CN110208703A - 基于温度修正的复合等效电路模型对荷电状态估计的方法 - Google Patents
基于温度修正的复合等效电路模型对荷电状态估计的方法 Download PDFInfo
- Publication number
- CN110208703A CN110208703A CN201910333122.5A CN201910333122A CN110208703A CN 110208703 A CN110208703 A CN 110208703A CN 201910333122 A CN201910333122 A CN 201910333122A CN 110208703 A CN110208703 A CN 110208703A
- Authority
- CN
- China
- Prior art keywords
- temperature
- power battery
- model
- state
- charge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 150000001875 compounds Chemical class 0.000 title abstract 3
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 239000002131 composite material Substances 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 21
- 238000007600 charging Methods 0.000 claims description 16
- 230000010287 polarization Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000010277 constant-current charging Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000008878 coupling Effects 0.000 abstract 1
- 238000010168 coupling process Methods 0.000 abstract 1
- 238000005859 coupling reaction Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- 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
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于温度修正的复合等效电路模型对荷电状态估计的方法,首先,选定某动力电池,建立复合等效电路模型确定在线辨识的系统状态和模型参数;然后在不同温度下对该动力电池进行恒温脉冲充放电实验和HPPC实验,记录实验数据;接着,基于实验数据建立动力电池基于温度修正的OCV‑SOC模型;最后,基于建立的温度修正的OCV‑SOC模型和最小二乘估计与自适应扩展卡尔曼滤波算法可以在宽温范围内对动力电池进行系统在线辨识与SOC精准估计。本发明所采用的模型结合电化学模型与等效电路模型,基于温度修正OCV‑SOC模型可对宽温范围内的动力电池工作进行SOC精准估计。
Description
技术领域
本发明涉及电池管理技术领域,尤其涉及一种基于温度修正的复合等效电路模型及SOC 估计方法。
背景技术
随着对能源的结构优化与环境友好的要求,新能源汽车的发展成为时下汽车发展的热点。在车载电池的电池管理系统(Battery Management System,BMS)中,动力电池的荷电状态 (State of Charge,SOC)是一个十分关键的电池状态估计参数,用于表征电池当前所能释放的剩余容量占额定容量的百分比。SOC不仅是电动汽车能量优化算法的基础,也是测试和评价电池性能以及对电池均衡控制和寿命预测的重要指标。因此,实时准确顾及SOC是当前 BMS中的关键技术之一。
