CN109239614A - 一种考虑传感器中漂移电流值的锂电池soc估计方法 - Google Patents
一种考虑传感器中漂移电流值的锂电池soc估计方法 Download PDFInfo
- Publication number
- CN109239614A CN109239614A CN201811339229.2A CN201811339229A CN109239614A CN 109239614 A CN109239614 A CN 109239614A CN 201811339229 A CN201811339229 A CN 201811339229A CN 109239614 A CN109239614 A CN 109239614A
- Authority
- CN
- China
- Prior art keywords
- soc
- moment
- formula
- battery
- 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.)
- Pending
Links
Landscapes
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种考虑传感器中漂移电流值的锂电池SOC估计方法,包括:拟合出在不同温度与实际放出的容量之间的关系,拟合出不同放电倍率与实际放出的容量之间的关系;以Drift‑Ah积分法作为状态模块估算当前SOC,建立电池电压‑SOC‑电流之间的函数关系,对该函数关系离散化得到系统状态方程;将电池在20℃±2℃的环境中进行放电实验,以SCKF算法对SOC进行估算。本发明考虑到不同温度、不同放电倍率两个参数对电池容量的影响,为后面SOC进行更为准确的估算;本发明考虑到SOC模型参数的变化,设置低、中、高三种模型,使其估算精度更为准确;本发明能够有效减少漂移电流对估算精度的影响,对动力电池SOC进行更为准确的估算。
Description
技术领域
本发明涉及锂电池荷电状态估计技术领域,尤其是一种考虑传感器中漂移电流值的锂电池SOC估计方法。
背景技术
动力电池作为新能源汽车的核心部件和主要动力来源,对其进行合理而完善的监控管理是十分重要的。目前SOC估算策略经典的安时积分法、神经网络法、放电实验法、开路电压法、卡尔曼滤波器等。然而当前电池模型和估算方法的实验数据均通过理想化的传感器检测而来。在实际使用过程由于传感器精度有限,实际测量时存在着漂移电流值,即非零的均值噪声,如果不考虑漂移电流值,会使SOC估算值与实际值相差甚远。
发明内容
本发明的目的在于提供一种利用SCKF算法对电池SOC进行估算更新,有效的减少漂移电流对估算精度影响的考虑传感器中漂移电流值的锂电池SOC估计方法。
为实现上述目的,本发明采用了以下技术方案:一种考虑传感器中漂移电流值的锂电池SOC估计方法,该方法包括下列顺序的步骤:
(1)通过对锂电池进行不同温度下的充放电试验,拟合出在不同温度与实际放出的容量之间的关系,即ηT;通过对锂电池进行不同放电倍率下的充放电试验,拟合出不同放电倍率与实际放出的容量之间的关系,即ηI;在不同放电倍率、不同温度下的电池容量为:
Qn(T,I)=KηTηI,其中K为与活性物质有关的常数;
(2)以Drift-Ah积分法作为状态模块估算当前SOC,建立电池电压-SOC-电流之间的函数关系,对该函数关系离散化得到系统状态方程,对电池当前电压与SOC间的关系离散化得到系统观测方程,通过设置SOC低、中、高分别对应第一模型、第二模型、第三模型,三个模型均为电化学模型,得出三个模型的表达式;
(3)将电池在20℃±2℃的环境中进行放电实验,以SCKF算法对SOC进行估算。
所述步骤(1)具体包括以下步骤:
(1a)选用50Ah钛酸锂电池,选用测量范围0~100A,精度为0.4%的外部传感器;(1b)对50Ah钛酸锂电池先充满电后,放入恒温箱静置30分钟;随后以5A的电流对其进行恒流放电,测量该电池容量;改变恒温箱温度,设置温度为0℃-50℃,对锂电池进行充放电循环实验从而测得不同温度下的锂电池的电池容量的变化情况,得出电池容量与温度的函数关系,从而得出ηT:
其中,A0、A1、A2、A3、A4、A5为拟合系数;
(1c)50Ah钛酸锂电池在20℃±2℃温度下先充满电后,然后分别以0.1C、0.2C、0.3C、0.4C、0.5C、0.6C、0.7C、0.8C、0.9C、1C、1.2C对锂电池恒流放电,从而测得不同放电倍率下的锂电池的电池容量的变化情况,得出电池容量与不同放电倍率的函数关系,得出ηI:
其中,B0、B1、B2、B3为拟合系数。
所述步骤(2)具体包括以下步骤:
(2a)将实际电流分为测量电流与漂移电流,建立如下关系式:
ireal(t)=iD(t)-id(t)-q(t)
其中,ireal(t)表示t时刻实际电流;iD(t)表示t时刻测量电流;id(t)表示t时刻漂移电流;q(t)表示漂移电流的噪声,得到Drift-Ah积分法的估算表达式::
式中η表示库伦效率,通常取值为1;SOC0表示初始SOC值,SOC(t)表示t时刻荷电状态,Qn(T,I)表示不同放电倍率、不同温度下的电池容量,其中Qn(T,I)=KηTηI,其中K为与活性物质有关的常数;
(2b)对上一步所得的公式离散化可得:
对上式化简后得到系统状态方程:
xk=xk-1-η·(ik-id-qk)·Δt/Qn(T,I)
