CN109557475A - 一种电池可用容量soc的确定方法及装置 - Google Patents
一种电池可用容量soc的确定方法及装置 Download PDFInfo
- Publication number
- CN109557475A CN109557475A CN201811452965.9A CN201811452965A CN109557475A CN 109557475 A CN109557475 A CN 109557475A CN 201811452965 A CN201811452965 A CN 201811452965A CN 109557475 A CN109557475 A CN 109557475A
- Authority
- CN
- China
- Prior art keywords
- soc
- active volume
- battery
- battery active
- vehicle
- 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
Abstract
本发明提供了一种电池可用容量SOC的确定方法及装置,该电池可用容量SOC的确定方法包括:周期性的获取电池管理系统确定的动力电池的第一电池可用容量SOC;当所述第一电池可用容量SOC大于或等于预设值时,将所述第一电池可用容量SOC确定为目标电池可用容量SOC;当所述第一电池可用容量SOC小于所述预设值时,通过预设神经网络计算获得所述动力电池的第二电池可用容量SOC,并将所述第二电池可用容量SOC确定为目标电池可用容量SOC。本发明实施例通过在电池管理系统确定的第一电池可用容量SOC小于预设值时,通过预设神经网络计算获得动力电池的第二电池可用容量SOC,利用了预设神经网络可以任意精度逼近任意的非线性函数,提高了电池可用容量SOC的估算精度。
Description
技术领域
本发明涉及汽车技术领域,特别涉及一种电池可用容量SOC的确定方法及装置。
背景技术
面对日趋严峻的能源与环境问题,传统燃油汽车对石油资源需求的增加以及带来的环境污染已日益引起人们的关注,与此同时节能与新能源汽车正成为各国研究的热点。作为我国战略性新兴产业之一的节能与新能源汽车得到了政府和工业界的高度重视,发展新能源汽车,尤其是具有零污染、零排放的纯电动汽车,不仅对我国能源安全、环境保护具有重大意义,同时也是我国汽车领域实现转型升级、技术突破的重要方向,是汽车领域今后发展的趋势。
与传统燃油车不同,纯电动汽车的能量来源于高压动力电池、超级电容、飞轮等,并利用电动机代替内燃机驱动车轮,以实现车辆的正常行驶。在现阶段,国内外成熟的纯电动汽车产品中以高压动力电池作为储能方案的比例占据了绝大多数,但截止到目前无论是磷酸铁锂或是三元等各种材料的纯电动汽车动力电池(目前已经大规模产业化的)其能量密度仍然无法与汽油、柴油等传统车用燃料相提并论,这也就使得相同重量下,纯电动汽车的续驶里程要远低于传统燃油车,若要实现相同的续驶里程,以目前的技术而言只能通过提高纯电动汽车的能量使用效率、增加动力电池容量等方法实现,其中以增加动力电池容量的方法为主流。虽然较产业化运营初期,纯电动汽车的性能有了长足的进步,如车辆续驶里程有了较大幅度的提高,但是由于充电配套设施的发展相对滞后,以及充电的便利性(如充电时间过长等)还有待提高等一系列问题,“里程焦虑”仍然是广大纯电动车用户的一大困扰。解决用户的里程焦虑问题,除采用增加电池容量的直接手段外还可以通过辅助手段予以缓解,例如通过精确地估算出车辆的可用续驶里程并告知用户,使得用户能够根据车辆的剩余续驶里程合理规划用车,防止由于电量用尽而导致车辆趴窝的发生,通过间接手段来减小“里程焦虑”为用户带来的负面影响。
与其它的锂离子电池相比,磷酸铁锂电池具有安全性高、循环寿命长、可大电流快速充放电、高温性能好、大容量、无记忆效应等优点被普遍应用于纯电动汽车储能领域,并成为当前电动汽车储能系统的首选电池。目前对于采用磷酸铁锂电池的纯电动汽车,其剩余续驶里程的估算大多采用基于电池可用容量(SOC,State of Charge)线性模型的方法,即根据动力电池当前的SOC以及车辆当前能量的消耗状况计算得到剩余续驶里程。可以看出,准确的获得电池SOC信息是对车辆剩余续驶里程进行估算的基础,目前磷酸铁锂动力电池SOC估算的成熟方法主要有开路电压法与安时计量法。其中开路电压法的基本原理是将电池充分静置,令电池正负极两端不连接任何负载并静置1小时以上,之后根据动力电池的输出电压得到当前的SOC,很显然这种方法不适合电动汽车的实时在线检测;安时计量法是目前实际应用的实时在线估算SOC的主流方法,但由于安时计量存在误差,随着使用时间的增加累计误差会越来越大,同时该方法受温度影响及初始状态的SOC值获取等因素的影响较大,所以单独采用该方法对电池的SOC进行估算并不能取得很好的效果,目前一般采用安时计量结合温度补偿来对动力电池的SOC进行估算,采用补偿后虽然能够提高估算精度,但仍然不能够解决安时计量法的累计误差问题。目前采用安时计量加温度补偿的方法能够在SOC处于中段时(15%-90%)获得较好的估算效果,当SOC处于低段时(低于15%),其受各方面的影响更加巨大,如电池温度、充放电电流、性能衰减、极化电压、安时积分的累积误差等因素的影响,一般无法获得其准确的估算值,因此目前的绝大多数纯电动汽车生产厂商在动力电池SOC较低时则停止车辆可用续驶里程的计算,并通过仪表显示警示性的提示符告知驾驶员,如不再显示剩余续驶里程,并提醒驾驶员车辆的续驶里程不多,让其尽快充电,或告知驾驶员车辆的剩余续驶里程小于XX公里,并不再显示准确的数值。
