CN107894570A - 基于Thevenin模型的电池组SOC的估算方法和装置 - Google Patents

基于Thevenin模型的电池组SOC的估算方法和装置 Download PDF

Info

Publication number
CN107894570A
CN107894570A CN201710995942.1A CN201710995942A CN107894570A CN 107894570 A CN107894570 A CN 107894570A CN 201710995942 A CN201710995942 A CN 201710995942A CN 107894570 A CN107894570 A CN 107894570A
Authority
CN
China
Prior art keywords
battery pack
thevenin
models
soc
parameter value
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
Application number
CN201710995942.1A
Other languages
English (en)
Other versions
CN107894570B (zh
Inventor
马淑倩
陈卓
杨重科
韩广璞
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.)
Beijing Electric Vehicle Co Ltd
Original Assignee
Beijing Electric Vehicle Co Ltd
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 Beijing Electric Vehicle Co Ltd filed Critical Beijing Electric Vehicle Co Ltd
Priority to CN201710995942.1A priority Critical patent/CN107894570B/zh
Publication of CN107894570A publication Critical patent/CN107894570A/zh
Application granted granted Critical
Publication of CN107894570B publication Critical patent/CN107894570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Abstract

本发明提出一种基于Thevenin模型的电池组SOC的估算方法和装置，该方法包括建立待估算电池组的Thevenin等效电路模型；确定Thevenin等效电路模型的极化效应参数值；确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于极化效应参数值和初始值，时间变量和电池组SOC变量之间的目标函数；根据目标函数对电池组在当前时间点的SOC进行估算。通过本发明能够有效提升电池组SOC的估算精度。

