC1，并且根据单体电池最低端电压Vmin、电流等参数估计得到荷电状态SOC2；根据荷电状态SOC1和荷电状态SOC2融合得到锂离子电池组和/或系统的当前荷电状态。该方法可以分别同时得到最高端电压Vmax对应的荷电状态SOC1和最低端电压Vmin对应的荷电状态SOC2，再根据融合算法得到当前荷电状态，从而有效提高估计的工作效率，简单易实现。
Description
技术领域
本发明涉及电池管理技术领域，特别涉及一种锂离子电池的荷电状态在线估计方法及系统。
背景技术
锂离子电池模组和/或系统的SOC(State of Charge，荷电状态)，反映电池模组和/或系统的剩余电量，电池模组和/或系统的当前SOC的状态将影响BMS(BatteryManagement System，电池管理系统)对电动汽车的能量管理决策，如纯电动汽车的电池组充电、混合动力汽车的电池组能量分配等。因此电池模组和/或系统的荷电状态估计是BMS最重要的功能之一。
目前，比较常用的单体SOC估计方法包括：扩展卡尔曼滤波法、无迹卡尔曼滤波算法、自适应滤波法、滑膜观测器法、开路电压查表法等。但是，电池模组和/或系统是由众多电池单体电池模组和/或系统是由众多电池单体组成的，由于各个单体之间存在容量差异性、剩余电量差异性，从而单体SOC无法直接等同于模组/系统SOC。
此外，根据单体SOC与模组/系统SOC的关系，可以分别估计各个单体的SOC，然后根据电池成组SOC的定义确定电池模组和/或系统SOC，但是在没有均衡的情况下，放电时成组和/或系统单体容量和SOC的不一致性必然导致电池组和/或系统中某个或某些单体没有剩余电量(设为单体A)，其他单体仍有剩余电量，但此时电池组不能进行放电，否者会导致电池组寿命大大减少，甚至造成安全问题。同时，某个或某些电池单体充满电池时(设为单体B，B不为A)，其他单体仍有可充电的空间，但是，单电池组和/或系统不能继续进行充电。
在相关技术中，规定电池组和/或的容量为CPack＝min(SOC·C)+min((1-SOC)·C)，CPack为电池组容量，SOC为由电池组和/或系统内全体单体SOC构成的向量，C为由电池组和/或系统内全单体容量构成的向量，运算符号min()代表对向量内的元素求最小值，运算符·代表向量间元素的对应相乘，电池组和/或系统的SOC值可以表示为SOCPack就是电池组和/或系统的SOC，然而，这种方法的计算量较大，需要计算出电池组和/或系统内所有单体电池的容量和单体SOC的对应关系找出min(SOC·C)，而且比较成容易形成误差，计算量大。
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，本发明的一个目的在于提出一种锂离子电池组和/或系统的荷电状态在线估计方法，该方法可以有效提高估计的工作效率，即保证了准确性，也节省了计算时间。
本发明的另一个目的在于提出一种锂离子电池组和/或系统的荷电状态在线估计系统。
为达到上述目的，本发明一方面实施例提出了一种锂离子电池的荷电状态在线估计方法，包括以下步骤：获取锂离子电池组和/或系统内的所有单体电池的电压经过比较后提取单体电池的最高端电压Vmax和提取所述锂离子电池组和/或系统的内的电池单体的最低端电压Vmin；根据所述单体电池最高端电压Vmax、电流等参数估计得到荷电状态SOC1，并且根据所述单体电池最低端电压Vmin、电流等参数估计得到荷电状态SOC2；根据所述荷电状态SOC1和荷电状态SOC2融合得到所述锂离子电池组和/或系统的当前荷电状态。
本发明实施例的锂离子电池的荷电状态在线估计方法，可以通过获取锂离子电池组和/或系统的电池单体的最高端电压Vmax和最低端电压Vmin，分别得到对应的荷电状态SOC1和荷电状态SOC2，再根据融合算法将荷电状态SOC1和荷电状态SOC2融合，得到当前荷电状态，从而不需要获取所有单体的荷电状态，不仅有效提高估计的工作效率，而且还可以保证计算的准确性，节省计算时间，简单易实现。
另外，根据本发明上述实施例的锂离子电池组和/或系统的荷电状态在线估计方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，通过融合公式得到所述当前荷电状态，所述融合公式为：
其中，所述SOCpack为所述锂离子电池模组和/或系统的当前荷电状态，所述SOC1为为所述锂离子电池和/或系统的内最高单体电压对应的荷电状态，所述SOC2为所述荷电状态SOC2为所述锂离子电池和/或系统内最低单体电压对应的荷电状态。
进一步地，在本发明的一个实施例中，通过拓展卡尔曼滤波估计SOC算法、无迹卡尔曼滤波估计SOC算法、自适应滤波估计SOC算法、滑膜观测器估计SOC算法、开路电压查表法等其他的SOC算法中的一种或多种单体SOC估计算法得到所述荷电状态SOC1和/或所述荷电状态SOC2。
进一步地，为了直观的描述锂离子电池组和/或系统的应用过程，下面举实例来说明应用过程，单体荷电状态通过用一阶等效电路模型的卡尔曼滤波算法估计得到，在本发明的一个实施例中，所述根据所述锂离子电池组和/或系统最高端电压Vmax、电流等参数估计得到荷电状态SOC1，并且根据所述锂离子电池组和/或系统最低端电压Vmin、电流等参数估计得到荷电状态SOC2，具体包括：对所述锂离子电池组和/或系统内单体电池进行开路电压测试，获取单体电池在不同荷电状态所对应的开路电压；选用一阶RC等效电路模型，并在离线状获取所述一阶RC等效电路模型的参数；在处于在线状态时，根据所述锂离子电池组和/或系统内的电池单体最高端电压Vmax和最低端电压Vmin获取所述一阶RC等效电路模型的端电压，并采用两组卡尔曼滤波算法进行荷电状态在线估计，得到所述荷电状态SOC1和/或所述荷电状态SOC2。
进一步地，在本发明的一个实施例中，所述一阶RC等效电路模型的电压-电流关系式为：
Ut＝OCV-I·R0-IR1[1-exp(-t/τ1)]，
其中，I为通过电池欧姆内阻R0的电流，Ut为端电压，R1为极化内阻，C1为极化电容，t为时间，τ1为时间常数。