采用以上处理方法大多是因为SOC处于低段时其估算精度较差,导致无法准确的获得车辆剩余续驶里程,而并非纯电动汽车生产厂商特意而为之。采用以上方法虽然能够达到提醒驾驶员车辆剩余续驶里程不多的车辆状况,但是在驾驶员无法准确获得车辆剩余续驶里程的状态下,采用该方法将更容易引发驾驶员的“里程焦虑”问题,甚至恐慌,不利于车辆的行车安全。
发明内容
本发明实施例要解决的技术问题是提供一种电池可用容量SOC的确定方法及装置,用以实现提高电池可用容量SOC的估算精度。
为解决上述技术问题,本发明实施例提供了一种电池可用容量SOC的确定方法,包括:
周期性的获取电池管理系统确定的动力电池的第一电池可用容量SOC;
当所述第一电池可用容量SOC大于或等于预设值时,将所述第一电池可用容量SOC确定为目标电池可用容量SOC;
当所述第一电池可用容量SOC小于所述预设值时,通过预设神经网络计算获得所述动力电池的第二电池可用容量SOC,并将所述第二电池可用容量SOC确定为目标电池可用容量SOC。
优选的,所述的方法还包括:
根据所述目标电池可用容量SOC,确定车辆剩余续驶里程。
优选的,通过预设神经网络计算获得所述动力电池的第二电池可用容量SOC的步骤包括:
根据电池参数和所述预设神经网络,计算获得距最近一次确定的所述目标电池可用容量SOC的电池可用容量SOC变化量;
根据最近一次确定的所述目标电池可用容量SOC和所述电池可用容量SOC变化量,计算获得所述第二电池可用容量SOC。
优选的,所述预设神经网络包括输入层、隐层和输出层;
其中,所述输入层的输入量包括:上一周期内所述动力电池输出电流的平均值、上一周期内所述动力电池输出电压的平均值、上一周期内所述动力电池温度的平均值、所述动力电池整充整放电次数,最近一次确定的所述目标电池可用容量SOC;
所述隐层包括神经元数量;
所述输出层的输出量为电池可用容量SOC变化量。
优选的,根据所述目标电池可用容量SOC,确定车辆剩余续驶里程的步骤包括:
当车辆的车速大于零时,根据公式
计算获得所述车辆剩余续驶里程,其中L表示车辆剩余续驶里程,S表示上一周期内车辆的行驶距离,SOC(n)表示目标电池可用容量SOC,SOC(n-1)表示最近一次确定的目标电池可用容量SOC;
当车辆的车速等于零时,根据公式
计算获得所述车辆剩余续驶里程,其中L(n)表示车辆剩余续驶里程,L(n-1)表示最近一次计算获得的车辆剩余续驶里程,S表示上一周期内车辆的行驶距离,WBatt_30s表示上一周期内车辆消耗能量,WBatt_old表示最近一次所确定的车辆消耗能量。
根据本发明另一方面,本发明实施例还提供了一种电池可用容量SOC的确定装置,包括:
第一获取模块,用于周期性的获取电池管理系统确定的动力电池的第一电池可用容量SOC;
第一确定模块,用于当所述第一电池可用容量SOC大于或等于预设值时,将所述第一电池可用容量SOC确定为目标电池可用容量SOC;
第二确定模块,用于当所述第一电池可用容量SOC小于所述预设值时,通过预设神经网络计算获得所述动力电池的第二电池可用容量SOC,并将所述第二电池可用容量SOC确定为目标电池可用容量SOC。
优选的,所述的装置还包括:
第三确定模块,用于根据所述目标电池可用容量SOC,确定车辆剩余续驶里程。
优选的,第二确定模块包括:
第一确定单元,用于根据电池参数和所述预设神经网络,计算获得距最近一次确定的所述目标电池可用容量SOC的电池可用容量SOC变化量;
第二确定单元,用于根据最近一次确定的所述目标电池可用容量SOC和所述电池可用容量SOC变化量,计算获得所述第二电池可用容量SOC。
优选的,所述预设神经网络包括输入层、隐层和输出层;
其中,所述输入层的输入量包括:上一周期内所述动力电池输出电流的平均值、上一周期内所述动力电池输出电压的平均值、上一周期内所述动力电池温度的平均值、所述动力电池整充整放电次数,最近一次确定的所述目标电池可用容量SOC;
所述隐层包括神经元数量;
所述输出层的输出量为电池可用容量SOC变化量。
优选的,第三确定模块包括:
第三确定单元,用于当车辆的车速大于零时,根据公式
计算获得所述车辆剩余续驶里程,其中L表示车辆剩余续驶里程,S表示上一周期内车辆的行驶距离,SOC(n)表示目标电池可用容量SOC,SOC(n-1)表示最近一次确定的目标电池可用容量SOC;
第四确定单元,用于当车辆的车速等于零时,根据公式
计算获得所述车辆剩余续驶里程,其中L(n)表示车辆剩余续驶里程,L(n-1)表示最近一次计算获得的车辆剩余续驶里程,S表示上一周期内车辆的行驶距离,WBatt_30s表示上一周期内车辆消耗能量,WBatt_old表示最近一次所确定的车辆消耗能量。