Description

基于Thevenin模型的电池组SOC的估算方法和装置
技术领域
本发明涉及电池技术领域，尤其涉及一种基于Thevenin模型的电池组SOC的估算方法和装置。
背景技术
目前国内外在对电池SOC的准确估算方面已经做出了大量的研究，相关技术中，常用的方法仍然是简单的开路电压法和安时积分法相结合。开路电压法是电池管理系统静止后再次上电工作时，根据单体电压查表静态OCV数据，估算电池的初始SOC值。安时积分法是将电池的充放电电流对时间进行积分运算，估算电池的动态SOC值。开路电压法需要动力电池静置足够长的时间，这在工作条件下显然是不易实现的。安时积分法对电流采样精度要求较高，若动力电池长时间在SOC高端进行充放电，会产生较大的积累误差。另外，汽车动力电池SOC的使用区间一般在30-70％之间，若长时间无低端修正，使用安时积分法会造成较大误差。
这些方式下，电池组SOC的估算误差较大，精度不高。
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基于Thevenin模型的电池组SOC的估算方法，能够有效提升电池组SOC的估算精度。
本发明的另一个目的在于提出一种基于Thevenin模型的电池组SOC的估算装置。
本发明的另一个目的在于提出一种非临时性计算机可读存储介质。
本发明的另一个目的在于提出一种计算机程序产品。
为达到上述目的，本发明第一方面实施例提出的基于Thevenin模型的电池组SOC的估算方法，包括：建立待估算电池组的Thevenin等效电路模型；确定所述Thevenin等效电路模型的极化效应参数值；确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于所述极化效应参数值和所述初始值，时间变量和电池组SOC变量之间的目标函数；根据所述目标函数对所述电池组在当前时间点的SOC进行估算。
本发明第一方面实施例提出的基于Thevenin模型的电池组SOC的估算方法，通过建立待估算电池组的Thevenin等效电路模型，确定Thevenin等效电路模型的极化效应参数值，并确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于极化效应参数值和初始值，时间变量和电池组SOC变量之间的目标函数，以及根据目标函数对电池组在当前时间点的SOC进行估算，能够有效提升电池组SOC的估算精度。
为达到上述目的，本发明第二方面实施例提出的基于Thevenin模型的电池组SOC的估算装置，包括：建立模块，用于建立待估算电池组的Thevenin等效电路模型；第一确定模块，用于确定所述Thevenin等效电路模型的极化效应参数值；第二确定模块，用于确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于所述极化效应参数值和所述初始值，时间变量和电池组SOC变量之间的目标函数；估算模块，用于根据所述目标函数对所述电池组在当前时间点的SOC进行估算。
本发明第二方面实施例提出的基于Thevenin模型的电池组SOC的估算装置，通过建立待估算电池组的Thevenin等效电路模型，确定Thevenin等效电路模型的极化效应参数值，并确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于极化效应参数值和初始值，时间变量和电池组SOC变量之间的目标函数，以及根据目标函数对电池组在当前时间点的SOC进行估算，能够有效提升电池组SOC的估算精度。
为达到上述目的，本发明第三方面实施例提出的非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器被执行时，使得移动终端能够执行一种基于Thevenin模型的电池组SOC的估算方法，所述方法包括：建立待估算电池组的Thevenin等效电路模型；确定所述Thevenin等效电路模型的极化效应参数值；确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于所述极化效应参数值和所述初始值，时间变量和电池组SOC变量之间的目标函数；根据所述目标函数对所述电池组在当前时间点的SOC进行估算。
本发明第三方面实施例提出的非临时性计算机可读存储介质，通过建立待估算电池组的Thevenin等效电路模型，确定Thevenin等效电路模型的极化效应参数值，并确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于极化效应参数值和初始值，时间变量和电池组SOC变量之间的目标函数，以及根据目标函数对电池组在当前时间点的SOC进行估算，能够有效提升电池组SOC的估算精度。
为达到上述目的，本发明第四方面实施例提出的计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行一种基于Thevenin模型的电池组SOC的估算方法，所述方法包括：建立待估算电池组的Thevenin等效电路模型；确定所述Thevenin等效电路模型的极化效应参数值；确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于所述极化效应参数值和所述初始值，时间变量和电池组SOC变量之间的目标函数；根据所述目标函数对所述电池组在当前时间点的SOC进行估算。
