CN110133505A - 一种基于变参数模型的动力电池充放电状态观测方法 - Google Patents
一种基于变参数模型的动力电池充放电状态观测方法 Download PDFInfo
- Publication number
- CN110133505A CN110133505A CN201810115562.9A CN201810115562A CN110133505A CN 110133505 A CN110133505 A CN 110133505A CN 201810115562 A CN201810115562 A CN 201810115562A CN 110133505 A CN110133505 A CN 110133505A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- soc
- model
- 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
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
Abstract
本发明公开了一种基于变参数模型的动力电池充放电状态观测方法,属于电池性能优化设计技术领域,针对现有锂电池模型误差大、SOC观测方法不完善等问题,围绕锂电池SOC的在线精确观测技术展开了设计,提出基于变参数二阶RC模型的TS模糊与扩展卡尔曼滤波(TS‑EKF)联合估测器,利用变参数二阶RC模型,在保证较好地描述锂电池的充放电动态过程的同时,保证模型结构的简单易行性,实现对成组储能电池的管控,保证储能设备安全高效地运行;在实物平台上对TS‑EKF联合观测算法进行实现,同时与现有的估测器进行SOC观测结果对比,证实TS‑EKF联合估测器的优越性,本发明所述锂电池SOC观测方法,在维持电池系统设备安全高效运作、延长电池组整体生命周期等方面起着重要作用。
Description
技术领域
本发明涉及电池性能优化设计技术领域,更具体地说,它涉及一种基于变参数模型的动力电池充放电状态观测方法。
背景技术
近几十年来,电能储存技术逐步成为众所瞩目的话题,其相关技术的探索与研发持续获得世界各国电力、交通、通讯、能源等相关机构的关注。电能储存技术还在新能源汽车、无人机、手机平板等诸多领域也同样具有广阔的发展空间和应用前景。
在当前的电能储存技术中,锂离子电池储能技术已经成为目前发展最快、前景最好的大规模电池储能技术之一。虽然锂离子电池以高比能量、长寿命以及低自放电率而著称,但由于其状态观测、充放电均衡、热管理等关键技术尚未完全成熟,锂电池的输出性能、可靠性和寿命等核心问题至今并未得到根本解决。
为实现对成组储能电池的管控,保证储能设备安全高效地运行,需要通过电池管理系统(BatteryManagement System,BMS)进行相应的管理。而电池剩余电量,即荷电状态(State of Charge,SOC)观测技术则是BMS的一项核心技术,其利用在线采集的电池外部参数,结合相应的算法获取电池的剩余电量实时值,从而维持电池系统设备安全高效运作,延长电池生命周期。由于电池系统运行工况复杂,SOC观测存在众多互相耦合的干扰因素,如电池温度、电流倍率、健康度等等,所以如何实现锂电池精确建模以及SOC实时精准观测是目前亟待解决的重点及难点问题。
发明内容
针对实际运用中锂电池建模不精确,导致SOC实时观测与实际存在较大偏差,进而在储能电池管控中不能实现储能设备安全高效运行的问题,本发明目的在于提出一种基于变参数模型的动力电池充放电状态观测方法,按照所需精度,设计阶数合理的等效变参数模型,而后根据该数据模型的仿真对比,设计出准确高效的锂电池SOC观测方法,具体方案如下:一种基于变参数模型的动力电池充放电状态观测方法,包括如下步骤,
搭建变参数模型步骤:
对目标锂电池进行多次基础实验测试,分析测试数据并获取锂电池的充放电响应特性和性能规律;
基于基础实验测试结论,结合二阶等效电路模型并加以修正,搭建适应复杂多变工况的变参数二阶RC模型;
分别对锂电池电动势与SOC的函数关系、等效欧姆内阻与电池温度关系进行标定与拟合,利用混合动力脉冲能力特性测试辨识得到锂电池模型内部各极化环节参数;
对实际锂电池和所述变参数二阶RC模型施加相同的激励,比较两者的输出响应,验证得到所述变参数模型;
仿真模拟步骤:
基于上述锂电池变参数模型,根据SOC定义式搭建安时积分估测器;
引入扩展Kalman滤波原理,建立EKF估测器;
结合T-S模糊原理,设计并获得了TS-EKF联合估测器;
基于设定的仿真平台与实物平台,实现TS-EKF联合估测器的SOC在线准确观测,并与现有的模块化芯片进行SOC观测结果对比,验证TS-EKF联合估测器的准确性与实用性。
进一步的,所述搭建适应复杂多变工况的变参数二阶RC模型包括,
基于通用非线性模型,搭建带有双RC环节的二阶等效电路模型包括,
沿开路电压Uoc负极到正极方向,等效内阻RT、第一RC环节、第二RC环节串联,且两端接口并联在锂电池端电压Ubat两端,所述第一RC环节包括依次并联设置的Rbd、Rbc、Cbd、Cbc,所述第二RC环节包括依次并联设置的Rpd、Rpc、Cpd、Cpc,电流Ibat自开路电压Uoc正极流出;
其中,所述RT的值是一个受到锂电池温度影响而发生改变的变参数,Rbd、Rpd分别为放电过程中的活化极化和浓差极化电阻;Rbc、Rpc分别为充电过程中的活化极化和浓差极化电阻;Cbd、Cpd分别为放电过程中的活化极化和浓差极化电容;Cbc、Cpc分别为充电过程中的活化极化和浓差极化电容,开路电压Uoc是锂电池SOC的函数,二者的关系对于同一电池来说是固定的,Ubat为锂电池端电压,Ibat为锂电池电流,放电时为正值,充电时为负值;
基于上述二阶等效电路模型,结合基尔霍夫电压电流定律以及电池SOC定义式获取锂电池的状态空间表达式,状态方程和输出方程分别为:
式中,Wk和Vk分别表示系统的过程干扰和测量干扰;Ts表示模型取样时间,τb表示锂电池活化极化环节的电压响应时间常数,其值为极化电容Cb和极化电阻Rb的乘积;τp为浓差极化环节的时间常数,其值为Cp和Rp的乘积;Ub、Up分别表示两个极化环节产生的极化电压;SOC定义式为
式中,z(τ)为t时刻的SOC值,z(t0)为SOC初始值,Qn为电池实际容量,即在实际的环境温度下电池以恒定电流放电时所具有的最大容量,ηc为电池的库伦效率,iL(τ)为τ时刻电流,其中放电时为正值,充电时为负值。
进一步的,所述利用混合动力脉冲能力特性测试辨识得到锂电池模型内部各极化环节参数包括辨识:锂电池开路电压Uoc和SOC之间的函数关系;等效内阻RT与电池温度的函数关系;活化极化环节电阻Rb与电容Cb的值;浓差极化环节电阻Rp与电容Cp的值;