与现有技术相比,本发明实施例提供的一种电池可用容量SOC的确定方法及装置,至少具有以下有益效果:本发明实施例通过在电池管理系统确定的第一电池可用容量SOC小于预设值时,通过预设神经网络计算获得动力电池的第二电池可用容量SOC,利用了预设神经网络可以任意精度逼近任意的非线性函数,从而提高了电池可用容量SOC的估算精度。
附图说明
图1为本发明实施例的电池可用容量SOC的确定方法的流程示意图;
图2为本发明实施例的电池可用容量SOC的确定装置的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
动力电池的SOC反映了电池的剩余容量的状态,从电量角度来定义SOC是目前较普遍采用的一种定义方法。根据《电动汽车电池实验手册》中的定义,SOC是在一定的放电倍率下,电池使用一段时间或长期搁置后剩余容量与其完全充电状态的容量的比值,其数学表达式为:
其中,为动力电池当前的剩余电量,为动力电池的额定电量。上述公式为电池SOC经典计算方法,其中式中的动力电池的额定电量Q常由电池的实际容量代替。实际上磷酸铁锂材料的动力电池,其SOC主要受以下几个因素的影响,分别为温度、电池实际容量、自放电率以及电池性能衰减等。
(1)动力电池温度。
温度是磷酸铁锂电池SOC估算中的一个关键因素,直接影响着锂离子电池运行工况下的容量和材料活性。温度变化,锂离子电池内部离子、电子的迁移率与电池正负极材料均呈现不同程度的变化;温度升高,材料活性增强;当温度升高到一定程度时,电极材料变质,电池加速老化。由此可以看出,适当的工作温度能提高电池的实时容量、改变电池老化速度等对电池SOC估算有影响的参数。
(2)动力电池实际容量。
电池实际容量是表征电池实际能量供应的标定参数,而电池容量静置时受所处工作温度的影响较大,静置时容量受自放电率、电池老化等因素影响导致实际容量随外界条件发生动态改变。另外当磷酸铁锂动力电池SOC较低时,其内阻将变大,同样工作电流的情况下消耗在电池内阻中的能量将变多,因此其同样会对电池的实际容量产生影响。
(3)自放电率。
自放电率是指电池在开路状态下,电池电量在一定时间内的保存能力,因为制作电池的原材料纯度不可能达到100%,电极中掺杂了杂质,不可避免地会产生自放电现象。自放电率越大,电池保存自身原有容量的能力越小,SOC的估算就不能按照常规容量进行计算,这为电池SOC的准确估算造成了影响。
(4)动力电池性能衰减。
电池在使用过程中受到温度、湿度等因素影响,不可避免地会出现老化问题,多次循环后,正负极电极材料腐蚀加剧,电池老化加剧,电池可用容量相应受到影响。若不能很好考虑电池老化问题,仍然按照常规容量进行SOC估算,会导致SOC估算误差逐渐增大。
为解决SOC估算不准确的问题,参见图1,本发明实施例提供了一种电池可用容量SOC的确定方法,包括:
这里,本发明实施例的确定方法可以适用于装备磷酸铁锂动力电池的电动汽车。
步骤101,周期性的获取电池管理系统确定的动力电池的第一电池可用容量SOC;
这里,可以将获取的周期设置为10-60秒,例如30秒,以30秒为例,即间隔预设时长(30秒)执行一次获取电池管理系统确定的动力电池的第一电池可用容量SOC的步骤。
这里,由于续驶里程的计算实时性要求并不高,将周期设置为约30秒,即每分钟两次的刷新速度足够满足驾驶员的需求。同时,在后续提及的对神经网络的训练中,需要采用开路电压法获得动力电池的真实SOC,若控制周期较短不利于获得试验数组[I V T NSOCold ΔSOC]中的ΔSOC信息。
步骤102,当所述第一电池可用容量SOC大于或等于预设值时,将所述第一电池可用容量SOC确定为目标电池可用容量SOC;
这里,预设值可以根据电池的特性进行设置,对于电池管理系统确定的SOC较为准确的阶段可以直接使用电池管理系统所确定的SOC,对于电池管理系统确定的SOC误差较大的阶段则可根据步骤103的方式进行确定。
这里,预设值可以选为15%~35%,在本发明一实施例中选为30%,当电池管理系统确定的第一电池可用容量SOC大于或等于预设值时,此时电池管理系统确定的SOC较为准确,则可用于后续仪表显示SOC、整车控制器VCU计算车辆剩余续驶里程等用途。
步骤103,当所述第一电池可用容量SOC小于所述预设值时,通过预设神经网络计算获得所述动力电池的第二电池可用容量SOC,并将所述第二电池可用容量SOC确定为目标电池可用容量SOC。
这里,步骤103和步骤102之间并不存在顺序关系,而是同等级的选择关系。当电池管理系统确定的SOC小于预设值时,此时电池管理系统所确定的SOC误差较大,若采用电池管理系统所确定的SOC则会导致后续计算的车辆剩余续驶里程不准确,故而本发明实施例通过预设神经网络计算获得动力电池的第二电池可用容量SOC,利用了预设神经网络可以任意精度逼近任意的非线性函数,从而提高了电池可用容量SOC的估算精度。这里,本发明实施例在计算时充分考虑了影响SOC的多方面因素,尤其在SOC处于低段时(小于预设值)其与输出电流、电压、电池包温度、电池衰减程度等之间复杂的非线性关系,通过电池参数和预设神经网络来进行解决,最终实现了SOC较低时车辆剩余续驶里程的有效计算。
这里的预设神经网络优选为事先训练完成神经网络,在实际应用过程中具有计算量小的特点,能够满足车辆的实时性需求。这里的预设神经网络可以是径向基函数(RBF)神经网络。