本发明第四方面实施例提出的计算机程序产品，通过建立待估算电池组的Thevenin等效电路模型，确定Thevenin等效电路模型的极化效应参数值，并确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于极化效应参数值和初始值，时间变量和电池组SOC变量之间的目标函数，以及根据目标函数对电池组在当前时间点的SOC进行估算，能够有效提升电池组SOC的估算精度。
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是本发明一实施例提出的基于Thevenin模型的电池组SOC的估算方法的流程示意图；
图2为Thevenin等效电路模型示意图；
图3是本发明另一实施例提出的基于Thevenin模型的电池组SOC的估算方法的流程示意图；
图4a为HPPC测试中一电池脉冲放电情况示意图；
图4b为HPPC测试中另一电池脉冲放电情况示意图；
图5为Rint等效电路模型示意图；
图6为本发明实施例中HPPC测试电流激励和电压特性曲线示意图；
图7为本发明实施例中电池充放电开路电压曲线示意图；
图8为本发明实施例中电池OCV关于SOC的拟合函数示意图；
图9a为本发明实施例中自定义充电脉冲示意图；
图9b为本发明实施例中带有拟合误差的参数辨识结果示意图；
图9c为本发明实施例中引入修正量的参数辨识结果示意图；
图10a为本发明实施例中引入拟合误差修正量的极化效应结果示意图；
图10b为本发明实施例中引入修正量的充电极化辨识结果示意图；
图11a为本发明实施例中极化内阻辨识结果示意图；
图11b为本发明实施例中极化时间常数辨识结果示意图；
图12a为本发明实施例中ECE_EUDC_Low循环工况下参数验证结果示意图；
图12b为本发明实施例中FTP循环工况下参数验证结果示意图；
图12c为本发明实施例中联合工况下参数验证结果示意图；
图13a为本发明实施例中ECE_EUDC_Low循环工况下SOC估计结果示意图；
图13b为本发明实施例中FTP循环工况下SOC估计结果示意图；
图13c为本发明实施例中J1015循环工况下SOC估计结果示意图；
图13d为本发明实施例中联合工况下SOC估计结果示意图；
图14a为本发明实施例中初始值优化前的SOC估计结果示意图；
图14b为本发明实施例中初始值优化后的SOC估计结果示意图；
图15是本发明另一实施例提出的基于Thevenin模型的电池组SOC的估算方法的流程示意图；
图16a为本发明实施例中在联合工况下噪声电流激励示意图；
图16b为本发明实施例中在联合工况时噪声电流激励下的SOC估计结果示意图；
图17为本发明实施例中SOC估计结果的负载电压示意图；
图18是本发明一实施例提出的基于Thevenin模型的电池组SOC的估算装置的结构示意图；
图19是本发明另一实施例提出的基于Thevenin模型的电池组SOC的估算装置的结构示意图。
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，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本发明一实施例提出的基于Thevenin模型的电池组SOC的估算方法的流程示意图。
本发明实施例可以用于对锂离子动力电池组的电池容量进行估算。
参见图1，该方法包括：
S101：建立待估算电池组的Thevenin等效电路模型。
其中，Thevenin等效电路模型可以参见图2，图2为Thevenin等效电路模型示意图。Thevenin等效电路模型中，包括电池电动势UOC、欧姆电阻R0、极化电阻Rp与电容C并联的超电势电路,这些电路元件，包括电动势UOC、欧姆电阻R0、极化电阻Rp与电容C，均为电池组SOC、温度、以及电路中电流的函数。电池放电时电流i取正，方向如图2所示。在欧姆电阻R0两端的电压为U0，在极化电阻Rp上两端的电压为UC。
本发明的实施例中，通过建立待估算电池组的Thevenin等效电路模型，能够将电池的极化效应纳入对SOC进行估算时的考量范畴，因而，能够有效提升电路模型拟合电池组的准确性，进而，保障在SOC估算中得到更高的估算精度。
本发明实施例中的Thevenin等效电路模型为一阶Thevenin等效电路模型，不对电池组极化效应中的电化学极化与浓差极化进行区分。针对该电池组来说，由于基于Rint等效电路模型的精度已经符合需求，因此，一阶Thevenin等效电路模型对电池组的拟合准确性更佳。其中，参见图3，在建立待估算电池组的Thevenin等效电路模型之后，还包括：
S301：对Thevenin等效电路模型的状态空间方程进行离散化处理。
本发明实施例中，由于考虑下述扩展卡尔曼滤波算法能够处理的是离散数据，因此，在建立待估算电池组的Thevenin等效电路模型之后，可以对其状态空间方程进行离散化处理，能够有效地将Thevenin原理和扩展卡尔曼滤波算法结合运用。
其中的离散化处理，即，离散就是按照一个等采样周期T进行采样，即将时间t变为kT，其中，T为采样周期，k＝0,1,2，…的整数。输入量u(t)则认为只在采样时刻发生变化，在相邻两采样时刻之间，u(t)是通过零阶保持器保持不变的，且等于前一采样时刻的值，即在kT和(k+1)T之间，u(t)＝u(kT)＝常数。
S102：确定Thevenin等效电路模型的极化效应参数值。
其中的极化效应参数值可以例如为，极化电阻Rp以及极化时间常数τ。
可选地，一些实施例中，可以具体是确定离散化处理后的Thevenin等效电路模型的极化效应参数值。可以对其状态空间方程进行离散化处理，能够有效地将Thevenin原理和扩展卡尔曼滤波算法结合运用。