式中,Δt为离散时间间隔,ik为离散电流;x0表示初始SOC值;
(2c)电化学模型以i(t)和SOC(t)作为输出量,与Drift-Ah积分法组成反馈环节,其中SOC(t)由Drift-Ah积分法输出,i(t)则来自于电流传感器,因而同样存在漂移电流,从而得到电化学噪声模型:
V(t)=E0-R·(iD(t)-id(t)-q(t))-K0/SOC(t)
-K1·SOC(t)+K2ln(SOC(t))+K3·ln(1-SOC(t))
式中,V(t)表示t时刻端电压;E0表示电池初始电动势;R表示电池内阻;SOC(t)表示t时刻荷电状态;K0、K1、K2、K3为待匹配的模型参数;其中K0、K1、K2、K3在MATLAB中由最小二乘法进行参数辨识,所述SOC低、中、高分别是指0~10%、10~90%、90~100%,所述第一模型、第二模型、第三模型的表达式如下:
VL(t)=E0-R·(iD(t)-id(t)-q(t))-K0L/SOC(t)
-K1L·SOC(t)+K2Lln(SOC(t))+K3L·ln(1-SOC(t))
VM(t)=E0-R·(iD(t)-id(t)-q(t))-K0M/SOC(t)
-K1M·SOC(t)+K2Mln(SOC(t))+K3M·ln(1-SOC(t))
VH(t)=E0-R·(iD(t)-id(t)-q(t))-K0H/SOC(t)
-K1H·SOC(t)+K2Hln(SOC(t))+K3H·ln(1-SOC(t))
其中L表示SOC低,M表示SOC中,H表示SOC高;
(2d)对上一步所得的公式离散化可得系统观测方程:
yk=E0-R·(ik-id-qk)-K0/xk-K1·xk
+K2·ln(xk)+K3·ln(1-xk)
式中,qk表示漂移电流的零均值高斯白噪声;K0、K1、K2、K3分别为模型的待辨识参数;
(2e)由步骤(2b)和步骤(2d)所得公式可得电池的离散状态空间:
其中,电流ik表示系统的输入变量u(k);id表示漂移电流;系统噪声wk是零均值、方差Qk-1的高斯白噪声;量测噪声vk是零均值、方差Rk的高斯白噪声;系统噪声和量测噪声为零均值的相互独立的高斯白噪声,Qk-1和Rk均为正定对称阵,而且均将电流漂移值的噪声ik包含在内;
(2f)由上一步所得公式进行线性化,可得:
其中,
Dk=-R
式中,f(uk,xk-1)为状态转移参数,g(uk,xk)为观测函数,将f(uk,xk-1),g(uk,xk)分别在xk-1、xk处进行泰勒展开化简得到Ak、Ck;k-1时刻的估计状态为η表示库伦效率,通常取值为1;Δt为离散时间间隔;Qn(T,I)表示不同放电倍率、不同温度下的电池容量;k时刻的估计状态为K0、K1、K2、K3为待匹配的参数模型;R为电池内阻;Bk为状态方程的系数矩阵,uk为电流的输入。
所述步骤(3)具体包括以下步骤:
(3a)初始化:
设E(x)为随机变量的期望值,给定初始值,x0|0=SOC0=E[x0]=1,SOC0为电池SOC初始值,则:
初始误差协方差矩阵定义为:P0=I3*3;
(3b)时间更新:
(3b1)计算求容积点:
式中:m=2n,n为系统状态数量,假设在k时刻可以得到k-1时刻的误差协方差矩阵Pk-1|k-1和k-1时刻的估计状态εi为加权函数,符合标准正态分布密度的积分基本容积点和对应的权值,即:
(3b2)计算通过状态方程的传播得到的容积点:
(3b3)求解未引入渐消因子的状态预测估计值:
(3b4)估计预测误差协方差矩阵的平方根因子:
式中,
其中,
且有:
式中:β为弱化因子,β=1.2,Rk为k时刻电池SOC的修正均值,Qk-1为误差矩阵,Ak-1为k-1时刻的状态方程的系数矩阵,Ck为k时刻的状态方程的系数矩阵,Pk-1|k-1为k-1时刻的预测误差协方差矩阵;
Vo,k为残差协方差阵:
γk=yk-g(uk,xk)
式中:ρ为遗忘因子;β为弱化因子,通常情况下取ρ=0.95,β=1.2;Vo,k-1为k-1时刻的残差协方差矩阵;
(3c)测量更新:
(3c1)计算求容积点:
式中:m=2n,n为系统状态数量,k时刻对状态变量SOC的误差协方差矩阵Pk|k-1和k时刻的估计状态εi为加权函数,符合标准正态分布密度的积分基本容积点和对应的权值,即:
(3c2)计算传播后的求容积点:
ηi,k|k-1=h(Xi,k|k-1),i=1,2,...,m
式中,h(Xi,k|k-1)为k时刻的预测量测方程容积点,Xi,k|k-1为更新状态容积点;
(3c3)进行测量预测:
式中:m=2n,n为系统状态数量,为k时刻的预测量测值,ηi,k|k-1为传播后的预测量测容积点;
(3c4)计算新息协方差矩阵:
式中,m=2n,n为系统状态数量,ηi,k|k-1为传播后的预测量测容积点,为k时刻的预测量测值,Rk为k时刻电池SOC的修正均值,Pyy,k|k-1为预测k时刻的对量测方程的新息协方差矩阵;
(3c5)计算互协方差矩阵:
式中,m=2n,n为系统状态数量,Xi,k|k-1为通过状态方程的传播得到的容积点,ηi,k|k-1为传播后的预测量测容积点,为k时刻的预测量测值,为求解未引入渐消因子的状态预测估计值;
(3c6)计算Kalman增益阵:
式中,Pxy,k|k-1为互协方差矩阵,Pyy,k|k-1为预测k时刻的对量测方程的新息协方差矩阵;
(3c7)进行状态估计:
为求解未引入渐消因子的状态预测估计值,Kk为Kalman增益阵,为k时刻的预测量测值,yk为k时刻的量测方程真实值;