其中,锂电池开路电压Uoc的获取方法包括测量锂电池搁置后达到稳态的端电压值,用以作为开路电压的近似值,采集SOC为设定工作点位的开路电压值,利用曲线拟合工具得到Uoc-SOC拟合关系曲线表达式;
通过设定温度点以及SOC工况进行混合动力脉冲能力特性测试,利用所述曲线拟合工具对各个温度点下等效欧姆内阻RT进行辨识,得到所述等效内阻RT与电池温度的函数关系;
通过所述Uoc-SOC拟合关系曲线表达式,以锂电池充放电过程中突变段电池端电压的突变幅值除以电流值,得到欧姆内阻的值,利用lsqcurvefit函数辨识出Rb、τb、Rp、τp四个参数。
进一步的,所述对实际锂电池和所述变参数二阶RC模型施加相同的激励,比较两者的输出响应,验证得到所述变参数模型包括:
根据所述状态空间表达式搭建仿真模型,利用辨识好的Uoc、RT、Rb、τb、Rp、τp参数代入到仿真模块中,并将混合动力脉冲能力特性测试中的电流激励输入到锂电池仿真模型中,运行仿真,得到仿真电压响应数据;
分别取其中各SOC测试点下的反馈脉冲放电段和充电段与实际电压对应数据进行对比,比较锂电池电压仿真数据与实际数据的差异,若锂电池电压仿真数据超出设定范围,则重新辨识锂电池模型内部各极化环节参数。
进一步的,根据SOC定义式搭建安时积分估测器,其中,锂电池的使用电量用一段时间内放电电流Ibat对放电时间t的积分来表示,使用电量C的计算表达式如下,
结合SOC定义式,离散化后可以获得AH积分法的离散表达式如下,
其中,SOCk为k时刻电池SOC,SOCk+1为k+1时刻电池SOC,其余参数定义与SOC定义式中定义相同;
根据AH积分法的离散表达式搭建AH积分估测器,规定好采样时间间隔Δt,记录下每个采样间隔Δt内锂电池的电量使用情况,估测出锂电池的SOC,以电流传感器测得的锂电池实时电流作为AH积分估测器的输入,通过累计各时刻锂电池的电量变化计算锂电池的实时SOC作为AH积分估测器的输出。
进一步的,所述引入扩展Kalman滤波原理,建立EKF估测器,包括:
锂电池系统作为一个离散的非线性系统,其状态空间表达式可以用函数f(*)和h(*)表示成以下的形式:
式中,W(k)是系统模型由于参数辨识结果不完全精确等原因而导致的系统误差,为过程噪声;V(k)是系统信号检测与传输途中由于测量干扰等已知干扰及其它未知干扰导致的测量误差,为输出噪声;W(k)与V(k)为互相独立的白噪声,两类噪声的数学期望都是0,即E[V(k)WT(j)]=0,E[W(k)]=0,E[V(k)]=0;系统误差与测量误差的协方差分别为Cov其中δkk=1,δkj=0;
基于锂电池系统的状态空间表达式,对应的EKF方法设计流程分成以下步骤进行处理:
1)初始化目标系统状态估计量Xold以及状态量误差协方差Pold。
2)计算目标系统当前时刻的系统矩阵A、先验状态估计量Xud和先验噪声协方差估计量Pud,计算公式分别如下:
3)利用输出电压函数h(*)对状态量X求偏导计算目标系统当前时刻的Jacobi输出矩阵C,然后根据步骤2)得到的Pud计算出当前时刻的Kalman滤波增益矩阵K,计算公式分别如下:
4)根据目标系统的输出方程获得系统的输出量Ynew,利用系统输出的测量值Ymeasure与Ynew之差,并结合Kalman滤波增益矩阵K,分别对先验状态估计量Xud与先验误差协方差估计量Pud展开校正,公式如下:
5)分别对目标系统状态估计量与误差协方差估计量进行更新:
6)进入下一时刻并返回步骤2),如此进行递推运算。
基于上述EKF方法建立EKF估测器。
进一步的,所述结合T-S模糊原理,设计并获得了TS-EKF联合估测器,其中,T-S模糊算法模块的设计方法步骤包括:
1)设置T-S模糊算法模块所有初始参量,其中包括:线性规则总数c(c>1)、最小平方加权回归协方差矩阵Γ(1)=ΩgE,Ω表示数值较大的正数、后置参数Θ(1)=0、聚类中心向量V(1)=[v1(1),v2(1),L,vc(1)]=0、模糊学习因子λ(0<λ<1)和模糊系数m(m>1);
2)获得模块输入x(k)和k-1时刻各项vi(k-1)的欧几里得度量先验值d′i(k),计算公式如下:
3)根据所得d′i(k)计算隶属度先验值:
4)根据u′i(k)、模糊学习因子λ以及k-1时刻各项聚类中心分量vi(k-1),计算k时刻的V(k)=[v1(k),v2(k),L,vc(k)]:
vi(k)=vi(k-1)+λu′i(k)2[x(k)-vi(k-1)];
5)修正k时刻欧几里得度量值di(k)以及相应的隶属度ui(k):
6)利用ui(k)求出βi,进而获取前置参数Φ(k):
7)通过最小平方加权回归方法求得后置参数Θ(k),并更新协方差矩阵Γ(k):
Θ(k)=Θ(k-1)+K「y(k)-Φ(k)TΘ(k-1)];
Γ(k)=[E-KΦ(k)T|Γ(k-1)
8)根据计算式y(k+1)=Φ(k)TΘ(k)计算k+1时刻算法模块的输出y(k+1);同时令k=k+1,若SOC观测过程未结束,则重复步骤2)~8);
计算式y(k+1)=Φ(k)TΘ(k)为T-S模糊算法模块的K+1时刻输出计算公式,具体表示为
其中,βi为线性规则Ri对于系统的适合度,令后置参数Θ(k)和前置参数Φ(k)分别为:
Θ(k)可利用最小平方法辨识得到;Φ(k)则可通过模糊聚类分析的数学方法获取。
进一步的,获得TS-EKF联合估测器,其获取精确的锂电池SOC实时观测值步骤包括:利用T-S模糊算法模块对带有测量干扰的输入输出信号进行预校正,有效抑制未知随机干扰对输出结果的影响;
将预校正后的信号输入EKF模块进行二次校正,滤除已知随机信号的干扰;
利用输出信号实际值与模型输出值的偏差对锂电池模型状态进行快速修正,最终获得精确的锂电池SOC实时观测值。
与现有技术相比,本发明的有益效果如下:
本发明为实现锂电池的准确建模,本文首先对目标锂电池进行了若干组基础实验测试,分析测试数据并获取锂电池的充放电响应特性和性能规律;其次,基于基础实验测试结论,结合目前常用的二阶等效电路模型并加以修正,搭建了适应复杂多变工况的变参数二阶RC模型;再次,分别对锂电池电动势与SOC的函数关系、等效欧姆内阻与电池温度关系进行标定与拟合,并且利用混合动力脉冲能力特性(HPPC)测试辨识得到锂电池模型内部各极化环节参数;然后,同时对实际锂电池和变参数模型施加相同的激励,比较两者的输出响应从而验证得到变参数模型具有较高的精度;基于上述所得的锂电池变参数模型,进一步设计准确、高效的锂电池SOC观测方法。首先根据SOC定义搭建安时积分估测器,再通过引入扩展Kalman滤波原理,建立EKF估测器;然后结合T-S模糊原理,设计并获得了TS-EKF联合估测器。最后,分别基于自主搭建的Simulink仿真平台与RaspberryPi实物平台实现了TS-EKF联合估测器的SOC在线准确观测,得到的TS-EKF联合估测器准确性及实用性更好。