为达到上述目的，本发明另一方面实施例提出了一种锂离子电池的荷电状态在线估计系统，包括：采集模块，采集电池模组和/或系统内所有单体电池的端电压、电流等参数并提取锂离子电池组和/或系统的电池单体的最高端电压Vmax，和提取所述锂离子电池组和/或系统的电池单体的最低端电压Vmin；处理模块，所述处理模块分别与所述采集模块相连，以根据所述最高端电压Vmax、电流等参数估计得到荷电状态SOC1，并且根据所述最低端电压Vmin、电流等参数估计得到对应的荷电状态SOC2；估计模块，所述估计模块与所述处理模块相连，以根据所述荷电状态SOC1和所述荷电状态SOC2融合得到所述锂离子电池组和/或系统的当前荷电状态。
本发明实施例的锂离子电池的荷电状态在线估计系统，可以通过采集模块分别获取锂离子电池组和/或系统的电池单体的最高端电压Vmax和最低端电压Vmin，并通过卡尔曼滤波算法分别得到荷电状态SOC1和荷电状态SOC2，再通过融合估计算法将荷电状态SOC1和荷电状态SOC2融合得到当前荷电状态，从而不需要获取所有单体的荷电状态，不仅有效提高估计的工作效率，而且还可以保证计算的准确性，节省计算时间，简单易实现。
另外，根据本发明上述实施例的锂离子电池的荷电状态在线估计系统还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述估计模块通过融合公式得到所述当前荷电状态，所述融合公式为：
其中，所述SOCpack为所述当前荷电状态，所述SOC1为所述锂离子电池和/或系统的内最高单体电压对应的荷电状态，所述SOC2为所述锂离子电池和/或系统内最低单体电压对应的荷电状态。
进一步地，在本发明的一个实施例中，所述处理模块通过拓展卡尔曼滤波估计SOC算法、无迹卡尔曼滤波估计SOC算法、自适应滤波估计SOC算法、滑膜观测器估计SOC算法、开路电压查表法等SOC估计算法中的一种或多种单体SOC估计算法得到所述荷电状态SOC1和/或所述荷电状态SOC2。
进一步地，在本发明的一个实施例中，所述处理模块还需对所述锂离子电池组和/或系统内单体电池进行开路电压测试，获取不同荷电状态对应的开路电压，并且选用一阶RC等效电路模型，并在离线状获取所述一阶RC等效电路模型的参数，从而在处于在线状态时，根据所述最高端电压Vmax和所述最低端电压Vmin获取所述一阶RC等效电路模型的端电压，并采用两组卡尔曼滤波算法进行荷电状态在线估计，得到所述荷电状态SOC1和/或所述荷电状态SOC2。
进一步地，在本发明的一个实施例中，所述一阶RC等效电路模型的电压-电流关系式为：
Ut＝OCV-I·R0-IR1[1-exp(-t/τ1)]，
其中，I为通过电池欧姆内阻R0的电流，Ut为端电压，R1为极化内阻，C1为极化电容，t为时间，τ1为时间常数。
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为根据本发明一个实施例的锂离子电池的荷电状态在线估计方法的流程图；
图2为根据本发明另一个实施例的锂离子电池的荷电状态在线估计方法的流程图；
图3为根据本发明一个实施例的一阶RC的电路模型的示意图；
图4为根据本发明一个实施例的采用卡尔曼滤波算法估计电池模组和/或系统SOC的估计结果的示意图；
图5为根据本发明一个实施例的采用卡尔曼滤波算法估计电池模组和/或系统SOC的估计误差的示意图；
图6为根据本发明一个实施例的锂离子电池的荷电状态在线估计系统的结构示意图。
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。
在介绍锂离子电池的荷电状态在线估计方法及系统之前，先简介绍一下容量(capacity)和荷电状态(SOC)的定义。
本发明实施例提到的“容量”(capacity)是指电池在完全充电状态具有的实际电量，也就是电池能够存储的最大电量。“荷电状态”(SOC)，代表的是电池使用一段时间或长期搁置不用后的电池所具有的电量与电池完全充电状态时具有的电量的比值，取值范围为0～1，当SOC＝0时表示电池放电完全，当SOC＝1时表示电池完全充满。
下面参照附图描述根据本发明实施例提出的锂离子电池的荷电状态在线估计方法及系统，首先将参照附图描述根据本发明实施例提出的锂离子电池的荷电状态在线估计方法。
图1是本发明一个实施例的锂离子电池的荷电状态在线估计方法的流程图。
如图1所示，该锂离子电池的荷电状态在线估计方法包括以下步骤：
在步骤S101中，获取锂离子电池组和/或系统内的所有电池单体的端电压，比较之后得到锂离子电池组和/或系统内电池单体的最高端电压Vmax。
可以理解的是，本发明实施例可以在不同温度下对被测锂离子电池模组内的单体电池进行动态工况测试并获得不同SOC对应的端电压数据，并采集模组和/或系统的最高端电压Vmax。
在步骤S102中，获取锂离子电池组和/或系统内的所有电池单体的端电压，比较之后得到锂离子电池组和/或系统内电池单体的最低端电压Vmin。
可以理解的是，本发明实施例可以在不同温度下对被测锂离子电池组和/或系统的单体电池进行动态工况测试并获得不同SOC对应的端电压数据，并采集模组和/或系统的最低端电压Vmin。
在步骤S103中，根据单体电池最高端电压Vmax、电流等参数估算得到锂离子电池模组和/或系统内单体电池最高端电压Vmax对应的荷电状态SOC1，并且根据单体电池最低端电压Vmin、电流等参数估算得到锂离子电池模组和/或系统内单体电池最低端电压Vmin对应的荷电状态SOC2。
可以理解的是，如图2所示，在步骤S1中，本发明实施例可以采集基于模组和/或系统的最高端电压Vmax，采用单体荷电状态估计算法估计最高端电压Vmax对应的荷电状态SOC1；并采集基于模组和/或系统的最低端电压Vmin，采用单体荷电状态估计算法估计最低端电压Vmin对应的荷电状态SOC2。