(3c8)计算更新误差协方差矩阵:
式中:Pk|k-1为引入渐消因子的预测误差方差阵,Kk为Kalman增益阵,Pyy,k|k-1为预测k时刻的对量测方程的新息协方差矩阵;
将上述步骤(3b)、(3c)进行反复迭代,以实现对锂电池系统状态的最优估计。
由上述技术方案可知,本发明的优点在于:第一,本发明能够较好的克服传感器中漂移电流误差的累积;第二,本发明考虑到不同温度、不同放电倍率两个参数对电池容量的影响,为后面SOC进行更为准确的估算;第三,本发明考虑到SOC模型参数的变化,设置低、中、高三种模型,使其估算精度更为准确;第四,本发明能够有效减少漂移电流对估算精度的影响,对动力电池SOC进行更为准确的估算。
附图说明
图1为本发明的方法流程图;
图2为本发明中电池容量与温度关系曲线图;
图3为本发明中电池容量与不同放电倍率关系曲线图;
图4为放电过程抑制漂移电流的SOC变化示意图;
图5为放电过程抑制漂移电流的SOC估算误差图。
具体实施方式
如图1所示,一种考虑传感器中漂移电流值的锂电池SOC估计方法,该方法包括下列顺序的步骤:
(1)通过对锂电池进行不同温度下的充放电试验,拟合出在不同温度与实际放出的容量之间的关系,即ηT;通过对锂电池进行不同放电倍率下的充放电试验,拟合出不同放电倍率与实际放出的容量之间的关系,即ηI;在不同放电倍率、不同温度下的电池容量为:
Qn(T,I)=KηTηI,其中K为与活性物质有关的常数;
(2)以Drift-Ah积分法作为状态模块估算当前SOC,建立电池电压-SOC-电流之间的函数关系,对该函数关系离散化得到系统状态方程,对电池当前电压与SOC间的关系离散化得到系统观测方程,通过设置SOC低、中、高分别对应第一模型、第二模型、第三模型,三个模型均为电化学模型,得出三个模型的表达式;
(3)将电池在20℃±2℃的环境中进行放电实验,以SCKF算法对SOC进行估算。
如图2所示,根据本发明的电池容量与温度关系曲线图,所述步骤(1)具体包括以下步骤:
(1a)选用50Ah钛酸锂电池,选用测量范围0~100A,精度为0.4%的外部传感器;
(1b)对50Ah钛酸锂电池先充满电后,放入恒温箱静置30分钟;随后以5A的电流对其进行恒流放电,测量该电池容量;改变恒温箱温度,设置温度为0℃-50℃,对锂电池进行充放电循环实验从而测得不同温度下的锂电池的电池容量的变化情况,得出电池容量与温度的函数关系,从而得出ηT:
其中,A0、A1、A2、A3、A4、A5为拟合系数;
(1c)50Ah钛酸锂电池在20℃±2℃温度下先充满电后,然后分别以0.1C、0.2C、0.3C、0.4C、0.5C、0.6C、0.7C、0.8C、0.9C、1C、1.2C对锂电池恒流放电,从而测得不同放电倍率下的锂电池的电池容量的变化情况,得出电池容量与不同放电倍率的函数关系,如图3所示,得出ηI:
其中,B0、B1、B2、B3为拟合系数。
所述步骤(2)具体包括以下步骤:
(2a)将实际电流分为测量电流与漂移电流,根据生产厂家的不同,当前霍尔电流传感器存在着0.1%~0.5%的误差电流,建立如下关系式:
ireal(t)=iD(t)-id(t)-q(t)
其中,ireal(t)表示t时刻实际电流;iD(t)表示t时刻测量电流;id(t)表示t时刻漂移电流;q(t)表示漂移电流的噪声,得到Drift-Ah积分法的估算表达式:
式中η表示库伦效率,通常取值为1;SOC0表示初始SOC值,SOC(t)表示t时刻荷电状态,Qn(T,I)表示不同放电倍率、不同温度下的电池容量,其中Qn(T,I)=KηTηI,其中K为与活性物质有关的常数;
(2b)对上一步所得的公式离散化可得:
对上式化简后得到系统状态方程:
xk=xk-1-η·(ik-id-qk)·Δt/Qn(T,I)
式中,Δt为离散时间间隔,ik为离散电流;x0表示初始SOC值;
(2c)电化学模型以i(t)和SOC(t)作为输出量,与Drift-Ah积分法组成反馈环节,其中SOC(t)由Drift-Ah积分法输出,i(t)则来自于电流传感器,因而同样存在漂移电流,从而得到电化学噪声模型:
V(t)=E0-R·(iD(t)-id(t)-q(t))-K0/SOC(t)
-K1·SOC(t)+K2ln(SOC(t))+K3·ln(1-SOC(t))
式中,V(t)表示t时刻端电压;E0表示电池初始电动势;R表示电池内阻;SOC(t)表示t时刻荷电状态;K0、K1、K2、K3为待匹配的模型参数;其中K0、K1、K2、K3在MATLAB中由最小二乘法进行参数辨识,所述SOC低、中、高分别是指0~10%、10~90%、90~100%,所述第一模型、第二模型、第三模型的表达式如下:
VL(t)=E0-R·(iD(t)-id(t)-q(t))-K0L/SOC(t)
-K1L·SOC(t)+K2Lln(SOC(t))+K3L·ln(1-SOC(t))
VM(t)=E0-R·(iD(t)-id(t)-q(t))-K0M/SOC(t)
-K1M·SOC(t)+K2Mln(SOC(t))+K3M·ln(1-SOC(t))
VH(t)=E0-R·(iD(t)-id(t)-q(t))-K0H/SOC(t)
-K1H·SOC(t)+K2Hln(SOC(t))+K3H·ln(1-SOC(t))
其中L表示SOC低,M表示SOC中,H表示SOC高;
(2d)对上一步所得的公式离散化可得系统观测方程:
yk=E0-R·(ik-id-qk)-K0/xk-K1·xk