在对动力电池SOC估计分析中,目前对于电池建模的研究方法中,主要有以下几种:电化学模型、神经网络模型、等效电路模型。其中电化学模型较为精确,能较好地反映电池内部变化,但是模型参数多辨识困难,不便于实际应用;神经网络模型模型精度高,能够考虑多种因素影响,但是需要大量实验数据,且对实验的初始值选取要求较为严格;等效电路模型相对较为简单,用电路元件模拟电池内部结构,模拟过程直观,辨识需要采集大量数据,在现在SOC估计中应用较为广泛。在SOC估计应用的方法主要有以下几种:安时积分法、开路电压、阻抗分析法、卡尔曼滤波法、智能机算法。其中安时积分法利用理论公式直接进行计算,较为简单容易实现,但是存在误差累积,对于数据的精度要求较高;开路电压法通过测量电池开路的电压,根据电压与SOC的曲线关系确定SOC值,容易实现估算准确,但是开路电压的求取条件苛刻,不能实现在线估计;阻抗分析法将交流信号加载到电池两端,用交流信号的频率计算电池的SOC,操作条件较为简单,在实际应用中影响因素较多,方法尚未成熟;卡尔曼滤波法将电池SOC作为状态变量,以电池端电压为输出变量,通过真实值与端电压估计值对比,迭代出实际SOC,追踪速度快,估算精准,但是模型精度要求高,计算量较大;智能计算法,不依赖于电池数学模型,能够精准地表征电池内部的复杂变化,但是需要大量的数据来训练。
在SOC估计中各类研究模型与研究方法中,目前的研究很少考虑电池在充放电过程中的温度变化所造成的动力电池的状态参数的改变,以及由此所造成的SOC估计误差。因此,需要一种针对不同工作温度条件下的电池SOC精准估计来解决上述问题。
发明内容
本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷,提供一种基于温度修正的复合等效电路模型及SOC估计方法。
本发明为解决上述技术问题采用以下技术方案:
基于温度修正的复合等效电路模型对荷电状态估计的方法,包括以下步骤:
步骤S1),选定待测动力电池,基于复合等效电路模型建立状态方程,确定其在线辨识的系统状态和模型参数;
步骤S2),在不同温度下对该动力电池进行恒流脉冲充放电实验和混合脉冲功率特性实验,记录不同温度下的实验结果数据;
步骤S3),基于记录的实验数据,建立考虑温度修正的开路电压与荷电状态关系模型;
步骤S4),基于建立的温度修正的开路电压-荷电状态模型,利用遗忘因子的最小二乘估计和自适应扩展卡尔曼滤波算法在宽温范围内对动力电池进行荷电状态估计。
作为本发明基于温度修正的复合等效电路模型对荷电状态估计的方法进一步的优化方案,所述步骤S1中的复合等效电路模型包含传统电化学模型和等效电路模型;
所述等效电路模型为二阶RC等效电路模型,包含电压源UOC、电池欧姆电阻R0、电池电化学极化电阻R1、电池浓差极化电阻R2、电化学极化电容C1和电池浓差极化电容C2,其中,UOC的正极分别和R1的一端、C1的一端相连;R2的一端分别和C2的一端、R1的另一端、C1的另一端相连;R0的另一端分别和R2的另一端、C2的另一端相连;
所述等效电路模型的其状态模型描述为:
U=UOC-IR0-U1-U2
式中,I为电路干路电流,U1为C1与R1并联的端电压,U2为C2与R2并联的端电压,为U1对时间的微分,为U2对时间的微分,U为动力电池工作的端电压;
离散后动力电池的状态空间为:
其中k表示第k次采样时刻,Δt表示采样的时间间隔;
所需在线辨识的系统状态为UOC、U、I,模型参数为R0、R1、R2、C1、C2;
所述传统电化学模型描述为:
UOC=k0+k1/SOC+k2SOC+k3lnSOC+k4ln(1-SOC)
其中UOC为该动力电池开路电压,k0、k1、k2、k3、k4为UOC与荷电状态拟合关系的且与动力电池工作环境温度T相关的系数。
作为本发明基于温度修正的复合等效电路模型对荷电状态估计的方法进一步的优化方案,所述步骤S2)包含以下具体步骤:
步骤S2.1),对于动力电池工作范围温度,以其工作范围温度的最小值为实验温度的初始值,按照预设的温度步长阈值逐次增大实验温度,直至实验温度大于动力电池工作范围的最大值;对于每一个实验温度:
步骤S2.1.1),静置动力电池一段时间,采用恒流充电的方式充满动力电池的电量、使得动力电池的电压达到其上限截止电压,静置一个小时;
步骤S2.1.2),采用恒流放电的方式,将动力电池放电、并在放电量达到预设的容量阈值后停止,静置一小时后测量并记录该实验温度下动力电池的放电电流与电压数据;
步骤S2.1.3),重复步骤S2.1.2),直到动力电池完全放电、即电力电池的电压达到其下限截止电压;
步骤S2.1.4),将已完全放电的动力电池静置一个小时,采用恒流充电的方式对动力电池进行充电、充电量为预设的容量阈值,静置一小时后测量该实验温度下动力电池的充电电流与电压数据;
步骤S2.1.5),重复步骤S2.1.4),直到动力电池完全充电、即电力电池的电压达到其上限截止电压。
作为本发明基于温度修正的复合等效电路模型对荷电状态估计的方法进一步的优化方案,在步骤S3)中,对于放电模式下,实验温度T0条件下的开路电压与荷电状态关系表示为:
对于实验温度Tn有ki(T0),ki(T1)……ki(Tn),i=0,1,2,3,4;n=1,2,3……,N,N为实验温度的个数;