可选地，一些实施例中，可以采用最小二乘法，以及Matlab中的fminsearch函数对Thevenin等效电路模型进行参数辨识，以确定Thevenin等效电路模型的极化效应参数值。
其中，最小二乘法，是使各次实际观测值与计算值之间差值的平方乘以度量其精确度的数值以后的和最小，不需要随机变量的任何统计特性。
在本发明的实施例中，参见图4a，图4a为HPPC测试中一电池脉冲放电情况示意图，图4b为HPPC测试中另一电池脉冲放电情况示意图，在10s的时间范围内，电池的OCV几乎不会发生改变，而电池的欧姆内阻在放电初始时刻使得电压突然下降，接下来的时间里电池发生了极化反应使得电池的端电压降低。即V1降至V2是由欧姆内阻造成的，而V2降至V3则是由极化效应造成的。但是在该10s的时间范围，只是极化效应的初始阶段。在混合动力脉冲能力特性(Hybrid Pulse Power Characteristic，HPPC)测试实验里，存在着360s的1C脉冲放电，参见图4b，在360s的时间范围内，电池的极化效应得到充分的发挥。在该360s的时间范围内，本发明实施例同时考虑到SOC变化引起的电池OCV以及欧姆内阻变化造成的负载电压改变。
在本发明的实施例中，可以通过采用Rint等效电路模型确立电池OCV和负载电压关于SOC的拟合函数，可以利用此拟合函数解除电池OCV以及欧姆内阻特别是电池OCV造成的端电压的改变。作为一种示例，具体如下：
参见图5，图5为Rint等效电路模型示意图，本发明实施例中待估算电池组采用15个单体并联、再串联36组，达到标称容量为30Ah、电压为129.6V的电池组。其中的单体电池参数可以为：标称容量2000mAh、标称电压3.6V，以及最大充/放电电流1C A/2C A。
本实施例中，可以进行HPPC测试，即可得到开路电压拟合曲线以及电池内阻R0值，本实施例中的室温条件下，HPPC测试电流激励和电压特性曲线参见图6，图6为本发明实施例中HPPC测试电流激励和电压特性曲线示意图，实验截止条件SOC＝0.2，以防止电池过放。
本实施例中，电池OCV关于SOC的拟合函数可以通过拟合充放电开路电压曲线得到。为获取充放电开路电压曲线，需要测得不同SOC值下的开路电压值，参见图7。图7为本发明实施例中电池充放电开路电压曲线示意图，从图7可以得出充电方向与放电方向的OCV形成一个不是很明显的“迟滞回路”，而真实OCV可以取二者的平均值，对真实OCV进行关于SOC的四次多项式拟合与组合模型拟合。而后，采用Matlab的errorbar函数，设置5‰的误差精度，进而，参见图8，图8为本发明实施例中电池OCV关于SOC的拟合函数示意图，从图8可以看出组合模型拟合结果与errorbar函数相差很大，则表明误差超过errorbar设置的误差范围，而多项式拟合结果精度符合要求，因此，本发明实施例中可以选择四次多项式拟合结果。也即，本发明实施例中，选取电池的开路电压OCV、电池的欧姆内阻R0关于SOC的四次多项式进行拟合。
本发明实施例中，在图4a中V2～V3时间范围内，根据图2所示的Thevenin等效电路模型以及相关的电工学知识可以得到如下公式：
uo＝uoc-iRe-iRp(1-e-t/τ)；
从上述公式可以更一步看出在V2～V3时间范围内，电池负载电压的下降与电池的OCV、欧姆内阻R0是相关的。因此，本发明实施例考虑这二者引起的负载电压变化，能够增强辨识结果的精准度，使得极化内阻辨识结果趋近于实际的极化内阻值。
本发明实施例中，据最小二乘法的核心思想，可以建立如公式(12)所示的目标函数。
J＝min(∑(uo,n,m-uo,n,c))2；
其中，n＝1，2，…k，k是V2～V3采样点的个数，uo,n,m是第n个端电压的采样值，uo,n,c是第n个由公式计算得到的端电压值。利用Matlab里的fminsearch函数寻找目标函数的最小值，即可完成参数辨识，获得极化电阻Rp以及极化时间常数τ。在使用fminsearch函数时存在初值的选择，初值选择不同，得到的结果存在一定的差异。fminsearch函数选取的是初值附近的最小值，是局部的最小值。
从图9a-图9c中可以看出，图9a为本发明实施例中自定义充电脉冲示意图，图9b为本发明实施例中带有拟合误差的参数辨识结果示意图，图9c为本发明实施例中引入修正量的参数辨识结果示意图，其中，自定义脉冲充电拟合的OCV值略低于实际OCV值，而拟合的欧姆内阻高于实际欧姆内阻值，这些拟合误差会给极化效应参量辨识造成影响。本专利引入OCV拟合误差修正量以及欧姆内阻拟合误差修正量，如下述公式所示：
uo＝uoc+ucorrect-i(R0+Rcorrect)-iRp(1-e-t/τ)；
利用最小二乘法辨识ucorrect、Rcorrect与极化电阻Rp以及极化时间常数τ。本发明实施例中，通过采用最小二乘法辨识ucorrect、Rcorrect与极化电阻Rp以及极化时间常数τ，可以实现统一对各个SOC点处的极化效应进行参数辨识，采用相同的Matlab代码就能辨识出各个SOC点的极化内阻以及极化时间常数，方法执行效率较高。其中的修正量是对拟合误差的修正，拟合误差即模型误差。
参见图10a和图10b，其中，图10a为本发明实施例中引入拟合误差修正量的极化效应结果示意图，图10b为本发明实施例中引入修正量的充电极化辨识结果示意图。从图10a和图10b可以看出，利用拟合误差修正量的极化效应辨识结果与实际状况几乎重合。但这种引入修正量的方式主要是为了减小拟合误差对极化效应辨识造成的影响，在实际的Thevenin等效电路模型中，并不存在这样的修正量。