+K2·ln(xk)+K3·ln(1-xk)
式中,qk表示漂移电流的零均值高斯白噪声;K0、K1、K2、K3分别为模型的待辨识参数;
(2e)由步骤(2b)和步骤(2d)所得公式可得电池的离散状态空间:
其中,电流ik表示系统的输入变量u(k);id表示漂移电流;系统噪声wk是零均值、方差Qk-1的高斯白噪声;量测噪声vk是零均值、方差Rk的高斯白噪声;系统噪声和量测噪声为零均值的相互独立的高斯白噪声,Qk-1和Rk均为正定对称阵,而且均将电流漂移值的噪声ik包含在内;
(2f)由上一步所得公式进行线性化,可得:
其中,
Dk=-R
式中,f(uk,xk-1)为状态转移参数,g(uk,xk)为观测函数,将f(uk,xk-1),g(uk,xk)分别在xk-1、xk处进行泰勒展开化简得到Ak、Ck;k-1时刻的估计状态为η表示库伦效率,通常取值为1;Δt为离散时间间隔;Qn(T,I)表示不同放电倍率、不同温度下的电池容量;k时刻的估计状态为K0、K1、K2、K3为待匹配的参数模型;R为电池内阻;Bk为状态方程的系数矩阵,uk为电流的输入。
所述步骤(3)具体包括以下步骤:
(3a)初始化:
设E(x)为随机变量的期望值,给定初始值,x0|0=SOC0=E[x0]=1,SOC0为电池SOC初始值,则:
初始误差协方差矩阵定义为:P0=I3*3;
(3b)时间更新:
(3b1)计算求容积点:
式中:m=2n,n为系统状态数量,假设在k时刻可以得到k-1时刻的误差协方差矩阵Pk-1|k-1和k-1时刻的估计状态εi为加权函数,符合标准正态分布密度的积分基本容积点和对应的权值,即:
(3b2)计算通过状态方程的传播得到的容积点:
(3b3)求解未引入渐消因子的状态预测估计值:
(3b4)估计预测误差协方差矩阵的平方根因子:
式中,
其中,
且有:
式中:β为弱化因子,β=1.2,Rk为k时刻电池SOC的修正均值,Qk-1为误差矩阵,Ak-1为k-1时刻的状态方程的系数矩阵,Ck为k时刻的状态方程的系数矩阵,Pk-1|k-1为k-1时刻的预测误差协方差矩阵;
Vo,k为残差协方差阵:
γk=yk-g(uk,xk)
式中:ρ为遗忘因子;β为弱化因子,通常情况下取ρ=0.95,β=1.2;Vo,k-1为k-1时刻的残差协方差矩阵;
(3c)测量更新:
(3c1)计算求容积点:
式中:m=2n,n为系统状态数量,k时刻对状态变量SOC的误差协方差矩阵Pk|k-1和k时刻的估计状态εi为加权函数,符合标准正态分布密度的积分基本容积点和对应的权值,即:
(3c2)计算传播后的求容积点:
ηi,k|k-1=h(Xi,k|k-1),i=1,2,...,m
式中,h(Xi,k|k-1)为k时刻的预测量测方程容积点,Xi,k|k-1为更新状态容积点;
(3c3)进行测量预测:
式中:m=2n,n为系统状态数量,为k时刻的预测量测值,ηi,k|k-1为传播后的预测量测容积点;
(3c4)计算新息协方差矩阵:
式中,m=2n,n为系统状态数量,ηi,k|k-1为传播后的预测量测容积点,为k时刻的预测量测值,Rk为k时刻电池SOC的修正均值,Pyy,k|k-1为预测k时刻的对量测方程的新息协方差矩阵;
(3c5)计算互协方差矩阵:
式中,m=2n,n为系统状态数量,Xi,k|k-1为通过状态方程的传播得到的容积点,ηi,k|k-1为传播后的预测量测容积点,为k时刻的预测量测值,为求解未引入渐消因子的状态预测估计值;
(3c6)计算Kalman增益阵:
式中,Pxy,k|k-1为互协方差矩阵,Pyy,k|k-1为预测k时刻的对量测方程的新息协方差矩阵;
(3c7)进行状态估计:
为求解未引入渐消因子的状态预测估计值,Kk为Kalman增益阵,为k时刻的预测量测值,yk为k时刻的量测方程真实值;
(3c8)计算更新误差协方差矩阵:
式中:Pk|k-1为引入渐消因子的预测误差方差阵,Kk为Kalman增益阵,Pyy,k|k-1为预测k时刻的对量测方程的新息协方差矩阵;
将上述步骤(3b)、(3c)进行反复迭代,以实现对锂电池系统状态的最优估计。
由图4可以看出,考虑到漂移电流后,SCKF算法估计值能更好的跟踪实际SOC的变化。由图5可以看出,SCKF算法对SOC的整体估计误差围绕在0—0.5%范围内上下波动,SCKF的估算精度较高同时能够较好的消除模型不确定性所带来的影响。
综上所述,本发明能够较好的克服传感器中漂移电流误差的累积;本发明考虑到不同温度、不同放电倍率两个参数对电池容量的影响,为后面SOC进行更为准确的估算;本发明考虑到SOC模型参数的变化,设置低、中、高三种模型,使其估算精度更为准确;本发明能够有效减少漂移电流对估算精度的影响,对动力电池SOC进行更为准确的估算。
Claims (4)
1.一种考虑传感器中漂移电流值的锂电池SOC估计方法,该方法包括下列顺序的步骤:
(1)通过对锂电池进行不同温度下的充放电试验,拟合出在不同温度与实际放出的容量之间的关系,即ηT;通过对锂电池进行不同放电倍率下的充放电试验,拟合出不同放电倍率与实际放出的容量之间的关系,即ηI;在不同放电倍率、不同温度下的电池容量为:
Qn(T,I)=KηTηI,其中K为与活性物质有关的常数;
(2)以Drift-Ah积分法作为状态模块估算当前SOC,建立电池电压-SOC-电流之间的函数关系,对该函数关系离散化得到系统状态方程,对电池当前电压与SOC间的关系离散化得到系统观测方程,通过设置SOC低、中、高分别对应第一模型、第二模型、第三模型,三个模型均为电化学模型,得出三个模型的表达式;