优选的,所述的方法还包括:根据所述目标电池可用容量SOC,确定车辆剩余续驶里程。
当确定目标电池可用容量SOC后可以根据该目标SOC计算车辆剩余续驶里程,用于仪表显示该车辆剩余续驶里程,从而便于用户根据车辆剩余续驶里程确定驾驶距离,准确的车辆剩余续驶里程可以有效降低驾驶员的里程焦虑,从而提高驾驶安全性和用户体验。
对于步骤103中,通过预设神经网络计算获得所述动力电池的第二电池可用容量SOC的步骤可以包括:
根据电池参数和所述预设神经网络,计算获得距最近一次确定的所述目标电池可用容量SOC的电池可用容量SOC变化量;
根据最近一次确定的所述目标电池可用容量SOC和所述电池可用容量SOC变化量,计算获得所述第二电池可用容量SOC。
在本发明实施例中,动力电池,尤其是磷酸铁锂动力电池的SOC和很多因素相关,如电池包温度、前一时刻充放电状态、电池性能衰减等,其之间存在着复杂的映射关系,不能够通过精确的数学模型进行描述,尤其是在动力电池低SOC的状态下,其之间的非线性特性将更加明显。神经网络方法具有非线性的基本特性,对于解决非线性问题具有天然的优势,而RBF神经网络作为一种性能优良的前馈型神经网络,可以任意精度逼近任意的非线性函数,且拓扑结构紧凑、具有全局逼近能力,同时解决了BP网络的局部最优问题,为此本发明实施例引入RBF神经网络,以电池参数,例如动力电池输出电流、动力电池输出电压、动力电池当前温度、动力电池充放电次数以及上一次估算得到的动力电池SOC为输入,最终计算得到动力电池SOC的增量(即电池可用容量SOC变化量),该增量与上一次估算得到的SOC相加最终得到本控制周期动力电池SOC的估算值。
这里,所述预设神经网络可以包括输入层、隐层和输出层;
其中,所述输入层的输入量包括:上一周期内所述动力电池输出电流的平均值、上一周期内所述动力电池输出电压的平均值、上一周期内所述动力电池温度的平均值、所述动力电池整充整放电次数,最近一次确定的所述目标电池可用容量SOC;这里的上一周期即上一获取周期的时长内;
所述隐层包括神经元数量;
所述输出层的输出量为电池可用容量SOC变化量。
这里,本发明给出一可选实施例,RBF神经网络分为三层,输入层、隐层与输出层,其中输入量可以为5,隐层的神经元数量可以为11,输出量为电池可用容量SOC变化量(动力电池SOC的增量),具体表达式为:
其中x为输入向量,即x=[I V T N SOCold]T,其中I表示上一周期内动力电池输出电流的平均值、V表示上一周期内动力电池输出电压的平均值、T表示上一周期内动力电池温度的平均值、N表示该动力电池整充整放电次数(通过整充整放电次数来体现电池的衰减程度),SOCold表示上一周期内估算得到的动力电池SOC(即最近一次确定的所述目标电池可用容量SOC,也可以表述为上一次确定的所述目标电池可用容量SOC);y(x,w)为网络输出,即计算得到的动力电池SOC的增量ΔSOC;wi为权重;l为隐层神经元数量,可以取l=11;ci为中心矢量;||x-ci||为输入向量到节点中心(中心矢量)的距离;φ为径向基函数,这里取为高斯径向基函数。
在利用RBF神经网络计算得到动力电池SOC的增量ΔSOC后,通过以下公式计算得到本控制周期内的动力电池SOC估算值。
SOC(n)=SOC(n-1)+ΔSOC
其中,SOC(n)表示本周期车辆动力电池的SOC值、SOC(n-1)表示上一周期车辆动力电池的SOC值。
对于预设神经网络可以是根据初始神经网络进行训练后获得的。对于训练方式,本发明通过如下可选实施例进行说明。
在初始神经网络设计完成后对其进行训练。方法如下:利用不同整充整放电次数的磷酸铁锂动力电池,在不同的环境温度条件下(为保证环境温度的稳定性,在环境仓中开展该实验)进行放电试验,通过放电实现来模拟不同的行车工况,之后通过开路电压法获得当前动力电池的实际SOC。通过以上试验方法可以获得大量的试验数据组,可表示为[I V TN SOCold ΔSOC],将该数据作为基础数据对RBF神经网络进行训练,最后将训练完成的神经网络用于计算动力电池SOC的增量ΔSOC。
训练后的RBF神经网络并结合公式:SOC(n)=SOC(n-1)+ΔSOC,得到的动力电池SOC,具有以下特点:随着动力电池输出电流I的增大,估算SOC下降速度增大;随着动力电池外部总电压V的降低,估算SOC下降速度增大;随着动力电池温度T的降低,估算SOC下降速度增大;随着动力电池充放电次数N的增加,估算SOC下降速度增大;随着动力电池SOC(上一周期)的降低,估算SOC下降速度增大。以上特点与磷酸铁锂动力电池低SOC放电过程中的其SOC的真实变化完全一致,因此采用基于RBF神经网络的计算方法能够较为准确度估算出动力电池当前的SOC值。
优选的,根据所述目标电池可用容量SOC,确定车辆剩余续驶里程的步骤可以包括:
当车辆的车速大于零时,根据公式
计算获得所述车辆剩余续驶里程,其中L表示车辆剩余续驶里程(即本次获取周期计算得到的车辆剩余续驶里程),S表示上一周期内车辆的行驶距离,SOC(n)表示目标电池可用容量SOC,SOC(n-1)表示最近一次确定的目标电池可用容量SOC;