将ki拟合为与电池工作环境温度T相关的多项式:ki=a0i+a1iT+a2iT2+a3iT3+a4iT4,建立基于温度修正的开路电压-荷电状态关系模型:
对于充电模式下,实验温度T0条件下的开路电压与荷电状态关系表示为:
对于实验温度Tn有pi(T0),pi(T1)……pi(Tn);
将pi拟合为与电池工作环境温度T相关的多项式:pi=b0i+b1iT+b2iT2+b3iT3+b4iT4,建立基于温度修正的开路电压-荷电状态关系模型:
作为本发明基于温度修正的复合等效电路模型对荷电状态估计的方法进一步的优化方案,步骤S4)中,复合等效电路模型电路方程为:
进行离散化处理后得到方程:
其中,Δt为采样时间,
ak=τ1,kτ2,k,bk=τ1,k+τ2,k,ck=R1,k+R2,k+R0,k,dk=R1,kτ2,k+R2,kτ1,k+(τ1,k+τ2,k)R0,k,
τ1,k=R1,kC1,k,τ2,k=R2,kC2,k;
令UOC,k-Uk=Ek,则最小二乘法辨识过程描述为:
其中,hk=(Ek-1,Ek-2,Ik,Ik-1,Ik-2),yk=hkθk,
作为本发明基于温度修正的复合等效电路模型对荷电状态估计的方法进一步的优化方案,步骤S2.1)中所述的预设的温度步长阈值为10℃。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1)基于建立的开路电压-荷电状态模型,根据不同工作温度修正估计过程,能够实现SOC 精准在线估计;
2)算法采用噪声信息协方差匹配,减小系统数据测量和模型参数动态估计过程中的噪声;
3)系统在线辨识与自适应扩展卡尔曼滤波算法联合估计,互相更新和矫正,避免误差累积;
4)模型简单,算法复杂度不高,可用于实车BMS。
附图说明
图1是本发明整体方法流程图;
图2是本发明动力电池的复合等效电路模型。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明可以以许多不同的形式实现,而不应当认为限于这里所述的实施例。相反,提供这些实施例以便使本公开透彻且完整,并且将向本领域技术人员充分表达本发明的范围。在附图中,为了清楚起见放大了组件。
如图1所示,本发明公开了一种基于温度修正的复合等效电路模型对荷电状态估计的方法,包括以下步骤:
步骤S1),选定待测动力电池,基于复合等效电路模型建立状态方程,确定其在线辨识的系统状态和模型参数;
步骤S2),在不同温度下对该动力电池进行恒流脉冲充放电实验和混合脉冲功率特性实验,记录不同温度下的实验结果数据;
步骤S3),基于记录的实验数据,建立考虑温度修正的开路电压与荷电状态关系模型;
步骤S4),基于建立的温度修正的开路电压-荷电状态模型,利用遗忘因子的最小二乘估计和自适应扩展卡尔曼滤波算法在宽温范围内对动力电池进行荷电状态估计。
在步骤S1)中,所述基于温度修正的复合等效电路模型为传统电化学模型与等效电路模型结合的模型。其中等效电路模型为二阶RC等效电路模型,包含电压源UOC、电池欧姆电阻 R0、电池电化学极化电阻R1、电池浓差极化电阻R2、电化学极化电容C1和电池浓差极化电容C2,其中,UOC的正极分别和R1的一端、C1的一端相连;R2的一端分别和C2的一端、R1的另一端、C1的另一端相连;R0的另一端分别和R2的另一端、C2的另一端相连;如图2所示;
该等效电路模型的状态模型描述为:
U=UOC-IR0-U1-U2
其中,I为电路干路电流,U1为电化学极化电容C1与电化学极化电阻R1并联的端电压, U2为浓差极化电容C2与浓差极化电阻R2并联的端电压,为U1对时间的微分,为U2对时间的微分,U为动力电池工作的端电压。
离散后电池的状态空间为:
其中k表示第k次采样时刻,Δt表示采样的时间间隔。
所需在线辨识的系统状态为UOC、U、I,模型参数为R0、R1、R2、C1、C2。
其中传统电化学模型描述为:
UOC=k0+k1/SOC+k2SOC+k3lnSOC+k4ln(1-SOC)
其中UOC为该动力电池开路电压,k0、k1、k2、k3、k4为UOC与SOC拟合关系的且与动力电池工作环境温度T相关的各项系数。
所述步骤S2)包含以下具体步骤:
步骤S2.1),对于动力电池工作范围温度,以其工作范围温度的最小值为实验温度的初始值,按照预设的温度步长阈值逐次增大实验温度,直至实验温度大于动力电池工作范围的最大值;对于每一个实验温度:
步骤S2.1.1),静置动力电池一段时间,采用恒流充电的方式充满动力电池的电量、使得动力电池的电压达到其上限截止电压,静置一个小时;
步骤S2.1.2),采用恒流放电的方式,将动力电池放电、并在放电量达到预设的容量阈值后停止,静置一小时后测量并记录该实验温度下动力电池的放电电流与电压数据;