附图说明
图1为本发明SOC观测方法的整体流程示意图;
图2为本发明带有双RC环节的二阶等效电路模型示意图;
图3为本发明锂电池仿真模型示意图;
图4为本发明AH积分估测器仿真模型示意图;
图5为本发明EKF法观测SOC原理结构示意图;
图6为本发明EKF估测器软件设计流程图;
图7为本发明T-S模糊算法S-function模块的外部连接图;
图8为本发明TS-EKF估测器原理结构效果图;
图9为本发明实物平台工作原理图。
具体实施方式
下面结合实施例及图对本发明作进一步的详细说明,但本发明的实施方式不仅限于此。
如图1所示,一种基于变参数模型的动力电池充放电状态观测方法,主要包括如下两个步骤:S1搭建变参数模型步骤以及S2仿真模拟步骤。
其中,搭建变参数模型步骤包括:
S100,对目标锂电池进行多次基础实验测试,分析测试数据并获取锂电池的充放电响应特性和性能规律;
S101,基于基础实验测试结论,结合二阶等效电路模型并加以修正,搭建适应复杂多变工况的变参数二阶RC模型;
S102,分别对锂电池电动势与SOC的函数关系、等效欧姆内阻与电池温度关系进行标定与拟合,利用混合动力脉冲能力特性测试辨识得到锂电池模型内部各极化环节参数;
S103,对实际锂电池和所述变参数二阶RC模型施加相同的激励,比较两者的输出响应,验证得到所述变参数模型。
仿真模拟步骤包括:
S200,基于上述锂电池变参数模型,根据SOC定义式搭建安时积分估测器;
S201,引入扩展Kalman滤波原理,建立EKF估测器;
S202,结合T-S模糊原理,设计并获得了TS-EKF联合估测器;
S203,基于设定的仿真平台与实物平台,实现TS-EKF联合估测器的SOC在线准确观测,并与现有的模块化芯片进行SOC观测结果对比,验证TS-EKF联合估测器的准确性与实用性。
对于锂电池的工程应用,从一个角度来说,要求建立较为准确的锂电池物理电路模型,能够较好地描述锂电池的充放电动态过程;从另一个角度来说,又要求模型结构不能太过复杂,要保证计算的快速性以及便于实现工程上的应用,本发明中建立变参数二阶RC模型,在保证较好地描述锂电池的充放电动态过程的同时,保证模型结构的简单易行性。
在本发明中,上述S100对目标锂电池进行多次基础实验测试主要包括锂电池充放电测试,通过对锂电池进行标准充放电测试,对测试数据进行采集和分析可以得到锂电池的电压特性,上述锂电池放电测试采用恒流放电法;此外,在电池SOC观测方法的研究中,电池充放电倍率是十分重要的影响因素之一,本发明中通过收集大量的电流倍率测试数据,从中分析并掌握锂电池电压、库伦效率等随电流倍率的变化特性,进而获取精度更高的锂电池模型,测试中对锂电池的充放电方式仍然采用恒流恒压充电和恒流放电法,所不同的是恒流阶段电流的大小不同。上述测试方法在现有技术中已经有许多公开,具体操作步骤在此不再赘述。
对于步骤S101,所述搭建适应复杂多变工况的变参数二阶RC模型包括,
S1010,基于通用非线性(GeneralNonlinear,GNL)模型,搭建带有双RC环节的二阶等效电路模型,如图2所示,包括,沿开路电压Uoc负极到正极方向,等效内阻RT、第一RC环节、第二RC环节串联,且两端接口并联在锂电池端电压Ubat两端,所述第一RC环节包括依次并联设置的Rbd、Rbc、Cbd、Cbc,所述第二RC环节包括依次并联设置的Rpd、Rpc、Cpd、Cpc,电流Ibat自开路电压Uoc正极流出;
其中,所述RT的值是一个受到锂电池温度影响而发生改变的变参数,Rbd、Rpd分别为放电过程中的活化极化和浓差极化电阻;Rbc、Rpc分别为充电过程中的活化极化和浓差极化电阻;Cbd、Cpd分别为放电过程中的活化极化和浓差极化电容;Cbc、Cpc分别为充电过程中的活化极化和浓差极化电容,开路电压Uoc是锂电池SOC的函数,二者的关系对于同一电池来说是固定的,Ubat为锂电池端电压,Ibat为锂电池电流,放电时为正值,充电时为负值。
S1011,基于上述二阶等效电路模型,结合基尔霍夫电压电流定律以及电池SOC定义式获取锂电池的状态空间表达式,状态方程和输出方程分别为:
式中,Wk和Vk分别表示系统的过程干扰和测量干扰;Ts表示模型取样时间,τb表示锂电池活化极化环节的电压响应时间常数,其值为极化电容Cb和极化电阻Rb的乘积;τp为浓差极化环节的时间常数,其值为Cp和Rp的乘积;Ub、Up分别表示两个极化环节产生的极化电压;SOC定义式为
式中,z(t)为t时刻的SOC值,z(t0)为SOC初始值,Qn为电池实际容量,即在实际的环境温度下电池以恒定电流放电时所具有的最大容量,ηc为电池的库伦效率,iL(τ)为τ时刻电流,其中放电时为正值,充电时为负值。
如图2所示为本发明所建立的变参数二阶RC模型原理图,该模型是在GNL模型的基础上加以改进所得。为在保证精度的前提下提高模型计算的快速性,本模型去除了自放电电阻Rs与大容量电容Cb,使之更加适合于工程应用。
进一步的,在所述步骤S102中,所述利用混合动力脉冲能力特性测试辨识得到锂电池模型内部各极化环节参数包括辨识:
锂电池开路电压Uoc和SOC之间的函数关系;
等效内阻RT与电池温度的函数关系;
活化极化环节电阻Rb与电容Cb的值;
浓差极化环节电阻Rp与电容Cp的值。
其中,锂电池开路电压Uoc的获取方法包括测量锂电池搁置后达到稳态的端电压值,用以作为开路电压的近似值,采集SOC为设定工作点位的开路电压值,利用曲线拟合工具得到Uoc-SOC拟合关系曲线表达式,上述曲线拟合工具为MATLAB中的polyfit函数。
上述Uoc-SOC关系辨识测试工步如下:
1)恒流充电:按标准倍率0.5C电流将锂电池充到4.2V(本发明实施例中锂电池三洋18650GA型锂离子电池)为止;
2)搁置:保持搁置状态5分钟;
3)恒压充电:用4.2V恒压对锂电池进行浮充电,直至电流小于0.04A,保证锂电池处于满电状态(即SOC=1);
4)搁置:搁置锂电池3小时,记录其端电压;
5)恒流放电:按倍率0.2C(0.67A)放电0.5小时,此时锂电池SOC降低0.1;
6)搁置:搁置锂电池3小时,记录其端电压;
7)重复进行工步5和工步6共9次,此时SOC=0;
8)恒流充电:按倍率0.2C(0.67A)充电0.5小时,此时锂电池SOC升高0.1;
9)搁置:搁置锂电池3小时,记录其端电压;
10)重复进行工步8和工步9共9次,此时SOC=1;
11)停止。