可选地，在本发明的一个实施例中，可以通过拓展卡尔曼滤波估计SOC算法、无迹卡尔曼滤波估计SOC算法、自适应滤波估计SOC算法、滑膜观测器估计SOC算法、开路电压查表法等其他SOC估计算法中的一种或多种单体SOC估计算法得到荷电状态SOC1和/或荷电状态SOC2。
举例而言，以卡尔曼滤波算法为例，首先简单介绍卡尔曼滤波算法原理。卡尔曼滤波算法包含一组状态方程和输出方程，其一般形式为：
xk+1＝AKxk+Bkuk+wk， (1)
yk＝Ckxk+Dkuk+vk， (2)
其中xk为k时刻需要估计的状态向量，yk为系统输出，uk为系统输入，A、B、C、D为系数矩阵，wk是随机的“过程噪声”或“扰动”，反映了一些影响系统状态的未测量的输入，vk称作“传感器噪声”，反映系统输出测量误差。卡尔曼滤波算法包含5个迭代递推公式，按照以下5个迭代递推式，如公式3、公式4、公式5、公式6和公式7可以迭代估计状态向量：
其中，Lk是卡尔曼增益，I为单位矩阵，∑w和∑v分别为输入、输出测量噪声的协方差矩阵，是状态估计误差的协方差矩阵，表明状态估计的不确定性，因此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进行了两次更新，其中，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。
下面将结合上述介绍的卡尔曼滤波算法的原理，介绍如何将卡尔曼滤波算法应用于SOC在线估计。本发明实施例可以应用卡尔曼滤波算法进行SOC在线估计，关键在于建立一组状态方程和输出方程，根据电流积分原理，可以列出关于SOC的状态方程如下：
其中，SOCk+1为k+1时刻的SOC，SOC k为k时刻的SOC，Qst为电池容量，单位为Ah，η为库伦效率，Ik为k时刻的电流，单位为A，w1,k是随机的输入“噪声”。Δt为时刻k与k+1之间的时间间隔，单位为s。
基于一阶RC等效电路模型的电压电流关系式，可以建立电压与电流、SOC的关系，如公式6、公式7和公式8所示。
Ut,k＝OCVk(SOCk)-U1,k-R0.kIk+vk， (9)
U1,k+1＝U1,kexp(-Δt/τ1,k)+R1,k(1-exp(-Δt/τ1,k))Ik+w2,k， (10)
其中，U1为R1两端的电压，wk为随机的输入“噪声”，vk为反映系统输出测量误差的“噪声”，带有下标k或k+1的参数均为k或k+1时刻该参数的值。公式9可以作为输出方程，公式8和公式10可以作为状态方程。
根据以上分析，将建立的状态方程如公式8和公式10、输出方程如公式9与其一般形式方程如公式1和公式2做比较，从而可以确定状态向量xk＝(SOCk，U1,k)T，系统输出yk＝Ut,k，系统输入uk＝Ik，以及系数矩阵：
D＝-R0，
上述公式中任意时刻k的模型参数为R0，R1，τ1，由时刻k的SOC估计值，通过SOC与模型参数对应关系可以得到dOCV/dSOC的值，dOCV/dSOC由预先建立的dSOC/dOCV-SOC对应关系得到。电池容量估计值可以采用电池的初始容量出。
在实际应用时，在算法中需要设定状态向量和协方差矩阵的初始值，初始值的设定仅对算法开始运行后一段时间内的估计结果有一定影响，其中，状态向量x可以在[0,1]范围内任意选取，协方差矩阵的初始值∑x可以在[0,108]范围内任意选取。此外，还需要设定测量噪声的协方差矩阵∑w和∑v的值，协方差∑w和∑v的理论计算公式为：
其中，wk和vk分别是电流和电压的测量噪声，根据电压、电流的测量精度，可以大致确定协方差阵的大小。例如，若电压的测量精度为满量程的1‰，满量程为100V，电流的测量精度为满量程的5‰，满量程为100A，则根据公式11和公式12，可以大致估算∑w和∑v的大小，而∑w和∑v的理论计算方法为：
本发明实施例在理论计算结果的基础上适当调整∑w和∑v的大小，从而可以获得更好的SOC估计效果。而电流测量误差、SOC初始值误差和容量误差越大，导致电流积分得到的初步SOC估计值越不准确，而且电流积分环节的“可信度”会越差，因此设定∑w的值和理论值相比偏大，从而可以减小电流积分得到的初步SOC估计值的权重；而电压测量误差和电池模型误差越大，导致电压校正得到的SOC估计值越不准确，而且电压校正环节的“可信度”越差，应设定∑v的值和理论值相比偏大，从而可以减小电压校正环节所占的权重。
然后，在设定状态向量x、协方差矩阵∑x的初始值、协方差矩阵∑w和∑v的值后，本发明实施例可以进行SOC估计。具体的，可以基于在线测量的端电压及电流数据，并根据卡尔曼滤波算法的5个递归方程依次进行迭代估计，计算过程中需要由当前的SOC估计值线性插值得到当前的模型参数，再根据系数矩阵的表达式计算A、B、C、D的值。电池模组和/或系统的SOCpack的估计方法是建立在两组相同的卡尔曼滤波算法(也可以是其他的SOC估计算法)的基础上的，两组卡尔曼滤波算法的参数值除输入端的端电压Ut不同外，其他的参数均相同，第一组算法Ut＝Vmax，Vmax是电池模组和/或系统内最高端电压Vmax，第二组算法Ut＝Vmin，Vmin是电池模组和/或系统内最低端电压Vmin，采用卡尔曼滤波算法可以同时分别得到SOC1和SOC2估计结果。
进一步地，在本发明的一个实施例中，根据锂离子电池模组和/或系统内的单体电池最高端电压Vmax得到荷电状态SOC1，并且根据锂离子电池模组和/或系统内的单体电池最低端电压Vmin得到荷电状态SOC2，具体包括：对锂离子电池组和/或系统内的单体电池进行开路电压测试，获取不同荷电状态对应的开路电压；选用一阶RC等效电路模型，并在离线状获取一阶RC等效电路模型的参数；在处于在线状态时，根据最高端电压Vmax和最低端电压Vmin获取一阶RC等效电路模型的端电压，并采用两组卡尔曼滤波算法进行荷电状态在线估计，得到荷电状态SOC1和/或荷电状态SOC2。
可选地，在本发明的一个实施例中，一阶RC等效电路模型的电压-电流关系式为：
Ut＝OCV-I·R0-IR1[1-exp(-t/τ1)]，
其中，I为通过电池欧姆内阻R0的电流，Ut为端电压，R1为极化内阻，C1为极化电容，t为时间，τ1为时间常数。
可以理解的是，本发明实施例可以对被测电池模组和/或系统内的电池进行开路电压测试，获得不同SOC对应的OCV(Open Circuit Voltage，开路电压)，选用一阶RC等效电路模型，并在离线状态对模型参数进行参数辨识，在线测试电池模组和/或系统内单体随时间变化的端电压，找出模组内最高端电压Vmax和最低端电压Vmin，模型输入的端电压Ut，k＝Vmax、Vmin及电流Ik，基于一阶RC等效电路模型，同时采用两组卡尔曼滤波算法(Kalmanfilter)进行SOC在线估计。此外，本发明实施例选用的一阶RC等效电路模型可以有效提高SOC估计的准确性，一阶RC等效电路模型的电路结构如图3所示，基于一阶RC等效电路模型的电压电流关系式为：
Ut＝OCV-I·R0-IR1[1-exp(-t/τ1)]，
其中，I为通过电池欧姆内阻R0的电流，Ut为端电压，R1为极化内阻，C1为极化电容，t为时间，τ1为时间常数，τ1＝R1C1。
举例而言，本发明实施例为了进行模型参数辨识，在不同温度下对被测锂离子电池模组内的单体电池进行HPPC测试并获得不同SOC对应的端电压数据；然后采用遗传算法(Genetic Algorithm)进行参数辨识，从而可以得到不同温度下一系列SOC及与各SOC对应的模型参数R0，R1，τ1。在本发明的实施例中，在不同温度下，该HPPC测试每隔5％的SOC间隔，对电池施加一次充放电脉冲(例如：放电30s，搁置40s，再充电10s)，再静置3小时使电压达到平衡态(SOC接近0时延长静置时间至4小时)，从而可以得到不同温度、不同SOC对应的端电压，并利用应用Matlab软件中的GA函数实现遗传算法，以模型端电压与实测电压之间的均方根误差作为适应值函数，可以辨识得到不同温度下，不同SOC下的模型参数。
在步骤S104中，根据荷电状态SOC1和荷电状态SOC2融合得到锂离子电池组和/或系统的当前荷电状态。
也即是说，如图2所示，在步骤S2中，本发明实施例可以基于SOC1和SOC2，并通过融合算法估计得到电池模组和/或系统的荷电状态SOC。
进一步地，在本发明的一个实施例中，通过融合公式得到当前荷电状态，融合公式为：
其中，SOCpack为当前荷电状态，SOC1为锂离子电池和/或系统的内最高单体电压对应的荷电状态，SOC2为锂离子电池和/或系统内最低单体电压对应的荷电状态。
举例而言，基于如图2所示的步骤S1中，同时得到SOC1和SOC2的值，再通过融合算法估计模组/或系统的荷电状态，融合算法符合：得到电池模组和/或系统的荷电状态(SOC)以及估计误差如图4及图5所示，电池模组的SOC的估计误差可以保持在3％以内，估计精度较高，从而有效提高估计的准去性和可靠性。
综上，本发明实施例可以在进行电池模组和/或系统荷电状态估计时，不需要估计所有单体的荷电状态，直接根据模组和/或系统的内最高Vmax和最低单体电压Vmin来估计模组和/或系统的荷电状态SOC，估计方法更为简单和精确。
根据本发明实施例提出的锂离子电池的荷电状态在线估计方法，可以通过获取锂离子电池组和/或系统的电池单体的最高端电压Vmax和最低端电压Vmin，分别得到荷电状态SOC1和荷电状态SOC2，再根据融合算法将荷电状态SOC1和荷电状态SOC2融合，得到当前荷电状态，从而不需要获取所有单体的荷电状态，不仅有效提高估计的工作效率，而且还可以保证计算的准确性，节省计算时间，简单易实现。
其次参照附图描述根据本发明实施例提出的锂离子电池的荷电状态在线估计系统。
图6是本发明一个实施例的锂离子电池的荷电状态在线估计系统的结构示意图。
如图6所示，该锂离子电池的荷电状态在线估计系统10包括：采集模块100、处理模块200和估计模块300。
其中，采集模块100采集电池模组和/或系统内所有单体电池的端电压、电流等参数并提取锂离子电池组和/或系统的电池单体的最高端电压Vmax，和提取锂离子电池组和/或系统的电池单体的最低端电压Vmin；处理模块200与采集模块100相连，以根据最高端电压Vmax得到荷电状态SOC1，并且根据最低端电压Vmin得到荷电状态SOC2。估计模块300与处理模块200相连，以根据荷电状态SOC1和荷电状态SOC2融合得到锂离子电池组和/或系统的当前荷电状态。本发明实施例的系统10可以通过采集模块分别获取锂离子电池组和/或系统的电池单体的最高端电压Vmin和最低端电压Vmin，并通过处理模块分别得到荷电状态SOC1和荷电状态SOC2，再通过估计模块融合得到当前荷电状态，从而不需要获取所有单体的荷电状态，不仅有效提高估计的工作效率，而且还可以保证计算的准确性，节省计算时间，简单易实现。
进一步地，在本发明的一个实施例中，估计模块300通过融合公式得到当前荷电状态，融合公式为：
其中，SOCpack为当前荷电状态，SOC1为锂离子电池和/或系统的内最高单体电压对应的荷电状态，SOC2为锂离子电池和/或系统内最低单体电压对应的荷电状态。
进一步地，在本发明的一个实施例中，处理模块300通过拓展卡尔曼滤波估计SOC算法、无迹卡尔曼滤波估计SOC算法、自适应滤波估计SOC算法、滑膜观测器估计SOC算法、开路电压查表法等其它算法中的一种或多种单体SOC估计算法得到锂离子电池组和/或系统内最高单体电池端电压对应的荷电状态SOC1和最低单体电池端电压对应的荷电状态SOC2。
进一步地，在本发明的一个实施例中，处理模块300还需对锂离子电池组和/或系统内单体电池进行开路电压测试，获取不同荷电状态对应的开路电压，并且选用一阶RC等效电路模型，并在离线状获取一阶RC等效电路模型的参数，从而在处于在线状态时，根据最高端电压Vmax和最低端电压Vmin获取一阶RC等效电路模型的端电压，并采用两组卡尔曼滤波算法进行荷电状态在线估计，得到荷电状态SOC1和/或荷电状态SOC2。
进一步地，在本发明的一个实施例中，一阶RC等效电路模型的电压-电流关系式为：
Ut＝OCV-I·R0-IR1[1-exp(-t/τ1)]，
其中，I为通过电池欧姆内阻R0的电流，Ut为端电压，R1为极化内阻，C1为极化电容，t为时间，τ1为时间常数。
需要说明的是，前述对锂离子电池的荷电状态在线估计方法实施例的解释说明也适用于该实施例的锂离子电池的荷电状态在线估计系统，此处不再赘述。
根据本发明实施例提出的锂离子电池的荷电状态在线估计系统，可以通过采集模块获取锂离子电池组和/或系统的电池单体的最高端电压Vmax和最低端电压Vmin，并通过状态估计方法分别得到荷电状态SOC1和荷电状态SOC2，再通过估计模块将荷电状态SOC1和荷电状态SOC2融合得到当前荷电状态，从而不需要获取所有单体的荷电状态，不仅有效提高估计的工作效率，而且还可以保证计算的准确性，节省计算时间，简单易实现。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
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。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
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。
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 (8)
1.一种锂离子电池的荷电状态在线估计方法，其特征在于，包括以下步骤：
获取所述锂离子电池组和/或系统内的所有电池单体的端电压，比较之后得到锂离子电池组和/或系统内电池单体的最高端电压Vmax；
获取所述锂离子电池组和/或系统内的所有电池单体的端电压，比较之后得到锂离子电池组和/或系统内电池单体的最低端电压Vmin；
根据所述单体电池最高端电压Vmax、电流等参数估算得到锂离子电池模组和/或系统内单体电池最高端电压Vmax对应的荷电状态SOC1，并且根据所述单体电池最低端电压Vmin、电流等参数估算得到锂离子电池模组和/或系统内单体电池最低端电压Vmin对应的荷电状态SOC2；以及
根据所述荷电状态SOC1和荷电状态SOC2融合得到所述锂离子电池组和/或系统的当前荷电状态。
2.根据权利要求1所述的锂离子电池的荷电状态在线估计方法，其特征在于，通过融合公式得到所述当前荷电状态，所述融合公式为：
<mrow>
<msub>
<mi>SOC</mi>
<mrow>
<mi>p</mi>
<mi>a</mi>
<mi>c</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>SOC</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>SOC</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>SOC</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，所述SOCpack为所述当前荷电状态，所述SOC1为所述锂离子电池和/或系统的内最高单体电压对应的荷电状态，所述SOC2为所述锂离子电池和/或系统内最低单体电压对应的荷电状态。
3.根据权利要求1或2所述的锂离子电池的荷电状态在线估计方法，其特征在于，通过拓展卡尔曼滤波估计SOC算法、无迹卡尔曼滤波估计SOC算法、自适应滤波估计SOC算法、滑膜观测器估计SOC算法、开路电压查表法等其他的SOC估计算法中的一种或多种单体SOC估计算法得到所述荷电状态SOC1和/或所述荷电状态SOC2。
4.根据权利要求3所述的锂离子电池的荷电状态在线估计方法，其特征在于，所述根据所述最高端电压Vmax得到荷电状态SOC1，并且根据所述最低端电压Vmin得到荷电状态SOC2，为了能够直观的描述整个估计方法的过程，举例选用一阶RC的等效电路模型，用卡尔曼滤波算法进行单体电池的荷电状态估计；
对所述锂离子电池组和/或系统内的单体电池进行开路电压测试，获取不同荷电状态对应的开路电压；
选用一阶RC等效电路模型，并在离线状获取所述一阶RC等效电路模型的参数，所述一阶RC等效电路模型的电压-电流关系式为：
Ut＝OCV-I·R0-IR1[1-exp(-t/τ1)]，
其中，I为通过电池欧姆内阻R0的电流，Ut为端电压，R1为极化内阻，C1为极化电容，t为时间，τ1为时间常数；
在处于在线状态时，根据所述最高端电压Vmax和所述最低端电压Vmin获取所述一阶RC等效电路模型的端电压，并同时采用两组卡尔曼滤波算法进行荷电状态在线估计，分别同时得到所述荷电状态SOC1和/或所述荷电状态SOC2。
5.一种锂离子电池的荷电状态在线估计系统，其特征在于，包括：
采集模块，采集电池模组和/或系统内所有单体电池的端电压、电流等参数并提取锂离子电池组和/或系统的电池单体的最高端电压Vmax，和提取所述锂离子电池组和/或系统的电池单体的最低端电压Vmin；
处理模块，所述处理模块与所述采集模块相连，以根据所述最高端电压Vmax、电流等参数得到对应的荷电状态SOC1，并且根据所述最低端电压Vmin、电流等参数得到对应的荷电状态SOC2；以及
估计模块，所述估计模块与所述处理模块相连，以根据所述荷电状态SOC1和所述荷电状态SOC2融合得到所述锂离子电池组和/或系统的当前荷电状态。
6.根据权利要求5所述的锂离子电池的荷电状态在线估计系统，其特征在于，所述估计模块通过融合公式得到所述当前荷电状态，所述融合公式为：
<mrow>
<msub>
<mi>SOC</mi>
<mrow>
<mi>p</mi>
<mi>a</mi>
<mi>c</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>SOC</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>SOC</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>SOC</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，所述SOCpack为所述当前荷电状态，所述SOC1为所述锂离子电池和/或系统的内最高单体电压对应的荷电状态，所述SOC2为所述锂离子电池和/或系统内最低单体电压对应的荷电状态。
7.根据权利要求5或6所述的锂离子电池的荷电状态在线估计系统，其特征在于，所述处理模块通过拓展卡尔曼滤波估计SOC算法、无迹卡尔曼滤波估计SOC算法、自适应滤波估计SOC算法、滑膜观测器估计SOC算法、开路电压查表法或者其他SOC估计方法等一种或多种单体SOC估计算法得到所述锂离子电池组和/或系统内最高单体电池端电压对应的所述荷电状态SOC1和所述最低单体电池端电压对应的所述荷电状态SOC2。
8.根据权利要求7所述的锂离子电池的荷电状态在线估计系统，其特征在于，所述处理模块还用于对所述锂离子电池组和/或系统内单体电池进行开路电压测试，获取锂离子电池组和/或系统内单体电池在不同荷电状态对应的开路电压，为了能过直观的描述锂电池组和/系统的状态估计的过程，这里选用一个应用实例来说明估计的过程，得到锂离子电池组和/或系统内电池单体的最高和最低荷电状态时，选用一阶RC的等效电路模型通过卡尔曼滤波的融合算法来估计单体电池的荷电状态，需要在离线状态下获取所述一阶RC等效电路模型的参数，从而在处于在线状态时，根据所述锂离子电池组和/或系统内电池单体最高端电压Vmax和所述锂离子电池组和/或系统内电池单体最低端电压Vmin获取所述一阶RC等效电路模型的端电压，并采用两组卡尔曼滤波算法进行荷电状态在线估计，分别同时得到所述荷电状态SOC1和所述荷电状态SOC2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711078824.0A CN107748336B (zh) | 2017-11-06 | 2017-11-06 | 锂离子电池的荷电状态在线估计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711078824.0A CN107748336B (zh) | 2017-11-06 | 2017-11-06 | 锂离子电池的荷电状态在线估计方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107748336A true CN107748336A (zh) | 2018-03-02 |
| CN107748336B CN107748336B (zh) | 2024-01-26 |
Family
ID=61250509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711078824.0A Active CN107748336B (zh) | 2017-11-06 | 2017-11-06 | 锂离子电池的荷电状态在线估计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107748336B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108646199A (zh) * | 2018-08-23 | 2018-10-12 | 广西艾盛创制科技有限公司 | 一种动力电池soc估算方法和系统 |
| CN108693483A (zh) * | 2018-07-18 | 2018-10-23 | 深圳汽航院科技有限公司 | 一种电池包荷电状态的计算方法及系统 |
| CN108828449A (zh) * | 2018-06-19 | 2018-11-16 | 西南交通大学 | 基于比例积分h∞观测器的锂离子电池剩余电量估计方法 |
| CN108872866A (zh) * | 2018-06-04 | 2018-11-23 | 桂林电子科技大学 | 一种锂离子电池荷电状态动态评估与长效预测融合方法 |
| CN109239605A (zh) * | 2018-11-01 | 2019-01-18 | 西南交通大学 | 一种磷酸铁锂动力电池soc估计方法 |
| CN109655758A (zh) * | 2018-12-29 | 2019-04-19 | 蜂巢能源科技有限公司 | 电池开路电压测量方法及系统 |
| CN109782182A (zh) * | 2019-01-14 | 2019-05-21 | 深圳大学 | 一种串联电池组能量状态在线估计方法和装置 |
| CN111610447A (zh) * | 2020-05-22 | 2020-09-01 | 上海理工大学 | 一种基于开路电压的电池容量估计方法 |
| CN111781529A (zh) * | 2020-07-14 | 2020-10-16 | 上海理工大学 | 基于电动汽车云端数据的电池组单体容量估计方法和装置 |
| CN112327176A (zh) * | 2020-10-16 | 2021-02-05 | 欣旺达电子股份有限公司 | 电池性能检测方法、系统及存储介质 |
| CN113138343A (zh) * | 2021-04-09 | 2021-07-20 | 阳光三星(合肥)储能电源有限公司 | 电池系统的容量校准方法、电池系统及可读存储介质 |
| CN115951235A (zh) * | 2022-12-06 | 2023-04-11 | 北汽福田汽车股份有限公司 | 荷电状态预警方法、装置及车辆 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN104007395A (zh) * | 2014-06-11 | 2014-08-27 | 北京交通大学 | 锂离子电池荷电状态与参数自适应联合估计方法 |
| CN104101838A (zh) * | 2013-04-09 | 2014-10-15 | 广州汽车集团股份有限公司 | 动力电池系统及其荷电状态、最大充放电功率估算方法 |
| CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 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 |
| US20160084913A1 (en) * | 2013-05-29 | 2016-03-24 | Freescale Semiconductor, Inc. | Cell monitoring apparatus, battery monitoring apparatus, integrated circuit and method of monitoring a rechargeable cell |
| CN106026260A (zh) * | 2016-06-24 | 2016-10-12 | 南京航空航天大学 | 一种带有均衡电路的串连电池组soc估算方法 |
| CN106324523A (zh) * | 2016-09-26 | 2017-01-11 | 合肥工业大学 | 基于离散变结构观测器的锂电池soc估计方法 |
| JPWO2014115513A1 (ja) * | 2013-01-22 | 2017-01-26 | 三洋電機株式会社 | 電池モジュールの故障推定システム |
| CN106526488A (zh) * | 2016-09-27 | 2017-03-22 | 北京理工大学 | 串联式动力电池包内传感器故障诊断方法 |
-
2017
- 2017-11-06 CN CN201711078824.0A patent/CN107748336B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2014115513A1 (ja) * | 2013-01-22 | 2017-01-26 | 三洋電機株式会社 | 電池モジュールの故障推定システム |
| CN104101838A (zh) * | 2013-04-09 | 2014-10-15 | 广州汽车集团股份有限公司 | 动力电池系统及其荷电状态、最大充放电功率估算方法 |
| US20160084913A1 (en) * | 2013-05-29 | 2016-03-24 | Freescale Semiconductor, Inc. | Cell monitoring apparatus, battery monitoring apparatus, integrated circuit and method of monitoring a rechargeable cell |
| 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 |
| CN104007395A (zh) * | 2014-06-11 | 2014-08-27 | 北京交通大学 | 锂离子电池荷电状态与参数自适应联合估计方法 |
| CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 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 |
| CN106026260A (zh) * | 2016-06-24 | 2016-10-12 | 南京航空航天大学 | 一种带有均衡电路的串连电池组soc估算方法 |
| CN106324523A (zh) * | 2016-09-26 | 2017-01-11 | 合肥工业大学 | 基于离散变结构观测器的锂电池soc估计方法 |
| CN106526488A (zh) * | 2016-09-27 | 2017-03-22 | 北京理工大学 | 串联式动力电池包内传感器故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘欣博;王乃鑫;李正熙;: "基于扩展卡尔曼滤波法的锂离子电池荷电状态估算方法研究" * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108872866B (zh) * | 2018-06-04 | 2021-02-05 | 桂林电子科技大学 | 一种锂离子电池荷电状态动态评估与长效预测融合方法 |
| CN108872866A (zh) * | 2018-06-04 | 2018-11-23 | 桂林电子科技大学 | 一种锂离子电池荷电状态动态评估与长效预测融合方法 |
| CN108828449A (zh) * | 2018-06-19 | 2018-11-16 | 西南交通大学 | 基于比例积分h∞观测器的锂离子电池剩余电量估计方法 |
| CN108693483A (zh) * | 2018-07-18 | 2018-10-23 | 深圳汽航院科技有限公司 | 一种电池包荷电状态的计算方法及系统 |
| CN108646199A (zh) * | 2018-08-23 | 2018-10-12 | 广西艾盛创制科技有限公司 | 一种动力电池soc估算方法和系统 |
| CN109239605A (zh) * | 2018-11-01 | 2019-01-18 | 西南交通大学 | 一种磷酸铁锂动力电池soc估计方法 |
| CN109239605B (zh) * | 2018-11-01 | 2019-09-27 | 西南交通大学 | 一种磷酸铁锂动力电池soc估计方法 |
| CN109655758B (zh) * | 2018-12-29 | 2020-12-11 | 蜂巢能源科技有限公司 | 电池开路电压测量方法及系统 |
| CN109655758A (zh) * | 2018-12-29 | 2019-04-19 | 蜂巢能源科技有限公司 | 电池开路电压测量方法及系统 |
| CN109782182A (zh) * | 2019-01-14 | 2019-05-21 | 深圳大学 | 一种串联电池组能量状态在线估计方法和装置 |
| CN111610447A (zh) * | 2020-05-22 | 2020-09-01 | 上海理工大学 | 一种基于开路电压的电池容量估计方法 |
| CN111781529A (zh) * | 2020-07-14 | 2020-10-16 | 上海理工大学 | 基于电动汽车云端数据的电池组单体容量估计方法和装置 |
| CN111781529B (zh) * | 2020-07-14 | 2023-06-27 | 上海理工大学 | 基于电动汽车云端数据的电池组单体容量估计方法和装置 |
| CN112327176A (zh) * | 2020-10-16 | 2021-02-05 | 欣旺达电子股份有限公司 | 电池性能检测方法、系统及存储介质 |
| CN112327176B (zh) * | 2020-10-16 | 2024-03-19 | 欣旺达动力科技股份有限公司 | 电池性能检测方法、系统及存储介质 |
| CN113138343A (zh) * | 2021-04-09 | 2021-07-20 | 阳光三星(合肥)储能电源有限公司 | 电池系统的容量校准方法、电池系统及可读存储介质 |
| CN113138343B (zh) * | 2021-04-09 | 2023-12-26 | 阳光储能技术有限公司 | 电池系统的容量校准方法、电池系统及可读存储介质 |
| CN115951235A (zh) * | 2022-12-06 | 2023-04-11 | 北汽福田汽车股份有限公司 | 荷电状态预警方法、装置及车辆 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107748336B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107748336A (zh) | 锂离子电池的荷电状态在线估计方法及系统 | |
| CN104237795B (zh) | 通过相同电压传感器测量多个电池单元的失衡探测 | |
| CN104678316B (zh) | 锂离子电池荷电状态估算方法和装置 | |
| Ahmed et al. | Model-based parameter identification of healthy and aged li-ion batteries for electric vehicle applications | |
| CN105301509B (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 | |
| CN108375739B (zh) | 电动车锂电池的荷电状态估算方法与荷电状态估算系统 | |
| CN105319515B (zh) | 锂离子电池荷电状态和健康状态联合估算方法 | |
| CN107402353A (zh) | 一种对锂离子电池的荷电状态进行滤波估计的方法及系统 | |
| Hu et al. | Online estimation of an electric vehicle lithium-ion battery using recursive least squares with forgetting | |
| CN103020445B (zh) | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 | |
| CN102590751B (zh) | 动力电池包一致性评估方法和装置 | |
| CN109946623A (zh) | 一种锂电池的soc在线估测方法 | |
| CN107091992A (zh) | 电池组荷电状态soc估计方法及估计系统 | |
| CN105425154B (zh) | 一种估计电动汽车的动力电池组的荷电状态的方法 | |
| CN111537894A (zh) | 一种用于估计锂电池soc和sop的方法 | |
| US20100174500A1 (en) | Method for calculating power capability of battery packs using advanced cell model predictive techniques | |
| CN105842627A (zh) | 基于数据模型融合的动力电池容量和荷电状态的估计方法 | |
| CN106405434B (zh) | 电池荷电状态的估计方法 | |
| CN106872906B (zh) | 一种基于ocv曲线修正soc的方法与系统 | |
| CN101022178A (zh) | 基于标准电池模型的镍氢动力电池荷电状态的估计方法 | |
| CN112858916B (zh) | 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 | |
| JP6183283B2 (ja) | 車両用二次電池の等価回路のパラメータ推定装置 | |
| CN108169687A (zh) | 一种基于云平台的蓄电池soc估算方法 | |
| CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
| CN114740385A (zh) | 一种自适应的锂离子电池荷电状态估计方法 |
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 |