参见图11a和图11b，其中，图11a为本发明实施例中极化内阻辨识结果示意图，图11b为本发明实施例中极化时间常数辨识结果示意图。图11a和图11b所示是通过最小二乘辨识得到的极化效应参数值。极化内阻与极化时间常数并没有显示出规律性。在本发明的实施例中，由于考虑了极化效应，因此有效提高了电池等效模型的拟合精度，在本发明的实施例中，在后续的分析中，极化效应参数值可以以固定的极化内阻以极化时间参数来表示，简化了函数表示。
参见下述表1，表1显示放电方向和充电方向的极化时间常数、极化内阻、极化电容。由于根据实验结果得出极化效应的规律不明朗，因此，可以不区分充电方向和放电两个方向，使用表1中极化时间、极化内阻、极化电容的平均值作为极化效应参数值，在不影响精度的前提下，简化了函数表示。
表1
在本发明的实施例中，还可以选取欧洲的ECE_EUDC_Low循环工况、美国的FTP循环工况、日本的J1015循环工况，以及这三种循环工况构成的联合工况这四种工况电流激励，计算Thevenin等效电路模型的负载电压值，与测量值进行比较，以此验证本发明实施例中采用Thevenin等效电路模型具备更好的精确性。
参见图12a、图12b、图12c，其中，图12a为本发明实施例中ECE_EUDC_Low循环工况下参数验证结果示意图，图12b为本发明实施例中FTP循环工况下参数验证结果示意图，图12c为本发明实施例中联合工况下参数验证结果示意图。
参见下述表2，表2显示循环工况参数验证的相对误差统计。
表2
从图12a、图12b、图12c中可以看出，在平均相对误差这一项比较里，可以看出电池的Thevenin等效电路模型的平均相对误差较小。如表2所示，表2中可以看出Thevenin等效电路模型由于考虑了电池真实存在的极化效应，因此提高了电池等效电路模型的模型精度。
S103：确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于极化效应参数值和初始值，时间变量和电池组SOC变量之间的目标函数。
可选地，确定扩展卡尔曼滤波器的初始值，包括：采用Matlab中的fminsearch函数确定扩展卡尔曼滤波器的初始值。
可选地，目标函数为Matlab中的fminsearch函数。
其中，扩展卡尔曼滤波器的初始值可以用P0、Q、R来表示。
作为一种示例，本发明实施例中，可以在离线状态下基于以下方法对扩展卡尔曼滤波器的初始值P0、Q、R进行优化处理，即，k时刻的SOC估计值可以看做是P0、Q、R的函数，如下述公式：
Sf,k＝f(P0,Q,R)；
则k时刻的SOC估计的绝对误差值为：
errork＝|Sm,k-Sf,k|/(max{Sm,i}-min{Sm,i})；
建立如下公式的目标函数：
J＝min{max(errori)}；
本发明实施例中，采用Matlab中的fminsearch函数，即可实现得到合适的扩展卡尔曼滤波器的初始值。本发明实施例中，目标函数的选取是多种多样的。假设追求的是平均绝对误差最小，则目标函数可以如以下公式所示。也可以确定最大绝对误差与平均相对误差的权重系数，进行加权后确定目标函数，对此不作限制。
J＝min{∑errori/n}；
以上公式中，i＝1，2，3，…，n，n是采样点的个数。
S104：根据目标函数对电池组在当前时间点的SOC进行估算。
在本发明的实施例中，以欧洲的ECE_EUDC_Low循环工况、美国的FTP循环工况、日本的J1015循环工况，以及三种工况组成的联合循环工况电流激励来进行SOC估计的扩展卡尔曼滤波算法验证，如图13a、图13b、图13c，以及图13d所示，其中，图13a为本发明实施例中ECE_EUDC_Low循环工况下SOC估计结果示意图，图13b为本发明实施例中FTP循环工况下SOC估计结果示意图，图13c为本发明实施例中J1015循环工况下SOC估计结果示意图，图13d为本发明实施例中联合工况下SOC估计结果示意图。在图13a、图13b、图13c中，扩展卡尔曼滤波器的初始值为：
在图13d中，扩展卡尔曼滤波器的初始值为：
从图13a、图13b、图13c，以及图13d中可以看出Thevenin等效电路模型SOC估计的扩展卡尔曼滤波算法，在四种循环工况电流激励下的最大绝对误差不到4％，符合电池管理系统对估计精度的要求。
参见下述表3，表3显示Rint等效电路模型与Thevenin等效电路模型SOC估计误差对比。
表3
参见图14a和图14b，其中，图14a为本发明实施例中初始值优化前的SOC估计结果示意图，图14b为本发明实施例中初始值优化后的SOC估计结果示意图，图14a和图14b是在联合循环工况下电流激励为例的初值优化前与优化后的对比，表4是优化前后的扩展卡尔曼滤波器的初始值对照，仿真结果的误差统计如表5所示。由以上结果清晰可见，优化后，SOC估计精度得到了提升。
表4
表5
从表5可以看出，经过优化的扩展卡尔曼滤波器的初始值，能够有效提高SOC估计精度。
可选地，一些实施例中，参见图15，该方法还包括：
S151：根据极化效应参数值对Thevenin等效电路模型进行精度验证。
本发明实施例中，以联合循环工况电流激励为例，对照采样点进行分析，如图16a和图16b和所示。由于本发明实施例中的测试设备的电池采集系统采集的电流值精度高，因此，可以在电流激励中人为加入零均值的符合标准正态分布的噪声信号，图16a为本发明实施例中在联合工况下噪声电流激励示意图，图16b为本发明实施例中在联合工况时噪声电流激励下的SOC估计结果示意图。
本发明实施例中，以联合循环工况电流激励为例，将辨识出来的SOC估计结果代入Thevenin等效电路模型中，从而计算得到SOC估计后的电池负载电压，参见图17，图17为本发明实施例中SOC估计结果的负载电压示意图，如图17所示。与测量值对照，其最大相对误差为10.79％，平均相对误差仅为0.84％，具有较高的精度，有利于电池模型参数的在线辨识。