上述适用于车辆速度不为0的工况,即S≠0,若车辆处于静止状态则以上计算公式将不适用,此时以一个周期为一个时间片,根据前一个周期剩余续驶里程的计算结果减去该周期内消耗能量WBatt_30s对应的上一周期车辆能够行驶的距离作为剩余续驶里程计算结果输出,具体如下:
当车辆的车速等于零时,根据公式
计算获得所述车辆剩余续驶里程,其中L(n)表示车辆剩余续驶里程(即本次获取周期计算得到的车辆剩余续驶里程),L(n-1)表示最近一次计算获得的车辆剩余续驶里程,S表示上一周期内车辆的行驶距离,WBatt_30s表示上一周期内车辆消耗能量,WBatt_old表示最近一次所确定的车辆消耗能量。
通过上述方式可以获得较为准确的车辆剩余续驶里程,从而便于驾驶员及时了解,准确的车辆剩余续驶里程可以有效降低驾驶员的里程焦虑,提高驾驶安全性和用户体验。
参见图2,根据本发明另一方面,本发明实施例还提供了一种电池可用容量SOC的确定装置,包括:
第一获取模块201,用于周期性的获取电池管理系统确定的动力电池的第一电池可用容量SOC;
第一确定模块202,用于当所述第一电池可用容量SOC大于或等于预设值时,将所述第一电池可用容量SOC确定为目标电池可用容量SOC;
第二确定模块203,用于当所述第一电池可用容量SOC小于所述预设值时,通过预设神经网络计算获得所述动力电池的第二电池可用容量SOC,并将所述第二电池可用容量SOC确定为目标电池可用容量SOC。
本发明实施例的确定装置能够实现上述方法实施例中的各个过程,并具有相应的有益效果,为避免重复,这里不再赘述。
优选的,所述的装置还包括:
第三确定模块,用于根据所述目标电池可用容量SOC,确定车辆剩余续驶里程。
优选的,第二确定模块包括:
第一确定单元,用于根据电池参数和所述预设神经网络,计算获得距最近一次确定的所述目标电池可用容量SOC的电池可用容量SOC变化量;
第二确定单元,用于根据最近一次确定的所述目标电池可用容量SOC和所述电池可用容量SOC变化量,计算获得所述第二电池可用容量SOC。
优选的,所述预设神经网络包括输入层、隐层和输出层;
其中,所述输入层的输入量包括:上一周期内所述动力电池输出电流的平均值、上一周期内所述动力电池输出电压的平均值、上一周期内所述动力电池温度的平均值、所述动力电池整充整放电次数,最近一次确定的所述目标电池可用容量SOC;
所述隐层包括神经元数量;
所述输出层的输出量为电池可用容量SOC变化量。
优选的,第三确定模块包括:
第三确定单元,用于当车辆的车速大于零时,根据公式
计算获得所述车辆剩余续驶里程,其中L表示车辆剩余续驶里程,S表示上一周期内车辆的行驶距离,SOC(n)表示目标电池可用容量SOC,SOC(n-1)表示最近一次确定的目标电池可用容量SOC;
第四确定单元,用于当车辆的车速等于零时,根据公式
计算获得所述车辆剩余续驶里程,其中L(n)表示车辆剩余续驶里程,L(n-1)表示最近一次计算获得的车辆剩余续驶里程,S表示上一周期内车辆的行驶距离,WBatt_30s表示上一周期内车辆消耗能量,WBatt_old表示最近一次所确定的车辆消耗能量。
根据本发明另一方面,本发明实施例还提供了一种车辆,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的电池可用容量SOC的确定方法的步骤。
根据本发明另一方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的电池可用容量SOC的确定方法的步骤。
综上,本发明实施例通过在电池管理系统确定的第一电池可用容量SOC小于预设值时,通过预设神经网络计算获得动力电池的第二电池可用容量SOC,利用了预设神经网络可以任意精度逼近任意的非线性函数,从而提高了电池可用容量SOC的估算精度。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含。
此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种电池可用容量SOC的确定方法,其特征在于,包括:
周期性的获取电池管理系统确定的动力电池的第一电池可用容量SOC;
当所述第一电池可用容量SOC大于或等于预设值时,将所述第一电池可用容量SOC确定为目标电池可用容量SOC;
当所述第一电池可用容量SOC小于所述预设值时,通过预设神经网络计算获得所述动力电池的第二电池可用容量SOC,并将所述第二电池可用容量SOC确定为目标电池可用容量SOC。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据所述目标电池可用容量SOC,确定车辆剩余续驶里程。
3.根据权利要求1所述的方法,其特征在于,通过预设神经网络计算获得所述动力电池的第二电池可用容量SOC的步骤包括:
根据电池参数和所述预设神经网络,计算获得距最近一次确定的所述目标电池可用容量SOC的电池可用容量SOC变化量;
根据最近一次确定的所述目标电池可用容量SOC和所述电池可用容量SOC变化量,计算获得所述第二电池可用容量SOC。
4.根据权利要求3所述的方法,其特征在于,所述预设神经网络包括输入层、隐层和输出层;