通过设定温度点以及SOC工况进行混合动力脉冲能力特性(Hybrid PulsePowerCharacteristic,HPPC)测试,利用所述曲线拟合工具对各个温度点下等效欧姆内阻RT进行辨识,得到所述等效内阻RT与电池温度的函数关系。HPPC测试的中心思想就是利用电流反馈脉冲得到电压响应,再把激励和响应代入到等效模型反推锂电池状态空间表达式中的目标参数。可选定SOC为0.1,0.2,…,0.9共9个测试点施加反馈脉冲信号进行HPPC测试,其中每两个相邻SOC测试点之间都要间隔一段恒流放电时间。
按照锂电池变参数二阶RC模型的状态空间表达式,可得输出端电压的系统方程形式如下:
其中,SOC0为测试起始时刻锂电池的SOC值;R20为20℃下的欧姆等效内阻值;t为测试时间;电流Ibat在充电过程中取正值,放电过程中取负值。结合上述得输出端电压的系统方程形式,使用MATLAB软件的lsqcurvefit命令就能够实现对测试数据的曲线拟合。
通过所述Uoc-SOC拟合关系曲线表达式,以锂电池充放电过程中突变段电池端电压的突变幅值除以电流值,得到欧姆内阻的值,利用lsqcurvefit函数辨识出Rb、τn、Rp、τp四个参数。
由于Uoc-SOC的函数关系已辨识完成,所以输出端电压的系统方程形式中还有待辨识的参数为:R20、Rb、τb、Rp、τp,进而也可计算得到Cb、Cp。从实际的放电曲线中可以看到,无论在放电还是充电过程中,端电压响应都是先发生突变而后开始渐变。以突变段电池端电压的突变幅值除以电流值,即可得到欧姆内阻R20的值,而后再利用lsqcurvefit函数辨识Rb、τb、Rp、τp四个参数。
进一步的,S103,所述对实际锂电池和所述变参数二阶RC模型施加相同的激励,比较两者的输出响应,验证得到所述变参数模型包括:
S1030,根据所述状态空间表达式搭建仿真模型,利用辨识好的Uoc、RT、Rb、τn、Rp、τp参数代入到仿真模块中,并将混合动力脉冲能力特性测试(HPPC)中的电流激励输入到锂电池仿真模型中。本发明中,利用MATLAB软件的Simulink平台建立锂电池仿真模型,如图3所示。其中Simulink仿真模型是按照锂电池的状态空间表达式进行搭建的,将前文所述的所有辨识好的Uoc、欧姆内阻、极化电容电阻等参数代入到相应的模块中,运行仿真,得到仿真电压响应数据;
S1031,分别取其中各SOC测试点下的反馈脉冲放电段和充电段与实际电压对应数据进行对比,比较锂电池电压仿真数据与实际数据的差异,若锂电池电压仿真数据超出设定范围,则重新辨识锂电池模型内部各极化环节参数。
对于步骤S200,根据SOC定义式搭建安时(AmpereHour,AH)积分估测器,其中,锂电池的使用电量用一段时间内放电电流Ibat对放电时间t的积分来表示,使用电量C的计算表达式如下,
结合SOC定义式,离散化后可以获得AH积分法的离散表达式如下,
其中,SOCk为k时刻电池SOC,SOCk+1为k+1时刻电池SOC,其余参数定义与SOC定义式中定义相同;
根据AH积分法的离散表达式搭建AH积分估测器,规定好采样时间间隔Δt,记录下每个采样间隔Δt内锂电池的电量使用情况,估测出锂电池的SOC,以电流传感器测得的锂电池实时电流作为AH积分估测器的输入,通过累计各时刻锂电池的电量变化计算锂电池的实时SOC作为AH积分估测器的输出。AH积分估测器仿真模型如图4所示。
进一步的,S201,所述引入扩展Kalman滤波原理,建立EKF(Extended KalmanFilter,EKF)估测器,包括:
锂电池系统作为一个离散的非线性系统,其状态空间表达式可以用函数f(*)和h(*)表示成以下的形式:
式中,W(k)是系统模型由于参数辨识结果不完全精确等原因而导致的系统误差,为过程噪声;V(k)是系统信号检测与传输途中由于测量干扰等已知干扰及其它未知干扰导致的测量误差,为输出噪声;W(k)与V(k)为互相独立的白噪声,两类噪声的数学期望都是0,即E[V(k)WT(j)]=0,E[W(k)]=0,E[V(k)]=0;系统误差与测量误差的协方差分别为Cov其中δkk=1,δkj=0;
基于锂电池系统的状态空间表达式,对应的EKF方法设计流程分成以下步骤进行处理:
1)初始化目标系统状态估计量Xold以及状态量误差协方差Pold。
2)计算目标系统当前时刻的系统矩阵A、先验状态估计量Xud和先验噪声协方差估计量Pud,计算公式分别如下:
3)利用输出电压函数h(*)对状态量X求偏导计算目标系统当前时刻的Jacobi输出矩阵C,然后根据步骤2)得到的Pud计算出当前时刻的Kalman滤波增益矩阵K,计算公式分别如下:
4)根据目标系统的输出方程获得系统的输出量Ynew,利用系统输出的测量值Ymeasure与Ynew之差,并结合Kalman滤波增益矩阵K,分别对先验状态估计量Xud与先验误差协方差估计量Pud展开校正,公式如下:
5)分别对目标系统状态估计量与误差协方差估计量进行更新:
6)进入下一时刻并返回步骤2),如此进行递推运算。
基于上述EKF方法建立EKF估测器。
EKF法观测SOC原理结构如图5所示,EKF估测器软件设计流程图如图6所示。
S202中,所述结合T-S模糊原理,设计并获得了TS-EKF联合估测器,其中,T-S模糊算法模块的设计方法步骤包括:
1)设置T-S模糊算法模块所有初始参量,其中包括:线性规则总数c(c>1)、最小平方加权回归协方差矩阵Γ(1)=ΩgE,Ω表示数值较大的正数、后置参数、聚类中心向量V(1)=[v1(1),v2(1),L,vc(1)]=0、模糊学习因子λ(0<λ<1)和模糊系数m(m>1);
2)获得模块输入x(k)和k-1时刻各项vi(k-1)的欧几里得度量先验值d'i(k),计算公式如下:
3)根据所得d′i(k)计算隶属度先验值:
4)根据u′i(k)、模糊学习因子λ以及k-1时刻各项聚类中心分量vi(k-1),计算k时刻的V(k)=[v1(k),v2(k),L,vc(k)]:
vi(k)=vi(k-1)+λu'i(k)2[x(k)-vi(k-1)];
5)修正k时刻欧几里得度量值di(k)以及相应的隶属度ui(k):
6)利用ui(k)求出βi,进而获取前置参数:
7)通过最小平方加权回归方法求得后置参数Θ(k),并更新协方差矩阵Γ(k):
Θ(k)=Θ(k-1)+K[y(k)-Φ(k)TΘ(k-1)];
Γ(k)=[E-KΦ(k)T|Γ(k-1)
8)根据计算式y(k+1)=Φ(k)TΘ(k)计算k+1时刻算法模块的输出y(k+1);同时令k=k+1,若SOC观测过程未结束,则重复步骤2)~8);
计算式y(k+1)=Φ(k)TΘ(k)为T-S模糊算法模块的K+1时刻输出y(k+1)计算公式,具体表示为
其中,βi为线性规则对于系统的适合度,令后置参数Θ(k)和前置参数Φ(k)分别为:
Θ(k)可利用最小平方法辨识得到;Φ(k)则可通过模糊聚类分析的数学方法获取。