(3)将电池在20℃±2℃的环境中进行放电实验,以SCKF算法对SOC进行估算。
2.根据权利要求1所述的考虑传感器中漂移电流值的锂电池SOC估计方法,其特征在于:所述步骤(1)具体包括以下步骤:
(1a)选用50Ah钛酸锂电池,选用测量范围0~100A,精度为0.4%的外部传感器;
(1b)对50Ah钛酸锂电池先充满电后,放入恒温箱静置30分钟;随后以5A的电流对其进行恒流放电,测量该电池容量;改变恒温箱温度,设置温度为0℃-50℃,对锂电池进行充放电循环实验从而测得不同温度下的锂电池的电池容量的变化情况,得出电池容量与温度的函数关系,从而得出ηT:
其中,A0、A1、A2、A3、A4、A5为拟合系数;
(1c)50Ah钛酸锂电池在20℃±2℃温度下先充满电后,然后分别以0.1C、0.2C、0.3C、0.4C、0.5C、0.6C、0.7C、0.8C、0.9C、1C、1.2C对锂电池恒流放电,从而测得不同放电倍率下的锂电池的电池容量的变化情况,得出电池容量与不同放电倍率的函数关系,得出ηI:
其中,B0、B1、B2、B3为拟合系数。
3.根据权利要求1所述的考虑传感器中漂移电流值的锂电池SOC估计方法,其特征在于:所述步骤(2)具体包括以下步骤:
(2a)将实际电流分为测量电流与漂移电流,建立如下关系式:
ireal(t)=iD(t)-id(t)-q(t)
其中,ireal(t)表示t时刻实际电流;iD(t)表示t时刻测量电流;id(t)表示t时刻漂移电流;q(t)表示漂移电流的噪声,得到Drift-Ah积分法的估算表达式:
式中η表示库伦效率,通常取值为1;SOC0表示初始SOC值,SOC(t)表示t时刻荷电状态,Qn(T,I)表示不同放电倍率、不同温度下的电池容量,其中Qn(T,I)=KηTηI,其中K为与活性物质有关的常数;
(2b)对上一步所得的公式离散化可得:
对上式化简后得到系统状态方程:
xk=xk-1-η·(ik-id-qk)·Δt/Qn(T,I)
式中,Δt为离散时间间隔,ik为离散电流;x0表示初始SOC值;
(2c)电化学模型以i(t)和SOC(t)作为输出量,与Drift-Ah积分法组成反馈环节,其中SOC(t)由Drift-Ah积分法输出,i(t)则来自于电流传感器,因而同样存在漂移电流,从而得到电化学噪声模型:
V(t)=E0-R·(iD(t)-id(t)-q(t))-K0/SOC(t)
-K1·SOC(t)+K2ln(SOC(t))+K3·ln(1-SOC(t))
式中,V(t)表示t时刻端电压;E0表示电池初始电动势;R表示电池内阻;SOC(t)表示t时刻荷电状态;K0、K1、K2、K3为待匹配的模型参数;其中K0、K1、K2、K3在MATLAB中由最小二乘法进行参数辨识,所述SOC低、中、高分别是指0~10%、10~90%、90~100%,所述第一模型、第二模型、第三模型的表达式如下:
VL(t)=E0-R·(iD(t)-id(t)-q(t))-K0L/SOC(t)
-K1L·SOC(t)+K2Lln(SOC(t))+K3L·ln(1-SOC(t))
VM(t)=E0-R·(iD(t)-id(t)-q(t))-K0M/SOC(t)
-K1M·SOC(t)+K2Mln(SOC(t))+K3M·ln(1-SOC(t))
VH(t)=E0-R·(iD(t)-id(t)-q(t))-K0H/SOC(t)
-K1H·SOC(t)+K2Hln(SOC(t))+K3H·ln(1-SOC(t))
其中L表示SOC低,M表示SOC中,H表示SOC高;
(2d)对上一步所得的公式离散化可得系统观测方程:
yk=E0-R·(ik-id-qk)-K0/xk-K1·xk
+K2·ln(xk)+K3·ln(1-xk)
式中,qk表示漂移电流的零均值高斯白噪声;K0、K1、K2、K3分别为模型的待辨识参数;
(2e)由步骤(2b)和步骤(2d)所得公式可得电池的离散状态空间:
其中,电流ik表示系统的输入变量u(k);id表示漂移电流;系统噪声wk是零均值、方差Qk-1的高斯白噪声;量测噪声vk是零均值、方差Rk的高斯白噪声;系统噪声和量测噪声为零均值的相互独立的高斯白噪声,Qk-1和Rk均为正定对称阵,而且均将电流漂移值的噪声ik包含在内;
(2f)由上一步所得公式进行线性化,可得:
其中,
Dk=-R
式中,f(uk,xk-1)为状态转移参数,g(uk,xk)为观测函数,将f(uk,xk-1),g(uk,xk)分别在xk-1、xk处进行泰勒展开化简得到Ak、Ck;k-1时刻的估计状态为η表示库伦效率,通常取值为1;Δt为离散时间间隔;Qn(T,I)表示不同放电倍率、不同温度下的电池容量;k时刻的估计状态为K0、K1、K2、K3为待匹配的参数模型;R为电池内阻;Bk为状态方程的系数矩阵,uk为电流的输入。
4.根据权利要求1所述的考虑传感器中漂移电流值的锂电池SOC估计方法,其特征在于:所述步骤(3)具体包括以下步骤:
(3a)初始化:
设E(x)为随机变量的期望值,给定初始值,x0|0=SOC0=E[x0]=1,SOC0为电池SOC初始值,则:
初始误差协方差矩阵定义为:P0=I3*3;
(3b)时间更新:
(3b1)计算求容积点:
式中:m=2n,n为系统状态数量,假设在k时刻可以得到k-1时刻的误差协方差矩阵Pk-1|k-1和k-1时刻的估计状态εi为加权函数,符合标准正态分布密度的积分基本容积点和对应的权值,即:
(3b2)计算通过状态方程的传播得到的容积点:
(3b3)求解未引入渐消因子的状态预测估计值:
(3b4)估计预测误差协方差矩阵的平方根因子:
式中,
其中,
且有:
式中:β为弱化因子,β=1.2,Rk为k时刻电池SOC的修正均值,Qk-1为误差矩阵,Ak-1为k-1时刻的状态方程的系数矩阵,Ck为k时刻的状态方程的系数矩阵,Pk-1|k-1为k-1时刻的预测误差协方差矩阵;
Vo,k为残差协方差阵:
γk=yk-g(uk,xk)
式中:ρ为遗忘因子;β为弱化因子,通常情况下取ρ=0.95,β=1.2;Vo,k-1为k-1时刻的残差协方差矩阵;
(3c)测量更新:
(3c1)计算求容积点:
式中:m=2n,n为系统状态数量,k时刻对状态变量SOC的误差协方差矩阵Pk|k-1和k时刻的估计状态εi为加权函数,符合标准正态分布密度的积分基本容积点和对应的权值,即:
(3c2)计算传播后的求容积点:
ηi,k|k-1=h(Xi,k|k-1),i=1,2,...,m
式中,h(Xi,k|k-1)为k时刻的预测量测方程容积点,Xi,k|k-1为更新状态容积点;
(3c3)进行测量预测:
式中:m=2n,n为系统状态数量,为k时刻的预测量测值,ηi,k|k-1为传播后的预测量测容积点;
(3c4)计算新息协方差矩阵:
式中,m=2n,n为系统状态数量,ηi,k|k-1为传播后的预测量测容积点,为k时刻的预测量测值,Rk为k时刻电池SOC的修正均值,Pyy,k|k-1为预测k时刻的对量测方程的新息协方差矩阵;
(3c5)计算互协方差矩阵:
式中,m=2n,n为系统状态数量,Xi,k|k-1为通过状态方程的传播得到的容积点,ηi,k|k-1为传播后的预测量测容积点,为k时刻的预测量测值,为求解未引入渐消因子的状态预测估计值;
(3c6)计算Kalman增益阵:
式中,Pxy,k|k-1为互协方差矩阵,Pyy,k|k-1为预测k时刻的对量测方程的新息协方差矩阵;
(3c7)进行状态估计:
为求解未引入渐消因子的状态预测估计值,Kk为Kalman增益阵,为k时刻的预测量测值,yk为k时刻的量测方程真实值;
(3c8)计算更新误差协方差矩阵:
式中:Pk|k-1为引入渐消因子的预测误差方差阵,Kk为Kalman增益阵,Pyy,k|k-1为预测k时刻的对量测方程的新息协方差矩阵;
将上述步骤(3b)、(3c)进行反复迭代,以实现对锂电池系统状态的最优估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811339229.2A CN109239614A (zh) | 2018-11-12 | 2018-11-12 | 一种考虑传感器中漂移电流值的锂电池soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811339229.2A CN109239614A (zh) | 2018-11-12 | 2018-11-12 | 一种考虑传感器中漂移电流值的锂电池soc估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109239614A true CN109239614A (zh) | 2019-01-18 |
Family
ID=65078148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811339229.2A Pending CN109239614A (zh) | 2018-11-12 | 2018-11-12 | 一种考虑传感器中漂移电流值的锂电池soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109239614A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728037A (zh) * | 2019-09-26 | 2020-01-24 | 上海理工大学 | 电池容量闭环融合预测方法 |
CN110837622A (zh) * | 2019-11-26 | 2020-02-25 | 国网湖南省电力有限公司 | 基于大倍率放电的锂电池荷电状态估算方法 |
CN111190110A (zh) * | 2020-01-13 | 2020-05-22 | 南京邮电大学 | 综合考虑内外影响因素的锂离子电池soc在线估算方法 |
CN111679212A (zh) * | 2020-06-19 | 2020-09-18 | 中国电力科学研究院有限公司 | 计算电池在不同温度和充放电倍率下soc的方法及系统和装置 |
CN111929585A (zh) * | 2019-05-13 | 2020-11-13 | 顺丰科技有限公司 | 电池电荷状态计算装置、方法、服务器及介质 |
CN113125978A (zh) * | 2021-02-08 | 2021-07-16 | 无锡凌博电子技术有限公司 | 一种电动自行车用锂电池soc测量方法 |
WO2021217599A1 (zh) * | 2020-04-30 | 2021-11-04 | 中国科学院深圳先进技术研究院 | 一种电池荷电状态估计方法及估计器 |