其中,所述输入层的输入量包括:上一周期内所述动力电池输出电流的平均值、上一周期内所述动力电池输出电压的平均值、上一周期内所述动力电池温度的平均值、所述动力电池整充整放电次数,最近一次确定的所述目标电池可用容量SOC;
所述隐层包括神经元数量;
所述输出层的输出量为电池可用容量SOC变化量。
5.根据权利要求2所述的方法,其特征在于,根据所述目标电池可用容量SOC,确定车辆剩余续驶里程的步骤包括:
当车辆的车速大于零时,根据公式
计算获得所述车辆剩余续驶里程,其中L表示车辆剩余续驶里程,S表示上一周期内车辆的行驶距离,SOC(n)表示目标电池可用容量SOC,SOC(n-1)表示最近一次确定的目标电池可用容量SOC;
当车辆的车速等于零时,根据公式
计算获得所述车辆剩余续驶里程,其中L(n)表示车辆剩余续驶里程,L(n-1)表示最近一次计算获得的车辆剩余续驶里程,S表示上一周期内车辆的行驶距离,WBatt_30s表示上一周期内车辆消耗能量,WBatt_old表示最近一次所确定的车辆消耗能量。
6.一种电池可用容量SOC的确定装置,其特征在于,包括:
第一获取模块,用于周期性的获取电池管理系统确定的动力电池的第一电池可用容量SOC;
第一确定模块,用于当所述第一电池可用容量SOC大于或等于预设值时,将所述第一电池可用容量SOC确定为目标电池可用容量SOC;
第二确定模块,用于当所述第一电池可用容量SOC小于所述预设值时,通过预设神经网络计算获得所述动力电池的第二电池可用容量SOC,并将所述第二电池可用容量SOC确定为目标电池可用容量SOC。
7.根据权利要求6所述的装置,其特征在于,还包括:
第三确定模块,用于根据所述目标电池可用容量SOC,确定车辆剩余续驶里程。
8.根据权利要求6所述的装置,其特征在于,第二确定模块包括:
第一确定单元,用于根据电池参数和所述预设神经网络,计算获得距最近一次确定的所述目标电池可用容量SOC的电池可用容量SOC变化量;
第二确定单元,用于根据最近一次确定的所述目标电池可用容量SOC和所述电池可用容量SOC变化量,计算获得所述第二电池可用容量SOC。
9.根据权利要求8所述的装置,其特征在于,所述预设神经网络包括输入层、隐层和输出层;
其中,所述输入层的输入量包括:上一周期内所述动力电池输出电流的平均值、上一周期内所述动力电池输出电压的平均值、上一周期内所述动力电池温度的平均值、所述动力电池整充整放电次数,最近一次确定的所述目标电池可用容量SOC;
所述隐层包括神经元数量;
所述输出层的输出量为电池可用容量SOC变化量。
10.根据权利要求7所述的装置,其特征在于,第三确定模块包括:
第三确定单元,用于当车辆的车速大于零时,根据公式
计算获得所述车辆剩余续驶里程,其中L表示车辆剩余续驶里程,S表示上一周期内车辆的行驶距离,SOC(n)表示目标电池可用容量SOC,SOC(n-1)表示最近一次确定的目标电池可用容量SOC;
第四确定单元,用于当车辆的车速等于零时,根据公式
计算获得所述车辆剩余续驶里程,其中L(n)表示车辆剩余续驶里程,L(n-1)表示最近一次计算获得的车辆剩余续驶里程,S表示上一周期内车辆的行驶距离,WBatt_30s表示上一周期内车辆消耗能量,WBatt_old表示最近一次所确定的车辆消耗能量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811452965.9A CN109557475B (zh) | 2018-11-30 | 2018-11-30 | 一种电池可用容量soc的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811452965.9A CN109557475B (zh) | 2018-11-30 | 2018-11-30 | 一种电池可用容量soc的确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109557475A true CN109557475A (zh) | 2019-04-02 |
CN109557475B CN109557475B (zh) | 2022-01-04 |
Family
ID=65868268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811452965.9A Active CN109557475B (zh) | 2018-11-30 | 2018-11-30 | 一种电池可用容量soc的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109557475B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201900006987A1 (zh) * | 2019-05-17 | 2019-05-17 | ||
CN110244226A (zh) * | 2019-07-03 | 2019-09-17 | 安徽大学 | 一种动力电池soc估算方法 |
CN110531268A (zh) * | 2019-08-26 | 2019-12-03 | 汉纳森(厦门)数据股份有限公司 | 一种电池寿命分析的方法和装置 |