本发明采用Simulink平台的S-function模块,依据上述设计流程进行T-S模糊算法模块的代码编写。如图7所示为T-S模糊算法S-function模块的外部连接图。其中,模块的输入分量包括当前时刻锂电池电流、端电压、温度,输出分量包括下一时刻的锂电池端电压预测值。
在步骤S203,获得TS-EKF联合估测器,其获取精确的锂电池SOC实时观测值步骤包括:
S2030,利用T-S模糊算法模块对带有测量干扰的输入输出信号进行预校正,有效抑制未知随机干扰对输出结果的影响;
S2031,将预校正后的信号输入EKF模块进行二次校正,滤除已知随机信号的干扰;
S2032,利用输出信号实际值与模型输出值的偏差对锂电池模型状态进行快速修正,最终获得精确的锂电池SOC实时观测值。
TS-EKF估测器原理结构效果图参见图8。
在实际应用中,上述算法之后还包括实物平台验证步骤,由于实物平台验证方法多种多样,且并不是被发明的保护核心,在此不再赘述,图9为可选的一种实物平台工作原理图供参考,其过程如下:首先由宿主机将RTW工具箱生成的应用程序代码通过编译连接得到可执行文件,并将其部署到目标机中运行;然后目标机利用I/O硬件实时读取锂电池系统外部参数,通过SOC估测算法程序运算输出SOC在线估测结果;最终将估测结果数据回传到宿主机中显示并保存。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于变参数模型的动力电池充放电状态观测方法,其特征在于,包括如下步骤,
搭建变参数模型步骤:
对目标锂电池进行多次基础实验测试,分析测试数据并获取锂电池的充放电响应特性和性能规律;
基于基础实验测试结论,结合二阶等效电路模型并加以修正,搭建适应复杂多变工况的变参数二阶RC模型;
分别对锂电池电动势与SOC的函数关系、等效欧姆内阻与电池温度关系进行标定与拟合,利用混合动力脉冲能力特性测试辨识得到锂电池模型内部各极化环节参数;
对实际锂电池和所述变参数二阶RC模型施加相同的激励,比较两者的输出响应,验证得到所述变参数模型;
仿真模拟步骤:
基于上述锂电池变参数模型,根据SOC定义式搭建安时积分估测器;
引入扩展Kalman滤波原理,建立EKF估测器;
结合T-S模糊原理,设计并获得了TS-EKF联合估测器;
基于设定的仿真平台与实物平台,实现TS-EKF联合估测器的SOC在线准确观测,并与现有的模块化芯片进行SOC观测结果对比,验证TS-EKF联合估测器的准确性与实用性。
2.根据权利要求1所述的方法,其特征在于,所述搭建适应复杂多变工况的变参数二阶RC模型包括,
基于通用非线性模型,搭建带有双RC环节的二阶等效电路模型包括,
沿开路电压UOC负极到正极方向,等效内阻RT、第一RC环节、第二RC环节串联,且两端接口并联在锂电池端电压Ubat两端,所述第一RC环节包括依次并联设置的Rbd、Rbc、Cbd、Cbc,所述第二RC环节包括依次并联设置的Rpd、Rpc、Cpd、Cpc,电流Ibat自开路电压UOC正极流出;
其中,所述RT的值是一个受到锂电池温度影响而发生改变的变参数,Rbd、Rpd分别为放电过程中的活化极化和浓差极化电阻;Rbc、Rpc分别为充电过程中的活化极化和浓差极化电阻;Cbd、Cpd分别为放电过程中的活化极化和浓差极化电容;Cbc、Cpc分别为充电过程中的活化极化和浓差极化电容,开路电压UOC是锂电池SOC的函数,二者的关系对于同一电池来说是固定的,Ubat为锂电池端电压,Ibat为锂电池电流,放电时为正值,充电时为负值;
基于上述二阶等效电路模型,结合基尔霍夫电压电流定律以及电池SOC定义式获取锂电池的状态空间表达式,状态方程和输出方程分别为:
式中,Wk和Vk分别表示系统的过程干扰和测量干扰;Ts表示模型取样时间,τb表示锂电池活化极化环节的电压响应时间常数,其值为极化电容Cb和极化电阻Rb的乘积;τp为浓差极化环节的时间常数,其值为Cp和Rp的乘积;Ub、Up分别表示两个极化环节产生的极化电压;SOC定义式为
式中,z(t)为t时刻的SOC值,z(t0)为SOC初始值,Qn为电池实际容量,即在实际的环境温度下电池以恒定电流放电时所具有的最大容量,ηc为电池的库伦效率,iL(τ)为τ时刻电流,其中放电时为正值,充电时为负值。
3.根据权利要求2所述的方法,其特征在于,所述利用混合动力脉冲能力特性测试辨识得到锂电池模型内部各极化环节参数包括辨识:
锂电池开路电压U∝和SOC之间的函数关系;
等效内阻RT与电池温度的函数关系;
活化极化环节电阻Rb与电容Cb的值;
浓差极化环节电阻Rp与电容Cp的值;
其中,锂电池开路电压U∝的获取方法包括测量锂电池搁置后达到稳态的端电压值,用以作为开路电压的近似值,采集SOC为设定工作点位的开路电压值,利用曲线拟合工具得到U∝-SOC拟合关系曲线表达式;
通过设定温度点以及SOC工况进行混合动力脉冲能力特性测试,利用所述曲线拟合工具对各个温度点下等效欧姆内阻RT进行辨识,得到所述等效内阻RT与电池温度的函数关系;
通过所述UOC-SOC拟合关系曲线表达式,以锂电池充放电过程中突变段电池端电压的突变幅值除以电流值,得到欧姆内阻的值,利用lsqcurvefit函数辨识出Rb、τb、Rp、τp四个参数。
4.根据权利要求3所述的方法,其特征在于,所述对实际锂电池和所述变参数二阶RC模型施加相同的激励,比较两者的输出响应,验证得到所述变参数模型包括:
根据所述状态空间表达式搭建仿真模型,利用辨识好的UOC、RT、Rb、τb、Rp、τp参数代入到仿真模块中,并将混合动力脉冲能力特性测试中的电流激励输入到锂电池仿真模型中,运行仿真,得到仿真电压响应数据;
分别取其中各SOC测试点下的反馈脉冲放电段和充电段与实际电压对应数据进行对比,比较锂电池电压仿真数据与实际数据的差异,若锂电池电压仿真数据超出设定范围,则重新辨识锂电池模型内部各极化环节参数。
5.根据权利要求2所述的方法,其特征在于,根据SOC定义式搭建安时积分估测器,其中,锂电池的使用电量用一段时间内放电电流Ibat对放电时间t的积分来表示,使用电量C的计算表达式如下,
结合SOC定义式,离散化后可以获得AH积分法的离散表达式如下,
其中,SOCk为k时刻电池SOC,SOCk+1为k+1时刻电池SOC,其余
参数定义与SOC定义式中定义相同;
根据AH积分法的离散表达式搭建AH积分估测器,规定好采样时间间隔Δt,记录下每个采样间隔Δt内锂电池的电量使用情况,估测出锂电池的SOC,以电流传感器测得的锂电池实时电流作为AH积分估测器的输入,通过累计各时刻锂电池的电量变化计算锂电池的实时SOC作为AH积分估测器的输出。
6.根据权利要求2所述的方法,其特征在于,所述引入扩展Kalman滤波原理,建立EKF估测器,包括:
锂电池系统作为一个离散的非线性系统,其状态空间表达式可以用函数f(*)和h(*)表示成以下的形式:
式中,W(k)是系统模型由于参数辨识结果不完全精确等原因而导致的系统误差,为过程噪声;V(k)是系统信号检测与传输途中由于测量干扰等已知干扰及其它未知干扰导致的测量误差,为输出噪声;W(k)与V(k)为互相独立的白噪声,两类噪声的数学期望都是0,即E[V(k)WT(j)]=0,E[W(k)]=0,E[V(k)]=0;系统误差与测量误差的协方差分别为Cov[W(k)WT(j)]=Q·δkj,其中δkk=1,δkj=0;
基于锂电池系统的状态空间表达式,对应的EKF方法设计流程分成以下步骤进行处理:
1)初始化目标系统状态估计量Xold以及状态量误差协方差Pold;
2)计算目标系统当前时刻的系统矩阵A、先验状态估计量Xud和先验噪声协方差估计量Pud,计算公式分别如下:
3)利用输出电压函数h(*)对状态量X求偏导计算目标系统当前时刻的Jacobi输出矩阵C,然后根据步骤2)得到的Pud计算出当前时刻的Kalman滤波增益矩阵K,计算公式分别如下:
4)根据目标系统的输出方程获得系统的输出量Ynew,利用系统输出的测量值Ymeasure与Ynew之差,并结合Kalman滤波增益矩阵K,分别对先验状态估计量Xud与先验误差协方差估计量Pud展开校正,公式如下:
5)分别对目标系统状态估计量与误差协方差估计量进行更新:
6)进入下一时刻并返回步骤2),如此进行递推运算;
基于上述EKF方法建立EKF估测器。
7.根据权利要求6所述的方法,其特征在于,所述结合T-S模糊原理,设计并获得了TS-EKF联合估测器,其中,T-S模糊算法模块的设计方法步骤包括:
1)设置T-S模糊算法模块所有初始参量,其中包括:线性规则总数c(c>1)、最小平方加权回归协方差矩阵Γ(1)=ΩgE,Ω表示数值较大的正数、后置参数Θ(1)=0、聚类中心向量V(1)=[v1(1),v2(1),L,vc(1)]=0、模糊学习因子λ(0<λ<1)和模糊系数m(m>1);
2)获得模块输入x(k)和k-1时刻各项vi(k-1)的欧几里得度量先验值di(k),计算公式如下:
3)根据所得d'i(k)计算隶属度先验值:
4)根据u′i(k)、模糊学习因子λ以及k-1时刻各项聚类中心分量vi(k-1),计算k时刻的V(k)=[v1(k),v2(k),L,vc(k)]:
vi(k)=vi(k-1)+λu′i(k)2[x(k)-vi(k-1)];
5)修正k时刻欧几里得度量值di(k)以及相应的隶属度ui(k):
6)利用ui(k)求出βi,进而获取前置参数Φ(k):
7)通过最小平方加权回归方法求得后置参数Θ(k),并更新协方差矩阵Γ(k):
8)根据计算式y(k+1)=Φ(k)TΘ(k)计算k+1时刻算法模块的输出y(k+1);同时令k=k+1,若SOC观测过程未结束,则重复步骤2)~8);
计算式y(k+1)=Φ(k)TΘ(k)为T-S模糊算法模块的K+1时刻输出y(k+1)计算公式,具体表示为
其中,βi为线性规则Ri对于系统的适合度,令后置参数Θ(k)和前置参数Φ(k)分别为:
Θ(k)可利用最小平方法辨识得到;Φ(k)则可通过模糊聚类分析的数学方法获取。
8.根据权利要求7所述的方法,其特征在于,获得TS-EKF联合估测器,其获取精确的锂电池SOC实时观测值步骤包括:
利用T-S模糊算法模块对带有测量干扰的输入输出信号进行预校正,有效抑制未知随机干扰对输出结果的影响;
将预校正后的信号输入EKF模块进行二次校正,滤除已知随机信号的干扰;
利用输出信号实际值与模型输出值的偏差对锂电池模型状态进行快速修正,最终获得精确的锂电池SOC实时观测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810115562.9A CN110133505A (zh) | 2018-02-05 | 2018-02-05 | 一种基于变参数模型的动力电池充放电状态观测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810115562.9A CN110133505A (zh) | 2018-02-05 | 2018-02-05 | 一种基于变参数模型的动力电池充放电状态观测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110133505A true CN110133505A (zh) | 2019-08-16 |
Family
ID=67567424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810115562.9A Pending CN110133505A (zh) | 2018-02-05 | 2018-02-05 | 一种基于变参数模型的动力电池充放电状态观测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110133505A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795851A (zh) * | 2019-10-30 | 2020-02-14 | 西安理工大学 | 一种考虑环境温度影响的锂离子电池建模方法 |
CN110991062A (zh) * | 2019-12-11 | 2020-04-10 | 南京九芯电子科技有限公司 | 一种OLED的Verilog-A仿真模型的实现方法 |
CN110979096A (zh) * | 2019-12-20 | 2020-04-10 | 淮安骏盛新能源科技有限公司 | 一种电动汽车恒流充电电流自动调节应用方法 |
CN111796185A (zh) * | 2020-06-16 | 2020-10-20 | 合肥力高动力科技有限公司 | 基于t-s型模糊算法的磷酸铁锂电池soc-ocv校准方法 |
CN112014759A (zh) * | 2020-07-22 | 2020-12-01 | 量道(深圳)储能科技有限公司 | 基于分布式集群分析电池性能的方法及系统 |
CN112255550A (zh) * | 2020-09-27 | 2021-01-22 | 万克能源科技有限公司 | 一种储能系统中衰减锂电池的检测方法 |
CN112433154A (zh) * | 2019-08-25 | 2021-03-02 | 南京理工大学 | 基于ffrls和ekf的锂离子电池soc估测算法 |
CN112946499A (zh) * | 2021-02-04 | 2021-06-11 | 芜湖楚睿智能科技有限公司 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