CN114924190A (zh) * | 2022-04-29 | 2022-08-19 | 哈尔滨理工大学 | 一种在寒冷环境下对电动汽车锂电池荷电状态(soc)的估算方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140152314A1 (en) * | 2012-11-20 | 2014-06-05 | Primus Power Corporation | Mass Distribution Indication of Flow Battery State of Charge |
CN104122504A (zh) * | 2014-08-11 | 2014-10-29 | 电子科技大学 | 一种电池的soc估算方法 |
US20150377974A1 (en) * | 2014-06-30 | 2015-12-31 | Foundation of Soongsil University-lndustry Cooperation | Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method |
CN105277898A (zh) * | 2015-10-27 | 2016-01-27 | 浙江大学 | 一种电池荷电状态的检测方法 |
CN105607009A (zh) * | 2016-02-01 | 2016-05-25 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和系统 |
CN105717460A (zh) * | 2016-02-19 | 2016-06-29 | 深圳大学 | 一种基于非线性观测器的动力电池soc估计方法和系统 |
CN106646265A (zh) * | 2017-01-22 | 2017-05-10 | 华南理工大学 | 一种锂电池soc估计方法 |
CN108761340A (zh) * | 2018-05-31 | 2018-11-06 | 天津工业大学 | 基于噪声干扰的强跟踪容积卡尔曼滤波的电池估算方法 |
-
2018
- 2018-11-12 CN CN201811339229.2A patent/CN109239614A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140152314A1 (en) * | 2012-11-20 | 2014-06-05 | Primus Power Corporation | Mass Distribution Indication of Flow Battery State of Charge |
US20150377974A1 (en) * | 2014-06-30 | 2015-12-31 | Foundation of Soongsil University-lndustry Cooperation | Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method |
CN104122504A (zh) * | 2014-08-11 | 2014-10-29 | 电子科技大学 | 一种电池的soc估算方法 |
CN105277898A (zh) * | 2015-10-27 | 2016-01-27 | 浙江大学 | 一种电池荷电状态的检测方法 |
CN105607009A (zh) * | 2016-02-01 | 2016-05-25 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和系统 |
CN105717460A (zh) * | 2016-02-19 | 2016-06-29 | 深圳大学 | 一种基于非线性观测器的动力电池soc估计方法和系统 |
CN106646265A (zh) * | 2017-01-22 | 2017-05-10 | 华南理工大学 | 一种锂电池soc估计方法 |
CN108761340A (zh) * | 2018-05-31 | 2018-11-06 | 天津工业大学 | 基于噪声干扰的强跟踪容积卡尔曼滤波的电池估算方法 |
Non-Patent Citations (3)
Title |
---|
于智龙等: "自放电修正的锂动力电池SCKF-STF的SOC估算策略", 《电机与控制学报》 * |
刘新天等: "基于Drift-Ah积分法的CKF估算锂电池SOC", 《控制与决策》 * |
张延等: "基于改进Thevenin模型锂电池SOC估算方法", 《电源技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111929585A (zh) * | 2019-05-13 | 2020-11-13 | 顺丰科技有限公司 | 电池电荷状态计算装置、方法、服务器及介质 |
CN111929585B (zh) * | 2019-05-13 | 2023-08-04 | 丰翼科技(深圳)有限公司 | 电池电荷状态计算装置、方法、服务器及介质 |
CN110728037A (zh) * | 2019-09-26 | 2020-01-24 | 上海理工大学 | 电池容量闭环融合预测方法 |
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 |