CN113386624A (zh) * | 2020-03-12 | 2021-09-14 | 宁德时代新能源科技股份有限公司 | 设置运输工具soc阈值的方法、装置和设备 |
CN115610277B (zh) * | 2022-10-31 | 2024-04-26 | 重庆赛力斯凤凰智创科技有限公司 | 车辆续驶里程的显示方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080234956A1 (en) * | 2007-03-19 | 2008-09-25 | Nippon Soken, Inc. | Method of calculating state variables of secondary battery and apparatus for estimating state variables of secondary battery |
CN104678316A (zh) * | 2015-02-28 | 2015-06-03 | 北京交通大学 | 锂离子电池荷电状态估算方法和装置 |
CN105365592A (zh) * | 2015-10-30 | 2016-03-02 | 北京新能源汽车股份有限公司 | 电动汽车的剩余续航里程估计方法、系统及电动汽车 |
CN105676138A (zh) * | 2016-01-22 | 2016-06-15 | 广东志成冠军集团有限公司 | 一种预测电池的剩余电量的方法和系统 |
CN106597288A (zh) * | 2015-10-20 | 2017-04-26 | 郑州宇通客车股份有限公司 | 一种电源soc估算方法 |
CN106707187A (zh) * | 2016-12-26 | 2017-05-24 | 宁德时代新能源科技股份有限公司 | 一种电池目标soc的确定方法及装置 |
CN108572324A (zh) * | 2018-04-13 | 2018-09-25 | 芜湖职业技术学院 | 基于免疫算法优化bp神经网络的电池soc估计装置 |
-
2018
- 2018-11-30 CN CN201811452965.9A patent/CN109557475B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080234956A1 (en) * | 2007-03-19 | 2008-09-25 | Nippon Soken, Inc. | Method of calculating state variables of secondary battery and apparatus for estimating state variables of secondary battery |
CN104678316A (zh) * | 2015-02-28 | 2015-06-03 | 北京交通大学 | 锂离子电池荷电状态估算方法和装置 |
CN106597288A (zh) * | 2015-10-20 | 2017-04-26 | 郑州宇通客车股份有限公司 | 一种电源soc估算方法 |
CN105365592A (zh) * | 2015-10-30 | 2016-03-02 | 北京新能源汽车股份有限公司 | 电动汽车的剩余续航里程估计方法、系统及电动汽车 |
CN105676138A (zh) * | 2016-01-22 | 2016-06-15 | 广东志成冠军集团有限公司 | 一种预测电池的剩余电量的方法和系统 |
CN106707187A (zh) * | 2016-12-26 | 2017-05-24 | 宁德时代新能源科技股份有限公司 | 一种电池目标soc的确定方法及装置 |
CN108572324A (zh) * | 2018-04-13 | 2018-09-25 | 芜湖职业技术学院 | 基于免疫算法优化bp神经网络的电池soc估计装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201900006987A1 (zh) * | 2019-05-17 | 2019-05-17 | ||
WO2020234743A1 (en) * | 2019-05-17 | 2020-11-26 | Politecnico Di Torino | Battery-powered propulsion unit for a vehicle and method thereof to estimate the state of charge |
CN110244226A (zh) * | 2019-07-03 | 2019-09-17 | 安徽大学 | 一种动力电池soc估算方法 |
CN110244226B (zh) * | 2019-07-03 | 2021-03-23 | 安徽大学 | 一种动力电池soc估算方法 |
CN110531268A (zh) * | 2019-08-26 | 2019-12-03 | 汉纳森(厦门)数据股份有限公司 | 一种电池寿命分析的方法和装置 |
CN113386624A (zh) * | 2020-03-12 | 2021-09-14 | 宁德时代新能源科技股份有限公司 | 设置运输工具soc阈值的方法、装置和设备 |
CN115610277B (zh) * | 2022-10-31 | 2024-04-26 | 重庆赛力斯凤凰智创科技有限公司 | 车辆续驶里程的显示方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109557475B (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | A state of charge estimation method for lithium-ion batteries based on fractional order adaptive extended kalman filter | |
CN102662148B (zh) | 在线反馈式蓄电池soc预测方法 | |
CN109557475A (zh) | 一种电池可用容量soc的确定方法及装置 | |
Wang et al. | Online dynamic equalization adjustment of high-power lithium-ion battery packs based on the state of balance estimation | |
He et al. | Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles | |
US8531158B2 (en) | Method and apparatus for assessing battery state of health | |
CN102608540B (zh) | 一种用于动力电池soc估计的库伦效率测定方法 | |
US8680815B2 (en) | Method and apparatus for assessing battery state of health | |
CN105548901A (zh) | 一种轨道交通用钛酸锂电池功率状态预测方法 | |
CN103033762B (zh) | 基于差值微分的动力磷酸铁锂电池荷电量动态预测方法 | |
CN109557477A (zh) | 一种电池系统健康状态估算方法 | |
CN103744026A (zh) | 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法 | |
Lu et al. | A method of cell-to-cell variation evaluation for battery packs in electric vehicles with charging cloud data | |
CN110824363B (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
Wang et al. | An improved coulomb counting method based on dual open‐circuit voltage and real‐time evaluation of battery dischargeable capacity considering temperature and battery aging | |
JP2013044598A (ja) | 二次電池の劣化管理システム | |
CN107015166A (zh) | 用于估计电池能量状态的方法及计算机可读存储介质 | |
CN112180274B (zh) | 一种动力电池组快速检测测评方法 | |
CN105021994A (zh) | 一种检测电池组内单体电池一致性的方法和装置 | |
Cai et al. | Research state of charge estimation tactics of nickel-hydrogen battery | |
CN105607011A (zh) | 一种电池健康状态soh的估算方法及装置 | |
CN107169170A (zh) | 一种电池剩余容量的预测方法 | |
Feng et al. | On-line estimation of dynamic state-of-charge for lead acid battery based on fuzzy logic | |
Dong et al. | Low complexity state-of-charge estimation for lithium-ion battery pack considering cell inconsistency | |
Li et al. | Investigation on the impact of the hppc profile on the battery ecm parameters’ offline identification |
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 |