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 |
CN114415055A (zh) * | 2022-03-28 | 2022-04-29 | 阳光电源股份有限公司 | 一种储能系统及其soc估算方法 |
CN114675184A (zh) * | 2022-05-27 | 2022-06-28 | 深圳戴普森新能源技术有限公司 | 一种放电剩余时间的计算方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102862490A (zh) * | 2012-09-19 | 2013-01-09 | 合肥工业大学 | 一种电动汽车电池管理系统自适应控制方法 |
CN104535932A (zh) * | 2014-12-20 | 2015-04-22 | 吉林大学 | 一种锂离子电池荷电状态估计方法 |
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 |
CN106054081A (zh) * | 2016-06-17 | 2016-10-26 | 合肥工业大学智能制造技术研究院 | 一种用于电动汽车动力电池soc估计的锂电池建模方法 |
CN106054085A (zh) * | 2016-07-11 | 2016-10-26 | 四川普力科技有限公司 | 一种基于温度用于估计电池soc的方法 |
CN106707181A (zh) * | 2016-12-05 | 2017-05-24 | 澳特卡新能源科技(上海)有限公司 | 一种锂离子的电池参数与荷电状态估计方法 |
CN106842060A (zh) * | 2017-03-08 | 2017-06-13 | 深圳市海云图新能源有限公司 | 一种基于动态参数的动力电池soc估算方法及系统 |
US9831700B2 (en) * | 2013-02-05 | 2017-11-28 | Dell Products, L.P. | Mitigating premature wear out of a rechargeable battery |
CN107402356A (zh) * | 2017-08-04 | 2017-11-28 | 南京南瑞继保电气有限公司 | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 |
-
2018
- 2018-02-05 CN CN201810115562.9A patent/CN110133505A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102862490A (zh) * | 2012-09-19 | 2013-01-09 | 合肥工业大学 | 一种电动汽车电池管理系统自适应控制方法 |
US9831700B2 (en) * | 2013-02-05 | 2017-11-28 | Dell Products, L.P. | Mitigating premature wear out of a rechargeable battery |
CN104535932A (zh) * | 2014-12-20 | 2015-04-22 | 吉林大学 | 一种锂离子电池荷电状态估计方法 |
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 |
CN106054081A (zh) * | 2016-06-17 | 2016-10-26 | 合肥工业大学智能制造技术研究院 | 一种用于电动汽车动力电池soc估计的锂电池建模方法 |
CN106054085A (zh) * | 2016-07-11 | 2016-10-26 | 四川普力科技有限公司 | 一种基于温度用于估计电池soc的方法 |
CN106707181A (zh) * | 2016-12-05 | 2017-05-24 | 澳特卡新能源科技(上海)有限公司 | 一种锂离子的电池参数与荷电状态估计方法 |
CN106842060A (zh) * | 2017-03-08 | 2017-06-13 | 深圳市海云图新能源有限公司 | 一种基于动态参数的动力电池soc估算方法及系统 |
CN107402356A (zh) * | 2017-08-04 | 2017-11-28 | 南京南瑞继保电气有限公司 | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 |
Non-Patent Citations (3)
Title |
---|
YUANWU XU 等: "Li-ion Batteries SOC Observation Method Based on Model with Variable Parameters", 《2017 CHINESE AUTOMATION CONGRESS(CAC)》 * |
凡旭国: "锂离子电池组等效电路建模及SOC估算的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
姜久春: "《电动汽车动力电池应用技术》", 30 June 2016, 北京交通大学出版社 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112433154A (zh) * | 2019-08-25 | 2021-03-02 | 南京理工大学 | 基于ffrls和ekf的锂离子电池soc估测算法 |
CN110795851A (zh) * | 2019-10-30 | 2020-02-14 | 西安理工大学 | 一种考虑环境温度影响的锂离子电池建模方法 |
CN110991062A (zh) * | 2019-12-11 | 2020-04-10 | 南京九芯电子科技有限公司 | 一种OLED的Verilog-A仿真模型的实现方法 |
CN110979096A (zh) * | 2019-12-20 | 2020-04-10 | 淮安骏盛新能源科技有限公司 | 一种电动汽车恒流充电电流自动调节应用方法 |
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 |
CN111796185A (zh) * | 2020-06-16 | 2020-10-20 | 合肥力高动力科技有限公司 | 基于t-s型模糊算法的磷酸铁锂电池soc-ocv校准方法 |