本实施例中，通过建立待估算电池组的Thevenin等效电路模型，确定Thevenin等效电路模型的极化效应参数值，并确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于极化效应参数值和初始值，时间变量和电池组SOC变量之间的目标函数，以及根据目标函数对电池组在当前时间点的SOC进行估算，能够有效提升电池组SOC的估算精度。
图18是本发明一实施例提出的基于Thevenin模型的电池组SOC的估算装置的结构示意图。
参见图18，该装置180包括：建立模块1801、第一确定模块1802、第二确定模块1803，以及估算模块1804，其中，
建立模块1801，用于建立待估算电池组的Thevenin等效电路模型。
第一确定模块1802，用于确定Thevenin等效电路模型的极化效应参数值。
第二确定模块1803，用于确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于极化效应参数值和初始值，时间变量和电池组SOC变量之间的目标函数。
估算模块1804，用于根据目标函数对电池组在当前时间点的SOC进行估算。
可选地，一些实施例中，参见图19，该装置180还包括：
离散化处理模块1805，用于对Thevenin等效电路模型的状态空间方程进行离散化处理。
验证模块1806，用于根据极化效应参数值对Thevenin等效电路模型进行精度验证。
可选地，一些实施例中，第一确定模块1802，具体用于：
确定离散化处理后的Thevenin等效电路模型的极化效应参数值。
第一确定模块1802，具体用于：
采用最小二乘法，以及Matlab中的fminsearch函数对Thevenin等效电路模型进行参数辨识，以确定Thevenin等效电路模型的极化效应参数值。
可选地，一些实施例中，第二确定模块1803，具体用于：
采用Matlab中的fminsearch函数确定扩展卡尔曼滤波器的初始值。
可选地，目标函数为Matlab中的fminsearch函数。
需要说明的是，前述图1-图17实施例中对基于Thevenin模型的电池组SOC的估算方法实施例的解释说明也适用于该实施例的基于Thevenin模型的电池组SOC的估算装置180，其实现原理类似，此处不再赘述。
本实施例中，通过建立待估算电池组的Thevenin等效电路模型，确定Thevenin等效电路模型的极化效应参数值，并确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于极化效应参数值和初始值，时间变量和电池组SOC变量之间的目标函数，以及根据目标函数对电池组在当前时间点的SOC进行估算，能够有效提升电池组SOC的估算精度。
为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，当存储介质中的指令由终端的处理器执行时，使得终端能够执行一种基于Thevenin模型的电池组SOC的估算方法，方法包括：
建立待估算电池组的Thevenin等效电路模型；
确定Thevenin等效电路模型的极化效应参数值；
确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于极化效应参数值和初始值，时间变量和电池组SOC变量之间的目标函数；
根据目标函数对电池组在当前时间点的SOC进行估算。
本实施例中的非临时性计算机可读存储介质，通过建立待估算电池组的Thevenin等效电路模型，确定Thevenin等效电路模型的极化效应参数值，并确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于极化效应参数值和初始值，时间变量和电池组SOC变量之间的目标函数，以及根据目标函数对电池组在当前时间点的SOC进行估算，能够有效提升电池组SOC的估算精度。
为了实现上述实施例，本发明还提出一种计算机程序产品，当计算机程序产品中的指令被处理器执行时，执行一种基于Thevenin模型的电池组SOC的估算方法，方法包括：
建立待估算电池组的Thevenin等效电路模型；
确定Thevenin等效电路模型的极化效应参数值；
确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于极化效应参数值和初始值，时间变量和电池组SOC变量之间的目标函数；
根据目标函数对电池组在当前时间点的SOC进行估算。
本实施例中的计算机程序产品，通过建立待估算电池组的Thevenin等效电路模型，确定Thevenin等效电路模型的极化效应参数值，并确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于极化效应参数值和初始值，时间变量和电池组SOC变量之间的目标函数，以及根据目标函数对电池组在当前时间点的SOC进行估算，能够有效提升电池组SOC的估算精度。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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一定指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何的一个或多个实施例或示例中以合适的方式结合。
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 (14)

1.一种基于Thevenin模型的电池组SOC的估算方法，其特征在于，包括以下步骤：
建立待估算电池组的Thevenin等效电路模型；
确定所述Thevenin等效电路模型的极化效应参数值；
确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于所述极化效应参数值和所述初始值，时间变量和电池组SOC变量之间的目标函数；
根据所述目标函数对所述电池组在当前时间点的SOC进行估算。
2.如权利要求1所述的基于Thevenin模型的电池组SOC的估算方法，其特征在于，在所述建立待估算电池组的Thevenin等效电路模型之后，还包括：
对所述Thevenin等效电路模型的状态空间方程进行离散化处理；
所述确定所述Thevenin等效电路模型的极化效应参数值，包括：
确定离散化处理后的Thevenin等效电路模型的极化效应参数值。
3.如权利要求1所述的基于Thevenin模型的电池组SOC的估算方法，其特征在于，所述确定所述Thevenin等效电路模型的极化效应参数值，包括：
采用最小二乘法，以及Matlab中的fminsearch函数对所述Thevenin等效电路模型进行参数辨识，以确定所述Thevenin等效电路模型的极化效应参数值。
4.如权利要求3所述的基于Thevenin模型的电池组SOC的估算方法，其特征在于，所述确定扩展卡尔曼滤波器的初始值，包括：
采用所述Matlab中的fminsearch函数确定扩展卡尔曼滤波器的初始值。
5.如权利要求1所述的基于Thevenin模型的电池组SOC的估算方法，其特征在于，还包括：
根据所述极化效应参数值对所述Thevenin等效电路模型进行精度验证。
6.如权利要求1所述的基于Thevenin模型的电池组SOC的估算方法，其特征在于，所述目标函数为Matlab中的fminsearch函数。
7.一种基于Thevenin模型的电池组SOC的估算装置，其特征在于，包括：
建立模块，用于建立待估算电池组的Thevenin等效电路模型；
第一确定模块，用于确定所述Thevenin等效电路模型的极化效应参数值；
第二确定模块，用于确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于所述极化效应参数值和所述初始值，时间变量和电池组SOC变量之间的目标函数；
估算模块，用于根据所述目标函数对所述电池组在当前时间点的SOC进行估算。
8.如权利要求7所述的基于Thevenin模型的电池组SOC的估算装置，其特征在于，还包括：
离散化处理模块，用于对所述Thevenin等效电路模型的状态空间方程进行离散化处理；
所述第一确定模块，具体用于：
确定离散化处理后的Thevenin等效电路模型的极化效应参数值。
9.如权利要求7所述的基于Thevenin模型的电池组SOC的估算装置，其特征在于，所述第一确定模块，具体用于：
采用最小二乘法，以及Matlab中的fminsearch函数对所述Thevenin等效电路模型进行参数辨识，以确定所述Thevenin等效电路模型的极化效应参数值。
10.如权利要求9所述的基于Thevenin模型的电池组SOC的估算装置，其特征在于，所述第二确定模块，具体用于：
采用所述Matlab中的fminsearch函数确定扩展卡尔曼滤波器的初始值。
11.如权利要求7所述的基于Thevenin模型的电池组SOC的估算装置，其特征在于，还包括：
验证模块，用于根据所述极化效应参数值对所述Thevenin等效电路模型进行精度验证。
12.如权利要求7所述的基于Thevenin模型的电池组SOC的估算装置，其特征在于，所述目标函数为Matlab中的fminsearch函数。
13.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的基于Thevenin模型的电池组SOC的估算方法。
14.一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行一种基于Thevenin模型的电池组SOC的估算方法，所述方法包括：
建立待估算电池组的Thevenin等效电路模型；
确定所述Thevenin等效电路模型的极化效应参数值；
确定扩展卡尔曼滤波器的初始值，并采用扩展卡尔曼滤波算法，确定基于所述极化效应参数值和所述初始值，时间变量和电池组SOC变量之间的目标函数；
根据所述目标函数对所述电池组在当前时间点的SOC进行估算。
CN201710995942.1A 2017-10-23 2017-10-23 基于Thevenin模型的电池组SOC的估算方法和装置 Active CN107894570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710995942.1A CN107894570B (zh) 2017-10-23 2017-10-23 基于Thevenin模型的电池组SOC的估算方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710995942.1A CN107894570B (zh) 2017-10-23 2017-10-23 基于Thevenin模型的电池组SOC的估算方法和装置