步骤S2.1.3),重复步骤S2.1.2),直到动力电池完全放电、即动力电池的电压达到其下限截止电压;
步骤S2.1.4),将已完全放电的动力电池静置一个小时,采用恒流充电的方式对动力电池进行充电、充电量为预设的容量阈值,静置一小时后测量该实验温度下动力电池的充电电流与电压数据;
步骤S2.1.5),重复步骤S2.1.4),直到动力电池完全充电、即电力电池的电压达到其上限截止电压。
在步骤S3)中,基于记录的实验数据,建立考虑温度修正的开路电压OCV (OpenCircuit Voltage,OCV)与荷电状态SOC关系模型。对于放电模式下,某温度T0条件下的开路电压与SOC关系可表示为:
对于实验条件温度Tn(n=1,2,3……)有ki(T0),ki(T1)……ki(Tn)(i=0,1,2,3,4),可将ki拟合为与电池工作环境温度T相关的多项式:ki=a0i+a1iT+a2iT2+a3iT3+a4iT4
通过上述关系可以建立基于温度修正的OCV-SOC关系模型:
其中T为动力电池工作的环境温度。
对于充电模式下,实验温度T0条件下的开路电压与荷电状态关系表示为:
对于实验温度Tn有pi(T0),pi(T1)……pi(Tn),i=0,1,2,3,4;n=1,2,3……,n,
n为实验温度的个数;
将pi拟合为与电池工作环境温度T相关的多项式:pi=b0i+b1iT+b2iT2+b3iT3+b4iT4,建立基于温度修正的开路电压-荷电状态关系模型:
式中,T为动力电池工作的环境温度。
在步骤S4中,所述基于遗忘因子的最小二乘估计过程描述如下:
复合等效电路模型电路方程为:
令τ1=R1C1,τ2=R2C2
(τ1τ2s2+(τ1+τ2)s+1)UOC=τ1τ2s2R0I+(R1τ2+R2τ1+(τ1+τ2)R0)sI+(R1+R2+R0)I+(τ1τ2s2+(τ1+τ2)s+1)U 进行离散化处理,s=(xk-xk-1)/Δt s2=(xk-2xk-1+xk-2)/Δt2,
其中Δt为采样时间,处理后可得:
其中ak=τ1,kτ2,k,bk=τ1,k+τ2,k,ck=R1,k+R2,k+R0,k,dk=R1,kτ2,k+R2,kτ1,k+(τ1,k+τ2,k)R0,k
令UOC,k-Uk=Ek
即Ek=m1,kEk-1+m2,kEk-2+m3,kIk+m4,kIk-1+m5,kIk-2
运用基于遗忘因子的最小二乘估计方法:
其中:
hk=(Ek-1,Ek-2,Ik,Ik-1,Ik-2)
yk=hkθk
辨识结果
令m0,k=Δt2+bkΔt+ak,根据上述关系可得:
由此可得复合等效电路模型参数:
在步骤S4中,所述自适应扩展卡尔曼滤波算法实现如下:
S4.1),初始化状态协方差矩阵系统噪声观测噪声
S4.2),估计状态先验估计:
其中:
S4.3),误差协方差矩阵先验估计:
卡尔曼滤波增益更新:
S4.4),输出电压估计
输出电压与估计电压残差计算:
S4.5),估计状态后验估计:
误差协方差矩阵更新:
S4.6),噪声信息自适应匹配:
其中,M为滑动窗口的长度。
S4.7),重复步骤S4.2)-S4.6)。
在基于遗忘因子的最小二乘算法与自适应扩展卡尔曼滤波算法联合估计,通过BMS采集动力电池工作的输出电流I,工作电压U进行参数在线辨识,采集工作温度T用于修正估计过程参数,将在线估计的参数实时运用于状态方程进行估计,由估计值与实际值的误差矫正反馈到测量参数集合,可以实现辨识结果与估计结果的互相更新与矫正,避免了误差的累积。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于温度修正的复合等效电路模型对荷电状态估计的方法,其特征在于,包括以下步骤:
步骤S1),选定待测动力电池,基于复合等效电路模型建立状态方程,确定其在线辨识的系统状态和模型参数;
步骤S2),在不同温度下对该动力电池进行恒流脉冲充放电实验和混合脉冲功率特性实验,记录不同温度下的实验结果数据;
步骤S3),基于记录的实验数据,建立考虑温度修正的开路电压与荷电状态关系模型;
步骤S4),基于建立的温度修正的开路电压-荷电状态模型,利用遗忘因子的最小二乘估计和自适应扩展卡尔曼滤波算法在宽温范围内对动力电池进行荷电状态估计。
2.根据权利要求1所述基于温度修正的复合等效电路模型对荷电状态估计的方法,其特征在于,所述步骤S1中的复合等效电路模型包含传统电化学模型和等效电路模型;
所述等效电路模型为二阶RC等效电路模型,包含电压源UOC、电池欧姆电阻R0、电池电化学极化电阻R1、电池浓差极化电阻R2、电化学极化电容C1和电池浓差极化电容C2,其中,UOC的正极分别和R1的一端、C1的一端相连;R2的一端分别和C2的一端、R1的另一端、C1的另一端相连;R0的另一端分别和R2的另一端、C2的另一端相连;