CN111796185B (zh) * | 2020-06-16 | 2022-11-08 | 合肥力高动力科技有限公司 | 基于t-s型模糊算法的磷酸铁锂电池soc-ocv校准方法 |
CN112014759A (zh) * | 2020-07-22 | 2020-12-01 | 量道(深圳)储能科技有限公司 | 基于分布式集群分析电池性能的方法及系统 |
CN112014759B (zh) * | 2020-07-22 | 2023-04-14 | 量道(深圳)储能科技有限公司 | 基于分布式集群分析电池性能的方法及系统 |
CN112255550A (zh) * | 2020-09-27 | 2021-01-22 | 万克能源科技有限公司 | 一种储能系统中衰减锂电池的检测方法 |
CN112946499A (zh) * | 2021-02-04 | 2021-06-11 | 芜湖楚睿智能科技有限公司 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
CN112946499B (zh) * | 2021-02-04 | 2024-02-02 | 芜湖楚睿智能科技有限公司 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
CN114415055A (zh) * | 2022-03-28 | 2022-04-29 | 阳光电源股份有限公司 | 一种储能系统及其soc估算方法 |
CN114675184A (zh) * | 2022-05-27 | 2022-06-28 | 深圳戴普森新能源技术有限公司 | 一种放电剩余时间的计算方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110133505A (zh) | 一种基于变参数模型的动力电池充放电状态观测方法 | |
Chaoui et al. | State of charge and state of health estimation for lithium batteries using recurrent neural networks | |
Murnane et al. | A closer look at state of charge (SOC) and state of health (SOH) estimation techniques for batteries | |
CN104392080B (zh) | 一种锂电池分数阶变阶等效电路模型及其辨识方法 | |
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 | |
CN105912799B (zh) | 一种液态或半液态金属电池的建模方法 | |
CN104678316B (zh) | 锂离子电池荷电状态估算方法和装置 | |
CN103926538B (zh) | 基于aic准则的变阶数rc等效电路模型及实现方法 | |
CN105334462B (zh) | 电池容量损失在线估算方法 | |
Chen et al. | Battery state of charge estimation based on a combined model of Extended Kalman Filter and neural networks | |
Huria et al. | Simplified extended kalman filter observer for soc estimation of commercial power-oriented lfp lithium battery cells | |
CN103020445A (zh) | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 | |
Xiong et al. | Data-driven state-of-charge estimator for electric vehicles battery using robust extended Kalman filter | |
Kim et al. | Pattern recognition for temperature-dependent state-of-charge/capacity estimation of a Li-ion cell | |
CN107167741A (zh) | 一种基于神经网络的锂电池soc观测方法 | |
CN106712182A (zh) | 基于深度优先搜索算法的动力电池组主动均衡控制策略 | |
CN105093129B (zh) | 一种储能电池剩余容量检测方法 | |
Kim et al. | Real-time state of charge and electrical impedance estimation for lithium-ion batteries based on a hybrid battery model | |
CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
Qiu et al. | Battery hysteresis modeling for state of charge estimation based on Extended Kalman Filter | |
Bahramipanah et al. | Enhanced electrical model of lithium-based batteries accounting the charge redistribution effect | |
CN109901072A (zh) | 基于历史数据与实验室测试数据的退役电池参数检测方法 | |
CN203825171U (zh) | 基于aic准则的变阶数rc等效电路模型 | |
Jian et al. | Comparison of SOC estimation performance with different training functions using neural network | |
Huang et al. | State of charge estimation of lithium-ion battery based on second-order 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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |