CN110187282B - 电池荷电状态估算方法和估算装置 - Google Patents
电池荷电状态估算方法和估算装置 Download PDFInfo
- Publication number
- CN110187282B CN110187282B CN201910478314.5A CN201910478314A CN110187282B CN 110187282 B CN110187282 B CN 110187282B CN 201910478314 A CN201910478314 A CN 201910478314A CN 110187282 B CN110187282 B CN 110187282B
- Authority
- CN
- China
- Prior art keywords
- soc
- battery
- kalman gain
- state
- 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.)
- Active
Links
Images
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
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提供一种电池荷电状态估算方法和电池荷电状态估算装置。该方法和装置针对电池,确定EKF离散状态空间模型后,对输入量电流的绝对值与上一刻的SOC值进行模糊化,经模糊推理最终得到卡尔曼增益修正系数,从而对卡尔曼增益进行修正,最后得到各个时刻的SOC值。与传统的卡尔曼滤波法相比,可以降低电流与SOC对电池模型精度的影响,更加精准地对SOC进行估计。
Description
技术领域
本发明涉及电池技术领域,尤其涉及一种电池荷电状态估算方法和运行该算法的估算装置。
背景技术
电池荷电状态(state of charge,SOC)表征了电池的剩余可用电量,对其准确估计是电池管理系统的核心功能之一,是实现电池均衡、故障诊断、电池充/放电控制等其他功能的前提,其估计精度直接影响整个电池管理系统的效率。然而,由于电池本身是一个封闭系统,无法通过在电池内部直接放置传感器的方式来直接测量获取,只能基于其它可测参数(电压、电流、温度)间的关系进行估算。由于这种关系存在强烈的非线性特性,而且往往会受到工况、温度、老化程度等诸多因素影响而实时地发生变化,所以SOC的精准在线估计十分困难。
目前常用的SOC估计方法分为四类:内阻法、安时积分法、开路电压法、卡尔曼滤波法的方法。现有方法的不足之处在于:1)内阻法存在荷电状态靠近1的一段范围里,内阻变化不大的问题;2)安时积分法对准确的SOC初值依赖性强,对电流采集设备的精度要求很高,若SOC初值不准确或者电流表发生偏移,则会产生较大的累积误差;3)开路电压法需要长时间静置电池,不适于实时估计;4)扩展卡尔曼滤波(EKF)法是一种基于模型的算法,由于它克服了安时积分法对SOC初值要求严格的问题,因此成为研究与应用的热点,但其精度受电池模型、传感器测量误差等因素的影响,在实际应用过程中,电池模型参数随SOC、电流、温度以及电池老化程度的不同而变化,而且传感器误差的统计信息可能未知或时变,这将导致传统的EKF法的估计精度不高、鲁棒性差。因而需要开发更高精度的SOC估计算法。
发明内容
本发明针对传统的EKF法估算荷电状态的不足,提供一种荷电状态估算方法和运行该算法的估算装置,该方法利用模糊算法对卡尔曼增益进行调整,使用动态增益的EKF估算的储能电池的荷电状态,具有精度高、实时性好、鲁棒性强等优点。
本发明的技术方案包括以下步骤:步骤S100,建立电池的等效电路模型,模拟电池的动态特性;步骤S101:通过采集不同SOC条件下所述电池静置的开路电压OCV值,拟合得到开路电压与SOC的函数曲线,确定OCV与SOC的关系函数B(SOC);步骤S102,确定系统的状态方程和测量方程;步骤S103,根据所述步骤S102中的计算所得,估算状态的时间更新和误差协方差的时间更新,并计算卡尔曼增益;步骤S104,以本时刻的工作电流值和前一刻的SOC估算值为模糊推理系统的输入,输出卡尔曼增益调整系数α;步骤S105,根据所述步骤S103中计算的所述卡尔曼增益和所述卡尔曼增益调整系数α计算修正后的卡尔曼增益,并得出估算状态的测量更新和误差协方差的测量更新,其中,所述估算状态的测量更新即为电池在此刻的SOC估值;步骤S106:输出所述步骤S105中计算出的所述电池在此刻的SOC估值,并存储所述电池在此刻的SOC估值,用于在下一次运行所述电池荷电状态估算方法时作为所述步骤S104中的所述前一刻的SOC估算值,输入所述模糊推理系统。
进一步的,所述步骤S102中系统的状态方程为:
测量方程为:
yk=g(xk,uk,vk)=E(SOCk)-U1,k-Rmuk+vk
其中,η为库伦效率,Δt为采样周期,xk为电池在k时刻的状态变量,xk=(SOCkU1,k);yk为电池在k时刻的电池端电压观测变量,uk为k时刻的系统激励,噪声wk为电流累加计算过程中的误差,噪声vk为电压的测量误差,Ccap为电池的额定容量,U1,k为极化电压,SOCk是k时刻电池的荷电状态,E(SOCk)为根据所述步骤S101中OCV与SOC的关系函数得出的开路电压。
优选的,所述步骤S103中,估算状态的时间更新表达式为:
优选的,所述模糊推理系统基于Mamdani模糊算法建立,所述步骤S104包括如下步骤:采用高斯型隶属度函数对所述本时刻的工作电流值|Ik|和所述前一刻的SOC估算值SOCk-1进行模糊化,然后经预设的模糊推理规则推理,最后采用三角型隶属度函数去模糊化得到所述卡尔曼增益修正系数α;
优选的,所述本时刻的工作电流值|Ik|包括三个模糊集合,分别对应较小、适中、较大的数值,范围依次为[0,Imax/2]、[0,Imax]与[[Imax/2,Imax],Imax为所述电池的最大放电电流,所述本时刻的工作电流值|Ik|的隶属度函数分别记为mf11、mf12、mf13;所述前一刻的SOC估算值SOCk-1包括三个模糊集合,分别对应较小、适中、较大的数值,范围依次为[0,0.5]、[0,1]与[[0.5,1],所述前一刻的SOC估算值SOCk-1的隶属度函数分别记为mf21、mf22、mf23;所述卡尔曼增益修正系数α包括五个模糊集合,分别对应小、较小、适中、较大、大的数值,范围依次为[0,0.4]、[0.2,0.6]、[0.4,0.8]、[0.6,1]、[0.8,1.2],所述卡尔曼增益修正系数α的隶属度函数分别记为mf31、mf32、mf33、mf34、mf35;所述预设的模糊推理规则为:
If|Ik|is mf11 and SOCk-1 is mf21,then α is mf35;
If|Ik|is mf13 and SOCk-1 is mf23,then α is mf33;
If|Ik|is mf12 and SOCk-1 is mf22,then α is mf32;
If|Ik|is mf11 and SOCk-1 is mf23,then α is mf33;
If|Ik|is mf13 and SOCk-1 is mf21,then α is mf35;
If|Ik|is mf12 and SOCk-1 is mf21,then α is mf33;
If|Ik|is mf11 and SOCk-1 is mf22,then α is mf34;
If|Ik|is mf12 and SOCk-1 is mf23,then α is mf31;
If|Ik|is mf13 and SOCk-1 is mf22,then α is mf34。
优选的,执行所述步骤S104之前,先执行步骤S’104,所述步骤S’104包括如下步骤:判断所述电池的放电时间T是否小于等于200秒,若是,则令所述卡尔曼增益修正系数α为3,然后执行步骤S105;若否,则执行步骤S104。
具体的,所述步骤S105包括如下步骤:根据所述步骤S103中计算的所述卡尔曼增益Kk和所述卡尔曼增益调整系数α,通过算式Kg=αKk,计算出修正后的卡尔曼增益Kg;
其中,xk即为电池在此时刻的荷电状态SOC估值。
本发明还提供了一种电池荷电状态估算装置,所述电池荷电状态估算装置包括:信号采集单元、信号处理单元A/D转换器、卡尔曼增益获取单元、增益调整系数获取单元、SOC估算单元和输出单元;
所述信号采集单元,包括电池端电压信号采集单元和霍尔信号传感器,其中,所述电池端电压信号采集单元与所述信号处理单元连接,用于采集电池端的电压信号并通过精密电阻分压后发送给信号处理单元;所述霍尔信号传感器与所述信号处理单元连接,用于采集电池的电流信号发送给信号处理单元;
所述信号处理单元用于对所述电压信号和所述电流信号进行整流、滤波、放大等信号处理后发送给所述A/D转换器;
所述A/D转换器用于将来自所述信号处理单元的电压模拟信号和电流模拟信号分别转换为电压数字信号和电流数字信号,并发送给所述卡尔曼增益获取单元;
所述卡尔曼增益获取单元与所述A/D转换器连接,用于根据此刻的电池端电压和工作电流,估算状态的时间更新和误差协方差的时间更新,并将基于EKF算法获取的卡尔曼增益发送给所述SOC估算单元;
所述增益调整系数获取单元与所述A/D转换器连接,用于执行预设的模糊推理规则,输入此刻的电流值和上一时刻的SOC估算值,以输出值作为此刻的为卡尔曼增益调整系数发送给所述SOC估算单元;
所述SOC估算单元接收来自所述卡尔曼增益获取单元的卡尔曼增益和来自所述增益调整系数获取单元的卡尔曼增益调整系数,计算卡尔曼增益修正值,根据卡尔曼增益修正值计算并存储此刻的SOC估值和误差协方差更新值;
所述输出单元用于读取所述SOC估算单元估算所得到的结果,经串口通讯传导到上位机显示输出。
优选的,所述预设的模糊推理规则为:
If|Ik|is mf11 and SOCk-1 is mf21,then α is mf35;
If|Ik|is mf13 and SOCk-1 is mf23,then α is mf33;
If|Ik|is mf12 and SOCk-1 is mf22,then α is mf32;
If|Ik|is mf11 and SOCk-1 is mf23,then α is mf33;
If|Ik|is mf13 and SOCk-1 is mf21,then α is mf35;
If|Ik|is mf12 and SOCk-1 is mf21,then α is mf33;
If|Ik|is mf11 and SOCk-1 is mf22,then α is mf34;
If|Ik|is mf12 and SOCk-1 is mf23,then α is mf31;
If|Ik|is mf13 and SOCk-1 is mf22,then α is mf34;
其中,mf11、mf12、mf13是从所述A/D转换器获取的工作电流的绝对值|Ik|的隶属度函数;mf21、mf22、mf23是所述电池荷电状态估算装置存储的前一刻的SOC估算值SOCk-1的隶属度函数;mf31、mf32、mf33、mf34、mf35是所述卡尔曼增益修正系数α的隶属度函数。
优选的,所述增益调整系数获取单元还包括比较单元,所述比较单元用于判断所述电池的放电时间是否小于等于200秒,若是,则令卡尔曼增益调整系数为3并输出给所述SOC估算单元;若否,则执行预设的模糊推理规则,输入此刻的电流值和上一时刻的SOC估算值,以输出值作为此刻的为卡尔曼增益调整系数发送给所述SOC估算单元。
本发明提供的电池荷电状态估算方法和运行该算法的电池荷电状态估算装置,通过在线估计电池状态和参数,同时利用模糊算法系统对卡尔曼增益进行调整,从而实时估计量测噪声协方差来补偿电池模型的不确定因素,使电池模型能较好的描述电池的动态特性,本发明提供的SOC估计精度与鲁棒性都优于传统的卡尔曼滤波算法。
附图说明
图1是本发明一实施例提供的估算电池荷电状态的方法步骤示意图;
图2是本发明一实施例提供的电池等效电路模型示意图;
图3是本发明一实施例提供的电池荷电状态估算装置结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本实施例提出了一种估算电池荷电状态(SOC)的方法,如图1所示,包括:
步骤S100,建立电池的等效电路模型,模拟电池的动态特性。本实施例中选择一阶RC网络作为模型,通过电池混合脉冲功率特性实验对电池的各个参数进行辨识建立如图2所示的电池等效电路模型,包括开路电压E、电池的欧姆内阻Rm、极化电阻R1和极化电容C1,其中电池端电压观测变量为y;系统激励(即工作电流)为u。
在其他实施例中,也可选择二阶RC网络作为电池的等效电路模型,此处不做赘述。
步骤S101:通过采集不同SOC条件下电池静置的电池端电压(即开路电压OCV值),拟合得到开路电压与SOC的函数曲线,确定OCV与SOC的关系函数E(SOC)。具体的,可以通过间断放电,并且在每次放掉预设百分比的电量后,将电池静置1小时以上后测量电池此时端电压,绘制成关系曲线从而得到关系函数。本实施例提供的一种采集步骤为:
(1)测量电池SOC为100%时的电池端电压;
(2)间断放电:以10小时放电率的电流对电池放电,直至电池SOC下降10%;
(3)静置:将电池静置2小时,测量电池此时端电压;
(4)重复步骤(2)-(3)九次,直至SOC下降到0%;
(5)根据步骤(1)、(3)、(4)测得的电池端电压绘制成OCV与SOC的关系曲线;
(6)利用步骤(5)的OCV与SOC的关系曲线,通过最小二乘法曲线拟合得到开路电压OCV与SOC的关系函数E(SOCk)。
步骤S102,基于基尔霍夫电压与电流定律,确定系统的状态方程和测量方程。
具体的,引入一个离散控制系统,根据步骤S100中的模型建立的系统状态方程和测量方程,表示如下,
状态方程:
测量方程:
yk=g(xk,uk,vk)=E(SOCk)-U1,k-Rmuk+vk (2)
其中,η为库伦效率,Δt为采样周期,xk是电池在k时刻的状态变量,xk=(SOCkU1,k);yk为电池在k时刻的电池端电压观测变量;uk为k时刻的系统激励,即工作电流;wk是系统噪声,主要来源于电流累加计算过程中的误差;vk是测量噪声,主要来源于电压的测量误差;wk和vk互不相关。Ccap为电池的额定容量,U1,k为极化电压,SOCk是k时刻的荷电状态,E(SOCk)为根据步骤S101中OCVk与SOCk的关系函数得出的开路电压。
上述状态方程与测量方程可以转化为线性模型:
xk+1=Akxk+Bkuk+wk (3)
yk=Ckxk+Dkuk+vk (4)
Dk=(-Rm) (8)
步骤S103,根据步骤S102中的计算所得,估算状态的时间更新和误差协方差(covariance)的时间更新,并计算卡尔曼增益。
具体的,假定系统当前处于k时刻,根据系统的状态空间表达式,系统从上一时刻k-1转移到k时刻的状态可由k-1时刻估算,则
估算状态的时间更新:
误差协方差的时间更新:
计算卡尔曼增益:
步骤S104,建立模糊推理系统,以某一时刻的电流值、前一刻的SOC估算值为模糊推理系统的输入,输出为卡尔曼增益调整系数α。
下面以Mamdani型模糊推理为例具体描述本步骤,本实施例中通过事先掌握的推理规则实现从输入到输出的推理计算,从而建立准确的辨识系统。在其他实施例中,也可选择其他类型的模糊推理系统,如Sugeno型模糊推理,此处不做赘述。
具体的,工作电流的绝对值作为输入量电流,采用高斯型隶属度函数对输入量电流|Ik|及上一时刻(k-1时刻)的荷电状态SOCk-1进行模糊化,然后经预设的模糊推理规则推理,最后采用三角型隶属度函数去模糊化得到所述卡尔曼增益修正系数α。其中,|Ik|的论域为[0,Imax],SOCk-1的论域为[0,1],Imax为最大放电电流。
输入量电流|Ik|拥有三个模糊集合,分别对应较小、适中、较大的数值,三个模糊集合的范围依次为[0,Imax/2]、[0,Imax]与[[Imax/2,Imax];|Ik|的隶属度函数分别记为mf11、mf12、mf13:
输入量SOCk-1拥有三个模糊集合,分别对应较小、适中、较大的数值,三个模糊集合的范围依次为[0,0.5]、[0,1]与[[0.5,1];输入量SOCk-1的隶属度函数分别记为mf21、mf22、mf23:
经推理后进行去模糊化得到输出量——卡尔曼增益修正系数α,所采用的隶属度函数为三角型隶属度函数,其论域为[0,1.2],拥有五个模糊集合分别对应小、较小、适中、较大、大的数值,五个模糊集合的范围依次为[0,0.4]、[0.2,0.6]、[0.4,0.8]、[0.6,1]、[0.8,1.2];输出量卡尔曼增益修正系数α的隶属度函数分别记为mf31、mf32、mf33、mf34、mf35:
设计模糊推理系统输出卡尔曼增益修正系数的规则如下:
If|Ik|is mf11 and SOCk-1 is mf21,then α is mf35;
If|Ik|is mf13 and SOCk-1 is mf23,then α is mf33;
If|Ik|is mf12 and SOCk-1 is mf22,then α is mf32;
If|Ik|is mf11 and SOCk-1 is mf23,then α is mf33;
If|Ik|is mf13 and SOCk-1 is mf21,then α is mf35;
If|Ik|is mf12 and SOCk-1 is mf21,then α is mf33;
If|Ik|is mf11 and SOCk-1 is mf22,then α is mf34;
If|Ik|is mf12 and SOCk-1 is mf23,then α is mf31;
If|Ik|is mf13 and SOCk-1 is mf22,then α is mf34;
经测试,上述模糊推理系统的隶属度函数、论域、模糊度集合等参数的设置为在一定通常型号的电池使用范围内是最佳的,当然不限于上述参数,也可以采用其他参数进行适应性的调整或选择。
步骤S105,计算修正后的卡尔曼增益,并得出估算状态的测量更新和误差协方差的测量更新。估算状态的测量更新即为此刻荷电状态的估算值。具体的,将模糊推理系统输出卡尔曼增益修正系数α代入表达式(12)得修正后的卡尔曼增益Kg。
Kg=αKk (12)
计算估算状态的测量更新:
计算误差协方差的测量更新:
所得到的估算状态的测量更新xk即为电池在此时刻的荷电状态SOC估值。
执行步骤S106:输出并存储步骤S105中计算出的荷电状态SOC估值,存储的此刻荷电状态的估算值作为下一次运行电池荷电状态估算方法时,作为步骤S104中的“前一刻的SOC估算值”输入模糊推理系统中。
在另一实施例中,步骤S104之前,还包括步骤S’104,判断电池的放电时间T是否小于等于200秒,若是,则令α=3然后执行步骤S105;若否,则执行步骤S104。在本实施例中,当T≤200s,不进行模糊算法输出卡尔曼增益修正系数,而是直接令α=3,可以大大加快SOC估算值收敛于真实值的速度。由于卡尔曼算法可以在初值不准确的情况下运用,因此收敛速度加快可以缩短显示出准确真值的时间。
我们可以用电压测量值与估算值之差表征模型误差,如果用3.2V10Ah的锂电池实验验证电流大小和SOC对模型误差的影响,得到的实验数据如下二表所示:
由以上实验数据可以看出,电池的放电电流越大,模型误差越大;SOC在中间值时模型误差较大。因此,根据本发明提供的电池荷电状态估算方法,由式(13),模型误差可以通过调整卡尔曼增益来调节时间更新和测量更新的占比来抵消,误差大的时候,通过减小卡尔曼增益,提升时间更新,便可以提升SOC估算精度。
实施例二
本发明还提供了一种电池荷电状态估算装置,如图3所示,所述电池荷电状态估算装置1包括:单片机2、信号采集单元3、信号处理单元4和输出单元5。电状态估算装置1的各单元之间直接或间接地电连接,以实现数据的传输或交互。
其中,信号采集单元3,包括电池端电压信号采集单元31和霍尔信号传感器32,用于采集电池端的实时信号,包括电池端的电压和工作电流。其中,电池端电压信号采集单元31与信号处理单元4连接,用于采集电池端的电压信号并通过精密电阻分压后发送给信号处理单元4;霍尔信号传感器32也与信号处理单元4连接,用于采集电池的电流信号发送给信号处理单元4。信号处理单元4用于对电压信号和电流信号进行整流、滤波、放大等信号处理后发送给单片机2,具体可以是差分放大电路。
单片机2中的A/D转换器21用于将来自信号处理单元4的电压模拟信号和电流模拟信号分别转换为电压数字信号和电流数字信号,并发送给卡尔曼增益获取单元22。
卡尔曼增益获取单元22与A/D转换器21连接,用于根据此刻的电池端电压和工作电流,估算状态的时间更新和误差协方差的时间更新,并基于EKF算法获取的卡尔曼增益发送给SOC估算单元24。具体的,卡尔曼增益获取单元22对来自A/D转换器21的电压数字信号和电流数字信号进行采样求平均值后得到此刻的电池端电压观测值yk和工作电流uk;根据电池的参数和测量数据,如电池的欧姆内阻Rm、极化电阻R1、极化电容C1、电池的额定容量Ccap、极化电压U1,k、库伦效率值η、采样周期Δt,噪声wk和vk,通过本发明实施例一提供的表达式(1)—(11)计算卡尔曼增益Kk。
增益调整系数获取单元23,用于执行预设的模糊推理规则,输入此刻的电流值和上一时刻的SOC估算值,以输出值作为此刻的为卡尔曼增益调整系数发送给SOC估算单元24。具体的,增益调整系数获取单元23读取存储单元中寄存的前一刻的SOC估算值,并与A/D转换器21连接获取工作电流uk,将前一刻的SOC估算值和工作电流uk一同作为模糊推理系统的输入,执行以下模糊推理规则:
If|Ik|is mf11 and SOCk-1 is mf21,then α is mf35;
If|Ik|is mf13 and SOCk-1 is mf23,then α is mf33;
If|Ik|is mf12 and SOCk-1 is mf22,then α is mf32;
If|Ik|is mf11 and SOCk-1 is mf23,then α is mf33;
If|Ik|is mf13 and SOCk-1 is mf21,then α is mf35;
If|Ik|is mf12 and SOCk-1 is mf21,then α is mf33;
If|Ik|is mf11 and SOCk-1 is mf22,then α is mf34;
If|Ik|is mf12 and SOCk-1 is mf23,then α is mf31;
If|Ik|is mf13 and SOCk-1 is mf22,then α is mf34;
输出值α即为卡尔曼增益调整系数。
SOC估算单元24,用于接收来自卡尔曼增益获取单元22的卡尔曼增益和来自增益调整系数获取单元23的卡尔曼增益调整系数,计算卡尔曼增益修正值,根据卡尔曼增益修正值计算并存储此刻的SOC估值和误差协方差更新值。
具体的,SOC估算单元24将卡尔曼增益Kk和卡尔曼增益调整系数α代入表达式(12)计算得到卡尔曼增益修正值,即修正后的卡尔曼增益Kg;根据修正后的卡尔曼增益和本发明实施例一提供的表达式(13)计算此刻的SOC估值xk;根据修正后的卡尔曼增益和本发明实施例一提供的表达式(14)计算此刻的误差协方差更新值Pk,然后将此刻的SOC估值xk和此刻的误差协方差更新值Pk存储到存储单元(图中未示出)中,供卡尔曼增益获取单元22和增益调整系数获取单元23在下一次运算荷电状态时调用。存储单元可以是集合在单片机2中的寄存器,也可以是外设的存储介质。
输出单元5,用于读取所述SOC估算单元24估算所得到的结果,经串口通讯传导到上位机显示输出,具体可以是显示器、报警器、智能语音设备,或其他人机交互端口。
在其他实施例中,所述增益调整系数获取单元23还包括比较单元30。所述比较单元用于判断电池的放电时间T是否小于等于200秒,若是,则令卡尔曼增益调整系数α=3,输出给SOC估算单元24;若否,则执行预设的模糊推理规则,输入此刻的电流值和上一时刻的SOC估算值,以输出值作为此刻的为卡尔曼增益调整系数发送给SOC估算单元24。在本实施例中,当T≤200s,不进行模糊算法输出卡尔曼增益修正系数,而是直接令α=3,可以大大加快SOC估算值收敛于真实值的速度。
在本实施例中,卡尔曼增益获取单元22、增益调整系数获取单元23、SOC估算单元24是单片机中集成的A/D转换器、运算器、控制器、存储器、计数器等数据处理模块相互配合执行SOC估算方法程序的各个软件功能模块。在其他实施例中,也可以使用分设的处理器、存储器和控制器替代集成化的单片机通过运行软件程序以及模块,实现本发明的SOC估算方法,此处不做赘述。
电池荷电状态估算装置1可以作为用户终端,如智能电表、电池监控设备,连接在机房电池网络中监控各电池的荷电状态。在其他实施例中,电池荷电状态估算装置也可以集成在行车电脑、计算机或服务器等智能设备中。当电池荷电状态估算装置集成在智能设备中时,本实施例一提供的SOC估算方法以软件或固件(firmware)的形式存储于所述智能设备中的软件功能模块中,由用户向所述智能设备发出对应的程序指令,智能设备通过运行软件程序以及模块,执行相应的功能。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例的技术方案的范围。
Claims (9)
1.一种电池荷电状态估算方法,其特征在于,包含包括以下步骤:
步骤S100,建立电池的等效电路模型,模拟电池的动态特性;
步骤S101:通过采集不同SOC条件下所述电池静置的开路电压OCV值,拟合得到开路电压与SOC的函数曲线,确定OCV与SOC的关系函数E(SOC);
步骤S102,确定系统的状态方程和测量方程;
步骤S103,根据所述步骤S102中的计算所得,估算状态的时间更新和误差协方差的时间更新,并计算卡尔曼增益;
步骤S104,以本时刻的工作电流值和前一刻的SOC估算值为模糊推理系统的输入,输出卡尔曼增益调整系数α;
步骤S105,根据所述步骤S103中计算的所述卡尔曼增益和所述卡尔曼增益调整系数α计算修正后的卡尔曼增益,并得出估算状态的测量更新和误差协方差的测量更新,其中,所述估算状态的测量更新即为电池在此刻的SOC估值;
步骤S106:输出所述步骤S105中计算出的所述电池在此刻的SOC估值,并存储所述电池在此刻的SOC估值,用于在下一次运行所述电池荷电状态估算方法时作为所述步骤S104中的所述前一刻的SOC估算值,输入所述模糊推理系统。
2.根据权利要求1所述的电池荷电状态估算方法,其特征在于,所述步骤S102中系统的状态方程为:
测量方程为:
yk=g(xk,uk,vk)=E(SOCk)-U1,k-Rmuk+vk
其中,η为库伦效率,Δt为采样周期,xk为电池在k时刻的状态变量,xk=(SOCk U1,k);yk为电池在k时刻的电池端电压观测变量,uk为k时刻的系统激励,噪声wk为电流累加计算过程中的误差,噪声vk为电压的测量误差,Ccap为电池的额定容量,U1,k为极化电压,Rm是所述电池的欧姆内阻,R1为所述电池的极化电阻,C1为所述电池的极化电容,SOCk是k时刻电池的荷电状态,E(SOCk)为根据所述步骤S101中OCV与SOC的关系函数得出的开路电压。
4.根据权利要求1所述的电池荷电状态估算方法,其特征在于,所述模糊推理系统基于Mamdani模糊算法建立,所述步骤S104包括如下步骤:
采用高斯型隶属度函数对所述本时刻的工作电流值|Ik|和所述前一刻的SOC估算值SOCk-1进行模糊化,然后经预设的模糊推理规则推理,最后采用三角型隶属度函数去模糊化得到所述卡尔曼增益修正系数α。
5.根据权利要求1所述的电池荷电状态估算方法,其特征在于,执行所述步骤S104之前,先执行步骤S’104,所述步骤S’104包括如下步骤:
判断所述电池的放电时间T是否小于等于200秒,若是,则令所述卡尔曼增益修正系数α为3,然后执行步骤S105;若否,则执行步骤S104。
7.一种执行权利要求1-6任一权利要求所述电池荷电状态估算方法的电池荷电状态估算装置,其特征在于,所述电池荷电状态估算装置包括:信号采集单元、信号处理单元A/D转换器、卡尔曼增益获取单元、增益调整系数获取单元、SOC估算单元和输出单元;
所述信号采集单元,包括电池端电压信号采集单元和霍尔信号传感器,其中,所述电池端电压信号采集单元与所述信号处理单元连接,用于采集电池端的电压信号并通过精密电阻分压后发送给信号处理单元;所述霍尔信号传感器与所述信号处理单元连接,用于采集电池的电流信号发送给信号处理单元;
所述信号处理单元用于对所述电压信号和所述电流信号进行整流、滤波、放大信号处理后发送给所述A/D转换器;
所述A/D转换器用于将来自所述信号处理单元的电压模拟信号和电流模拟信号分别转换为电压数字信号和电流数字信号,并发送给所述卡尔曼增益获取单元;
所述卡尔曼增益获取单元与所述A/D转换器连接,用于根据此刻的电池端电压和工作电流,估算状态的时间更新和误差协方差的时间更新,并将基于EKF算法获取的卡尔曼增益发送给所述SOC估算单元;
所述增益调整系数获取单元与所述A/D转换器连接,用于执行预设的模糊推理规则,输入此刻的电流值和上一时刻的SOC估算值,以输出值作为此刻的为卡尔曼增益调整系数发送给所述SOC估算单元;
所述SOC估算单元接收来自所述卡尔曼增益获取单元的卡尔曼增益和来自所述增益调整系数获取单元的卡尔曼增益调整系数,计算卡尔曼增益修正值,根据卡尔曼增益修正值计算并存储此刻的SOC估值和误差协方差更新值;
所述输出单元用于读取所述SOC估算单元估算所得到的结果,经串口通讯传导到上位机显示输出。
8.根据权利要求7所述的电池荷电状态估算装置,其特征在于,所述预设的模糊推理规则为:
If|Ik|is mf11 and SOCk-1is mf21,thenαis mf35;
If|Ik|is mf13 and SOCk-1is mf23,thenαis mf33;
If|Ik|is mf12 and SOCk-1is mf22,thenαis mf32;
If|Ik|is mf11 and SOCk-1is mf23,thenαis mf33;
If|Ik|is mf13 and SOCk-1is mf21,thenαis mf35;
If|Ik|is mf12 and SOCk-1is mf21,thenαis mf33;
If|Ik|is mf11 and SOCk-1is mf22,thenαis mf34;
If|Ik|is mf12 and SOCk-1is mf23,thenαis mf31;
If|Ik|is mf13 and SOCk-1is mf22,thenαis mf34;
其中,mf11、mf12、mf13是从所述A/D转换器获取的工作电流的绝对值|Ik|的隶属度函数;mf21、mf22、mf23是所述电池荷电状态估算装置存储的前一刻的SOC估算值SOCk-1的隶属度函数;mf31、mf32、mf33、mf34、mf35是所述卡尔曼增益修正系数α的隶属度函数。
9.根据权利要求7所述的电池荷电状态估算装置,其特征在于,所述增益调整系数获取单元还包括比较单元,所述比较单元用于判断所述电池的放电时间是否小于等于200秒,若是,则令卡尔曼增益调整系数为3并输出给所述SOC估算单元;若否,则执行预设的模糊推理规则,输入此刻的电流值和上一时刻的SOC估算值,以输出值作为此刻的为卡尔曼增益调整系数发送给所述SOC估算单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910478314.5A CN110187282B (zh) | 2019-06-03 | 2019-06-03 | 电池荷电状态估算方法和估算装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910478314.5A CN110187282B (zh) | 2019-06-03 | 2019-06-03 | 电池荷电状态估算方法和估算装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110187282A CN110187282A (zh) | 2019-08-30 |
CN110187282B true CN110187282B (zh) | 2021-09-10 |
Family
ID=67719989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910478314.5A Active CN110187282B (zh) | 2019-06-03 | 2019-06-03 | 电池荷电状态估算方法和估算装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110187282B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289911A (zh) * | 2020-04-03 | 2020-06-16 | 深圳天邦达新能源技术有限公司 | 基于电池的soc估算方法、装置以及电子设备 |
CN111751750B (zh) * | 2020-06-19 | 2023-10-20 | 杭州电子科技大学 | 基于模糊ekf的多阶段闭环锂电池soc估算方法 |
CN112310985B (zh) * | 2020-07-06 | 2022-07-12 | 长沙理工大学 | 考虑储能系统健康状态的风电功率平滑控制策略 |
CN112051507A (zh) * | 2020-09-15 | 2020-12-08 | 哈尔滨理工大学 | 基于模糊控制的锂离子动力电池soc估算方法 |
CN112649744B (zh) * | 2020-12-15 | 2024-07-12 | 西安奇点能源股份有限公司 | 一种pcs、bms同步协调soc计算方法及系统 |
CN112858929B (zh) * | 2021-03-16 | 2022-09-06 | 上海理工大学 | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 |
CN113030751B (zh) * | 2021-03-31 | 2022-09-16 | 蜂巢能源科技股份有限公司 | 电池荷电状态soc估计方法、装置、管理系统以及车辆 |
CN113156316B (zh) * | 2021-04-26 | 2023-11-07 | 太仓中科赛诺新能源科技有限公司 | 盐水电池soc估算算法 |
CN113515914B (zh) * | 2021-04-26 | 2024-05-14 | 中国科学院上海微系统与信息技术研究所 | 一种ots选通器件仿真模型 |
CN113466728B (zh) * | 2021-07-13 | 2024-04-05 | 北京西清能源科技有限公司 | 一种两阶段电池模型参数在线辨识的方法与系统 |
US11807387B1 (en) * | 2022-04-30 | 2023-11-07 | Beta Air, Llc | Apparatus and methods for a fuel-based flight indicator apparatus for an electric aircraft |
CN115902647B (zh) * | 2023-02-23 | 2023-05-16 | 新乡医学院 | 一种电池状态智能监测方法 |
CN117741450B (zh) * | 2024-02-21 | 2024-05-14 | 新风光电子科技股份有限公司 | 一种电参数分析的储能电池检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011127973A (ja) * | 2009-12-16 | 2011-06-30 | Kawasaki Heavy Ind Ltd | 二次電池の充電状態推定方法及び装置 |
CN102831100A (zh) * | 2012-07-18 | 2012-12-19 | 深圳职业技术学院 | 电池荷电状态估算方法及装置 |
CN103576096A (zh) * | 2013-10-09 | 2014-02-12 | 广东电网公司电力科学研究院 | 电动汽车动力电池剩余电量的实时评估方法及装置 |
CN105758450A (zh) * | 2015-12-23 | 2016-07-13 | 西安石油大学 | 基于多传感器应急机器人的消防预警感知系统构建方法 |
CN107290688A (zh) * | 2017-08-24 | 2017-10-24 | 合肥工业大学 | 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法 |
CN108490472A (zh) * | 2018-01-29 | 2018-09-04 | 哈尔滨工程大学 | 一种基于模糊自适应滤波的无人艇组合导航方法 |
-
2019
- 2019-06-03 CN CN201910478314.5A patent/CN110187282B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011127973A (ja) * | 2009-12-16 | 2011-06-30 | Kawasaki Heavy Ind Ltd | 二次電池の充電状態推定方法及び装置 |
CN102831100A (zh) * | 2012-07-18 | 2012-12-19 | 深圳职业技术学院 | 电池荷电状态估算方法及装置 |
CN103576096A (zh) * | 2013-10-09 | 2014-02-12 | 广东电网公司电力科学研究院 | 电动汽车动力电池剩余电量的实时评估方法及装置 |
CN105758450A (zh) * | 2015-12-23 | 2016-07-13 | 西安石油大学 | 基于多传感器应急机器人的消防预警感知系统构建方法 |
CN107290688A (zh) * | 2017-08-24 | 2017-10-24 | 合肥工业大学 | 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法 |
CN108490472A (zh) * | 2018-01-29 | 2018-09-04 | 哈尔滨工程大学 | 一种基于模糊自适应滤波的无人艇组合导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110187282A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110187282B (zh) | 电池荷电状态估算方法和估算装置 | |
CN110261779B (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
US8269502B2 (en) | Method for determining the state of health of a battery using determination of impedance and/or battery state | |
JP5058814B2 (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
CN107167743B (zh) | 基于电动车辆的荷电状态估算方法和装置 | |
CN109633479B (zh) | 基于嵌入式容积卡尔曼滤波的锂电池soc在线估算方法 | |
CN115902647B (zh) | 一种电池状态智能监测方法 | |
US11143705B2 (en) | Method and device for detecting battery cell states and battery cell parameters | |
US11255916B2 (en) | Method and device for monitoring a stable convergence behavior of a Kalman filter | |
CN111707953A (zh) | 一种基于后向平滑滤波框架的锂电池soc在线估计方法 | |
CN111537903B (zh) | 一种基于hckf的电池soc估计方法 | |
US20230003805A1 (en) | Method for estimating the state of an energy store | |
CN112083333A (zh) | 一种基于机器学习模型的动力电池组荷电状态估计方法 | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
CN111751750B (zh) | 基于模糊ekf的多阶段闭环锂电池soc估算方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
CN116754959A (zh) | 一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法 | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
CN114740385A (zh) | 一种自适应的锂离子电池荷电状态估计方法 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN113759258A (zh) | 一种动力电池soc估计方法、装置及纯电动汽车 | |
CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 | |
CN117420447A (zh) | 考虑噪声偏差补偿的锂电池soc估算方法、系统和电子装置 | |
CN111239608A (zh) | 基于扩展卡尔曼滤波的电池soc估算方法及装置 | |
CN115575823A (zh) | 一种锂电池参数在线辨识方法 |
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 |