所述等效电路模型的其状态模型描述为:
U=UOC-IR0-U1-U2
式中,I为电路干路电流,U1为C1与R1并联的端电压,U2为C2与R2并联的端电压,为U1对时间的微分,为U2对时间的微分,U为动力电池工作的端电压;
离散后动力电池的状态空间为:
其中k表示第k次采样时刻,Δt表示采样的时间间隔;
所需在线辨识的系统状态为UOC、U、I,模型参数为R0、R1、R2、C1、C2;
所述传统电化学模型描述为:
UOC=k0+k1/SOC+k2SOC+k3lnSOC+k4ln(1-SOC)
其中UOC为该动力电池开路电压,k0、k1、k2、k3、k4为UOC与荷电状态拟合关系的且与动力电池工作环境温度T相关的系数。
3.根据权利要求2所述的基于温度修正的复合等效电路模型对荷电状态估计的方法,其特征在于,所述步骤S2)包含以下具体步骤:
步骤S2.1),对于动力电池工作范围温度,以其工作范围温度的最小值为实验温度的初始值,按照预设的温度步长阈值逐次增大实验温度,直至实验温度大于动力电池工作范围的最大值;对于每一个实验温度:
步骤S2.1.1),静置动力电池一段时间,采用恒流充电的方式充满动力电池的电量、使得动力电池的电压达到其上限截止电压,静置一个小时;
步骤S2.1.2),采用恒流放电的方式,将动力电池放电、并在放电量达到预设的容量阈值后停止,静置一小时后测量并记录该实验温度下动力电池的放电电流与电压数据;
步骤S2.1.3),重复步骤S2.1.2),直到动力电池完全放电、即电力电池的电压达到其下限截止电压;
步骤S2.1.4),将已完全放电的动力电池静置一个小时,采用恒流充电的方式对动力电池进行充电、充电量为预设的容量阈值,静置一小时后测量该实验温度下动力电池的充电电流与电压数据;
步骤S2.1.5),重复步骤S2.1.4),直到动力电池完全充电、即电力电池的电压达到其上限截止电压。
4.根据权利要求3所述的基于温度修正的复合等效电路模型对荷电状态估计的方法,其特征在于,在步骤S3)中,对于放电模式下,实验温度T0条件下的开路电压与荷电状态关系表示为:
对于实验温度Tn有ki(T0),ki(T1)……ki(Tn),i=0,1,2,3,4;n=1,2,3……,N,N为实验温度的个数;
将ki拟合为与电池工作环境温度T相关的多项式:ki=a0i+a1iT+a2iT2+a3iT3+a4iT4,建立基于温度修正的开路电压-荷电状态关系模型:
对于充电模式下,实验温度T0条件下的开路电压与荷电状态关系表示为:
对于实验温度Tn有pi(T0),pi(T1)……pi(Tn);
将pi拟合为与电池工作环境温度T相关的多项式:pi=b0i+b1iT+b2iT2+b3iT3+b4iT4,建立基于温度修正的开路电压-荷电状态关系模型:
5.根据权利要求4所述基于温度修正的复合等效电路模型对荷电状态估计的方法,其特征在于,步骤S4)中,复合等效电路模型电路方程为:
进行离散化处理后得到方程:
其中,Δt为采样时间,
ak=τ1,kτ2,k,bk=τ1,k+τ2,k,ck=R1,k+R2,k+R0,k,dk=R1,kτ2,k+R2,kτ1,k+(τ1,k+τ2,k)R0,k,
τ1,k=R1,kC1,k,τ2,k=R2,kC2,k;
令UOC,k-Uk=Ek,则最小二乘法辨识过程描述为:
其中,hk=(Ek-1,Ek-2,Ik,Ik-1,Ik-2),yk=hkθk,
6.根据权利要求5所述的基于温度修正的复合等效电路模型对荷电状态估计的方法,其特征在于,步骤S2.1)中所述的预设的温度步长阈值为10℃。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910333122.5A CN110208703A (zh) | 2019-04-24 | 2019-04-24 | 基于温度修正的复合等效电路模型对荷电状态估计的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910333122.5A CN110208703A (zh) | 2019-04-24 | 2019-04-24 | 基于温度修正的复合等效电路模型对荷电状态估计的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110208703A true CN110208703A (zh) | 2019-09-06 |
Family
ID=67786227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910333122.5A Pending CN110208703A (zh) | 2019-04-24 | 2019-04-24 | 基于温度修正的复合等效电路模型对荷电状态估计的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110208703A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060822A (zh) * | 2019-12-24 | 2020-04-24 | 南京航空航天大学 | 一种基于模型切换及融合的荷电状态估计方法 |
CN111060824A (zh) * | 2020-01-19 | 2020-04-24 | 南京航空航天大学 | 一种基于模型与算法分步融合的荷电状态估计方法 |
CN111239608A (zh) * | 2019-11-21 | 2020-06-05 | 国联汽车动力电池研究院有限责任公司 | 基于扩展卡尔曼滤波的电池soc估算方法及装置 |
CN111308351A (zh) * | 2019-10-18 | 2020-06-19 | 南京航空航天大学 | 低温环境动力电池soc估计方法、存储介质和设备 |
CN111413618A (zh) * | 2020-03-27 | 2020-07-14 | 国联汽车动力电池研究院有限责任公司 | 一种锂离子电池的等效电路模型参数关系计算方法及系统 |
CN112130077A (zh) * | 2020-09-30 | 2020-12-25 | 东风汽车集团有限公司 | 一种不同工况下动力电池组的soc估算方法 |
CN112444749A (zh) * | 2020-11-06 | 2021-03-05 | 南京航空航天大学 | 一种基于温度修正模型的锂电池荷电状态联合估计方法 |
CN112989690A (zh) * | 2021-02-07 | 2021-06-18 | 南京航空航天大学 | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 |
CN112986848A (zh) * | 2021-01-27 | 2021-06-18 | 力高(山东)新能源技术有限公司 | 一种估算动力电池soh的方法 |
CN113419123A (zh) * | 2021-05-25 | 2021-09-21 | 四川轻化工大学 | 一种用于变温度环境的串联超级电容组荷电状态估计方法 |
CN113466728A (zh) * | 2021-07-13 | 2021-10-01 | 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 |
WO2021197038A1 (zh) * | 2020-03-31 | 2021-10-07 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置,电池管理系统 |
CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 上海正泰电源系统有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
CN115092012A (zh) * | 2022-07-20 | 2022-09-23 | 四川轻化工大学 | 考虑复合电源系统多工作模式的等效荷电状态估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
JP2016024149A (ja) * | 2014-07-24 | 2016-02-08 | トヨタ自動車株式会社 | 二次電池の状態推定方法 |
CN105548896A (zh) * | 2015-12-25 | 2016-05-04 | 南京航空航天大学 | 基于n-2rc模型的动力电池soc在线闭环估计方法 |
CN108008317A (zh) * | 2017-12-01 | 2018-05-08 | 重庆大学 | 一种基于电池开路电压曲线特性的荷电状态估计方法 |
CN108333528A (zh) * | 2018-02-07 | 2018-07-27 | 重庆大学 | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 |
CN108445408A (zh) * | 2018-03-20 | 2018-08-24 | 重庆大学 | 一种基于参数估计ocv的全温度soc估计方法 |
-
2019
- 2019-04-24 CN CN201910333122.5A patent/CN110208703A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016024149A (ja) * | 2014-07-24 | 2016-02-08 | トヨタ自動車株式会社 | 二次電池の状態推定方法 |
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
CN105548896A (zh) * | 2015-12-25 | 2016-05-04 | 南京航空航天大学 | 基于n-2rc模型的动力电池soc在线闭环估计方法 |
CN108008317A (zh) * | 2017-12-01 | 2018-05-08 | 重庆大学 | 一种基于电池开路电压曲线特性的荷电状态估计方法 |
CN108333528A (zh) * | 2018-02-07 | 2018-07-27 | 重庆大学 | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 |
CN108445408A (zh) * | 2018-03-20 | 2018-08-24 | 重庆大学 | 一种基于参数估计ocv的全温度soc估计方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111308351B (zh) * | 2019-10-18 | 2021-07-23 | 南京航空航天大学 | 低温环境动力电池soc估计方法、存储介质和设备 |
CN111308351A (zh) * | 2019-10-18 | 2020-06-19 | 南京航空航天大学 | 低温环境动力电池soc估计方法、存储介质和设备 |
CN111239608A (zh) * | 2019-11-21 | 2020-06-05 | 国联汽车动力电池研究院有限责任公司 | 基于扩展卡尔曼滤波的电池soc估算方法及装置 |
CN111060822A (zh) * | 2019-12-24 | 2020-04-24 | 南京航空航天大学 | 一种基于模型切换及融合的荷电状态估计方法 |
CN111060822B (zh) * | 2019-12-24 | 2021-08-06 | 南京航空航天大学 | 一种基于模型切换及融合的荷电状态估计方法 |
CN111060824A (zh) * | 2020-01-19 | 2020-04-24 | 南京航空航天大学 | 一种基于模型与算法分步融合的荷电状态估计方法 |
CN111060824B (zh) * | 2020-01-19 | 2021-08-06 | 南京航空航天大学 | 一种基于模型与算法分步融合的荷电状态估计方法 |
CN111413618A (zh) * | 2020-03-27 | 2020-07-14 | 国联汽车动力电池研究院有限责任公司 | 一种锂离子电池的等效电路模型参数关系计算方法及系统 |
WO2021197038A1 (zh) * | 2020-03-31 | 2021-10-07 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置,电池管理系统 |
CN112130077A (zh) * | 2020-09-30 | 2020-12-25 | 东风汽车集团有限公司 | 一种不同工况下动力电池组的soc估算方法 |
CN112444749A (zh) * | 2020-11-06 | 2021-03-05 | 南京航空航天大学 | 一种基于温度修正模型的锂电池荷电状态联合估计方法 |
CN112986848A (zh) * | 2021-01-27 | 2021-06-18 | 力高(山东)新能源技术有限公司 | 一种估算动力电池soh的方法 |
CN112989690A (zh) * | 2021-02-07 | 2021-06-18 | 南京航空航天大学 | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 |
CN112989690B (zh) * | 2021-02-07 | 2024-05-24 | 南京航空航天大学 | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 |
CN113419123A (zh) * | 2021-05-25 | 2021-09-21 | 四川轻化工大学 | 一种用于变温度环境的串联超级电容组荷电状态估计方法 |
CN113466728A (zh) * | 2021-07-13 | 2021-10-01 | 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 |
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 |
CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 上海正泰电源系统有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
CN114236401B (zh) * | 2021-12-20 | 2023-11-28 | 上海正泰电源系统有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
CN115092012A (zh) * | 2022-07-20 | 2022-09-23 | 四川轻化工大学 | 考虑复合电源系统多工作模式的等效荷电状态估计方法 |
CN115092012B (zh) * | 2022-07-20 | 2024-04-12 | 四川轻化工大学 | 考虑复合电源系统多工作模式的等效荷电状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110208703A (zh) | 基于温度修正的复合等效电路模型对荷电状态估计的方法 | |
CN108508371B (zh) | 一种基于等效电路模型的动力电池soc/soh/sop联合估计方法 | |
CN108445406B (zh) | 一种动力电池健康状态估计方法 | |
Tian et al. | Online simultaneous identification of parameters and order of a fractional order battery model | |
CN112444749B (zh) | 一种基于温度修正模型的锂电池荷电状态联合估计方法 | |
CN106716158B (zh) | 电池荷电状态估算方法和装置 | |
CN103020445B (zh) | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 | |
CN110196393B (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 | |
CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
CN111060824B (zh) | 一种基于模型与算法分步融合的荷电状态估计方法 | |
CN104569835A (zh) | 一种估计电动汽车的动力电池的荷电状态的方法 | |
CN107533105A (zh) | 锂离子电池荷电状态估算方法和装置 | |
CN107783057B (zh) | 一种动力电池soc估算方法及估算系统 | |
CN113625174B (zh) | 一种锂离子电池soc与容量联合估计方法 | |
CN110221221A (zh) | 锂离子电池荷电状态和健康状态联合估计方法 | |
CN111856282B (zh) | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 | |
Li et al. | A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles | |
CN110703114A (zh) | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
CN112858916A (zh) | 一种基于模型与数据驱动融合的电池包荷电状态估计方法 | |
CN112989690A (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
CN111060822B (zh) | 一种基于模型切换及融合的荷电状态估计方法 | |
CN115219918A (zh) | 一种基于容量衰退组合模型的锂离子电池寿命预测方法 | |
CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 | |
CN109298340B (zh) | 一种基于可变时间尺度的电池容量在线估计方法 |
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: 20190906 |