CN110837622A (zh) * | 2019-11-26 | 2020-02-25 | 国网湖南省电力有限公司 | 基于大倍率放电的锂电池荷电状态估算方法 |
CN111190110A (zh) * | 2020-01-13 | 2020-05-22 | 南京邮电大学 | 综合考虑内外影响因素的锂离子电池soc在线估算方法 |
WO2021217599A1 (zh) * | 2020-04-30 | 2021-11-04 | 中国科学院深圳先进技术研究院 | 一种电池荷电状态估计方法及估计器 |
CN111679212A (zh) * | 2020-06-19 | 2020-09-18 | 中国电力科学研究院有限公司 | 计算电池在不同温度和充放电倍率下soc的方法及系统和装置 |
CN113125978A (zh) * | 2021-02-08 | 2021-07-16 | 无锡凌博电子技术有限公司 | 一种电动自行车用锂电池soc测量方法 |
CN114924190A (zh) * | 2022-04-29 | 2022-08-19 | 哈尔滨理工大学 | 一种在寒冷环境下对电动汽车锂电池荷电状态(soc)的估算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109239614A (zh) | 一种考虑传感器中漂移电流值的锂电池soc估计方法 | |
Yu et al. | Online capacity estimation for lithium-ion batteries through joint estimation method | |
KR102652848B1 (ko) | 리튬 유황 배터리의 충전 상태 및 건강 상태를 결정하는 방법 및 장치 | |
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 | |
Cacciato et al. | Real-time model-based estimation of SOC and SOH for energy storage systems | |
CN105334462B (zh) | 电池容量损失在线估算方法 | |
Wang et al. | Combined state of charge estimator for electric vehicle battery pack | |
US9108524B2 (en) | Battery SOC estimation with automatic correction | |
Junping et al. | An adaptive Kalman filtering based State of Charge combined estimator for electric vehicle battery pack | |
CN105425153B (zh) | 一种估计电动车辆的动力电池的荷电状态的方法 | |
CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
CN108761340A (zh) | 基于噪声干扰的强跟踪容积卡尔曼滤波的电池估算方法 | |
JPWO2011155017A1 (ja) | 充電状態推定装置 | |
CN111693877B (zh) | 一种锂离子电池的soc在线估测方法和系统 | |
CN109143097A (zh) | 一种计及温度和循环次数的锂离子电池soc估计方法 | |
Cui et al. | A robust online parameter identification method for lithium-ion battery model under asynchronous sampling and noise interference | |
Pilatowicz et al. | Simulation of SLI lead-acid batteries for SoC, aging and cranking capability prediction in automotive applications | |
CN106093782A (zh) | 动态建模的最小二乘支持向量机soc估计方法 | |
CN105319508A (zh) | 用于电池荷电状态估计的方法和系统 | |
CN109085505A (zh) | 一种动力电池充放电状态估算方法 | |
CN108008317A (zh) | 一种基于电池开路电压曲线特性的荷电状态估计方法 | |
Jeon et al. | Comparative study on the battery state-of-charge estimation method | |
JP2023541417A (ja) | バッテリの充電状態を推定する方法 | |
CN106597288A (zh) | 一种电源soc估算方法 | |
CN109752660B (zh) | 一种无电流传感器的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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190118 |