Publications (2)

Publication Number Publication Date
CN107894570A true CN107894570A (zh) 2018-04-10
CN107894570B CN107894570B (zh) 2020-07-24

Family

ID=61803742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710995942.1A Active CN107894570B (zh) 2017-10-23 2017-10-23 基于Thevenin模型的电池组SOC的估算方法和装置

Country Status (1)

Country Link
CN (1) CN107894570B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109596984A (zh) * 2018-12-12 2019-04-09 上海电力学院 一种基于粒子滤波算法的电池荷电状态的估计方法
CN109786897A (zh) * 2019-03-25 2019-05-21 哈尔滨理工大学 一种基于温度变化的锂离子电池交变激励低温加热方法
CN110441702A (zh) * 2019-07-31 2019-11-12 湘潭大学 一种用扩展卡尔曼滤波估算锂离子电池充电电量的方法
CN111308373A (zh) * 2020-04-07 2020-06-19 枣庄职业学院 一种电池的Thevenin模型参数的辨识方法及其应用
CN111896875A (zh) * 2020-07-28 2020-11-06 江苏理工学院 考虑滞回效应的动力电池soc估计方法
CN112946482A (zh) * 2021-02-03 2021-06-11 一汽解放汽车有限公司 一种基于模型的电池电压估算方法、装置、设备及存储介质
CN113830013A (zh) * 2020-06-24 2021-12-24 比亚迪股份有限公司 管理车辆低压配电的方法和系统及车辆和存储介质
CN116500461A (zh) * 2023-06-29 2023-07-28 安徽锐能科技有限公司 电池滞回模型下的soc估计方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103454592A (zh) * 2013-08-23 2013-12-18 中国科学院深圳先进技术研究院 一种动力电池荷电状态估计方法及系统
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
CN104360282A (zh) * 2014-11-19 2015-02-18 奇瑞汽车股份有限公司 一种变长度滑动窗辨识电池参数的电池荷电状态估计方法
KR20160128000A (ko) * 2015-04-28 2016-11-07 영남대학교 산학협력단 배터리 진단 장치 및 그 방법
CN106385211A (zh) * 2016-10-09 2017-02-08 重庆大学 一种步进电机负载转矩估计方法
CN107167743A (zh) * 2017-06-29 2017-09-15 北京新能源汽车股份有限公司 基于电动车辆的荷电状态估算方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103454592A (zh) * 2013-08-23 2013-12-18 中国科学院深圳先进技术研究院 一种动力电池荷电状态估计方法及系统
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
CN104360282A (zh) * 2014-11-19 2015-02-18 奇瑞汽车股份有限公司 一种变长度滑动窗辨识电池参数的电池荷电状态估计方法
KR20160128000A (ko) * 2015-04-28 2016-11-07 영남대학교 산학협력단 배터리 진단 장치 및 그 방법
CN106385211A (zh) * 2016-10-09 2017-02-08 重庆大学 一种步进电机负载转矩估计方法
CN107167743A (zh) * 2017-06-29 2017-09-15 北京新能源汽车股份有限公司 基于电动车辆的荷电状态估算方法和装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109596984A (zh) * 2018-12-12 2019-04-09 上海电力学院 一种基于粒子滤波算法的电池荷电状态的估计方法
CN109786897A (zh) * 2019-03-25 2019-05-21 哈尔滨理工大学 一种基于温度变化的锂离子电池交变激励低温加热方法
CN109786897B (zh) * 2019-03-25 2021-12-03 哈尔滨理工大学 一种基于温度变化的锂离子电池交变激励低温加热方法
CN110441702A (zh) * 2019-07-31 2019-11-12 湘潭大学 一种用扩展卡尔曼滤波估算锂离子电池充电电量的方法
CN110441702B (zh) * 2019-07-31 2021-09-21 湘潭大学 一种用扩展卡尔曼滤波估算锂离子电池充电电量的方法
CN111308373A (zh) * 2020-04-07 2020-06-19 枣庄职业学院 一种电池的Thevenin模型参数的辨识方法及其应用
CN113830013A (zh) * 2020-06-24 2021-12-24 比亚迪股份有限公司 管理车辆低压配电的方法和系统及车辆和存储介质
CN111896875A (zh) * 2020-07-28 2020-11-06 江苏理工学院 考虑滞回效应的动力电池soc估计方法
CN112946482A (zh) * 2021-02-03 2021-06-11 一汽解放汽车有限公司 一种基于模型的电池电压估算方法、装置、设备及存储介质
CN112946482B (zh) * 2021-02-03 2024-04-12 一汽解放汽车有限公司 一种基于模型的电池电压估算方法、装置、设备及存储介质
CN116500461A (zh) * 2023-06-29 2023-07-28 安徽锐能科技有限公司 电池滞回模型下的soc估计方法及系统
CN116500461B (zh) * 2023-06-29 2023-10-27 安徽锐能科技有限公司 电池滞回模型下的soc估计方法及系统

Also Published As

Publication number Publication date
CN107894570B (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN107894570A (zh) 基于Thevenin模型的电池组SOC的估算方法和装置
Gholizadeh et al. Estimation of state of charge, unknown nonlinearities, and state of health of a lithium-ion battery based on a comprehensive unobservable model
Chen et al. Battery state of charge estimation based on a combined model of Extended Kalman Filter and neural networks
JP6848143B2 (ja) バッテリー等価回路モデルのパラメータ推定方法、装置及び記録媒体
Kim et al. Discrimination of Li-ion batteries based on Hamming network using discharging–charging voltage pattern recognition for improved state-of-charge estimation
CN106026260A (zh) 一种带有均衡电路的串连电池组soc估算方法
CN109991554B (zh) 一种电池电量检测方法、装置及终端设备
CN108846227B (zh) 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法
CN109633453A (zh) 电池参数在线辨识方法、装置及计算机可读存储介质
CN104849672A (zh) 基于等效电路模型的锂电池动态阻抗参数识别方法
CN110196393A (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
CN110609232B (zh) 一种锂离子电池soc估计方法、装置及终端设备
CN110795851A (zh) 一种考虑环境温度影响的锂离子电池建模方法
Li et al. A new parameter estimation algorithm for an electrical analogue battery model
KR102373458B1 (ko) 배터리를 위한 등가 회로 모델의 파라미터 추정 방법 및 배터리 관리 시스템
CN107110916A (zh) 电池组的电池单元的充电状态的自动估计方法
CN109116251B (zh) 一种基于复合式工况的锂电池参数辨识方法
Hu et al. Recursive calibration for a lithium iron phosphate battery for electric vehicles using extended Kalman filtering
CN109917299B (zh) 一种锂电池荷电状态的三层滤波估算方法
CN110133525A (zh) 一种应用于电池管理系统的锂离子电池健康状态估计方法
CN108829911A (zh) 一种开路电压与soc函数关系优化方法
CN110568373A (zh) 锂电池健康状态评估方法、系统、终端及存储介质
JP6859585B2 (ja) バッテリーの電力限界を決定するための方法及びバッテリー管理システム
CN107505574A (zh) 基于极大似然带渐消因子的ukf锂电池估算方法
Qiu et al. Battery hysteresis modeling for state of charge estimation based on Extended Kalman Filter

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