CN110320473B - 一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法 - Google Patents
一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法 Download PDFInfo
- Publication number
- CN110320473B CN110320473B CN201910680281.2A CN201910680281A CN110320473B CN 110320473 B CN110320473 B CN 110320473B CN 201910680281 A CN201910680281 A CN 201910680281A CN 110320473 B CN110320473 B CN 110320473B
- Authority
- CN
- China
- Prior art keywords
- battery capacity
- value
- lithium battery
- state
- charging data
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,用于提高汽车锂电池的实际电池容量值的估计精度,包括如下步骤:通过电池管理系统采集汽车锂电池在多次充电过程中的充电数据;剔除因汽车自身电能回收而造成锂电池充电的充电数据段,获取有效充电数据段;通过安时积分计算获取每个有效充电数据段对应的当前段计算电池容量值以及下一段计算电池容量值;通过预设权重获取卡尔曼滤波的输入噪声和输出噪声,并获取每个有效充电数据段对应的的下一段预估电池容量值;通过迭代计算,获得与每个有效充电数据段对应的最优容量估计值,本发明能够通过调整权重系数,控制卡尔曼滤波的输出噪声,进而提高电池容量估计精度。
Description
技术领域
本发明属于电池技术领域,涉及一种汽车锂电池容量估计方法,具体涉及一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法。
背景技术
电动汽车是进入21世纪以来诞生的新产物,在当今时代的大背景下,符合当今社会对于节能环保方面的需求,因此具有广阔的发展前景。对于电动汽车而言,其电池的容量是衡量一辆汽车电池性能的重要指标。SOC,全称是State of Charge,电池荷电状态,也叫剩余电量,代表的是电池使用一段时间或长期搁置不用后的剩余可放电电量与其完全充电状态的电量的比值,常用百分数表示。电池的容量衰减程度表征了电池寿命的长短,因此,需要对电池的容量进行估计。
目前在汽车锂电池容量估计过程中使用的滤波法一般是按照固定权重系数,此类算法计算方式简单,便于实施,然而其估计结果精度很低,容易出现偏差,不符合车辆锂电池真实容量情况。
发明内容
为解决上述问题,提供一种能够通过调整权重系数,控制卡尔曼滤波的输出噪声,进而提高电池容量估计精度的估计方法,本发明采用了如下技术方案:
本发明提供了一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,用于提高汽车锂电池的实际电池容量值的估计精度,其特征在于,包括如下步骤:
S1,通过电池管理系统采集汽车锂电池在多次充电过程中的充电数据,获取若干个充电数据段;
S2,剔除因汽车自身电能回收而造成汽车锂电池充电的充电数据段,获取若干个有效充电数据段;
S3,通过安时积分分别计算获取每个有效充电数据段对应的汽车锂电池的当前段计算电池容量值以及下一段计算电池容量值;
S4,通过卡尔曼滤波对实际电池容量值进行预估,并通过预设权重获取卡尔曼滤波的输入噪声和输出噪声;
S5,根据输入噪声、输出噪声以及每个有效充电数据段对应的当前段计算电池容量值,获取每个有效充电数据段对应的的下一段预估电池容量值;
S6,对每个有效充电数据段对应的当前段计算电池容量值、下一段预估电池容量值和下一段计算电池容量值进行迭代计算,获得与每个有效充电数据段对应的预估电池容量值的最优容量估计值。
本发明提供的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,还可以具有这样的技术特征,其中,在步骤S3中,安时积分的具体公式如下:
其中:t1表示各有效充电数据段的充电起始时间,
t2表示各有效充电数据段的充电结束时间,
I(t)表示各有效充电数据段中t时刻的电流数据,
AHsum表示各有效充电数据段对应的汽车锂电池的计算电池容量值。
本发明提供的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,还可以具有这样的技术特征,其中,充电数据包括起始荷电状态和终止荷电状态,在步骤S4中,获取预设权重的步骤为:通过模糊化处理分别获得起始荷电状态对实际电池容量值的第一影响权重ω、终止荷电状态对实际电池容量值的第二影响权重γ、计算电池容量值对实际电池容量值的第三影响权重通过第一影响权重ω、第二影响权重γ和第三影响权重获得预设权重α,计算公式为:
本发明提供的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,还可以具有这样的技术特征,其中,在步骤S4中,还包括对于选取的有效充电数据段的起始荷电状态,设置辅助参考值n1,取n1=50%,当起始荷电状态的值大于n1时,第一影响权重ω的值取1;当起始荷电状态的值小于n1时,将汽车锂电池的电量在0%~n1内划分成若干个等间距的区间,在不同的区间内设置独立的第一影响权重隶属函数,使得该起始荷电状态在不同的所属区间内分配不同程度的权重,第一影响权重隶属函数为凸函数,并且第一影响权重隶属函数中的第一影响权重ω值随有效充电数据段的起始荷电状态值的增大而增大。
本发明提供的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,还可以具有这样的技术特征,其中,在步骤S4中,还包括将汽车锂电池的电量在0%~100%划分成两个区间,对于选取的有效充电数据段的终止荷电状态,该终止荷电状态在不同的所属区间分配不同程度的权重,设置辅助参考值n2,取n2=98%,当终止荷电状态的值大于辅助参考值n2时,第二影响权重γ的值为q1,取q1=1;当终止荷电状态的值小于辅助参考值n2时,第二影响权重γ的值为q2,取q2=0.01。
本发明提供的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,还可以具有这样的技术特征,其中,在步骤S4中,还包括通过计算获得每个有效充电数据段对应的当前段计算电池容量值与上一段最优容量估计值的误差e,设置辅助参考值n3,且e≤n3,取n3=15%,将0%~n3的范围内划分成若干个等间距的区间,对于误差e,该误差e在不同的所属区间分配不同的权重,并在不同的区间内设置独立的第三影响权重隶属函数,第三影响权重隶属函数为凸函数,并且第三影响权重的值随误差e的增大而增大。
本发明提供的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,还可以具有这样的技术特征,其中,在步骤S4中,还需根据汽车锂电池的额定容量设置一个筛选阈值,该筛选阈值用于筛选计算电池容量值,在计算每个有效充电数据段对应的当前段计算电池容量值与上一段最优容量估计值的误差e时,将不处于筛选阈值范围内的计算电池容量值全部剔除,将处于筛选阈值范围内的计算电池容量值作为有效计算值,再将有效计算值的平均值作为起始段有效充电数据段的最优容量估计值。
本发明提供的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,还可以具有这样的技术特征,其中,在步骤S4中,确定卡尔曼滤波的输入噪声ωi和输出噪声vi时,计算ωi、vi的过程分别如式(1)、式(2)所示:
ωi=a (1)
vi=αb (2)
其中,a为预测容量的不确定度,取a=0.05,
b为固定值,取b=1.5,
α为预设权重。
本发明提供的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,还可以具有这样的技术特征,其中,在步骤S5中,获取每个有效充电数据段的下一段预估电池容量值的公式,分别如式(3)和式(4)所示,
xi+1=xi+ωi (3)
yi=xi+vi (4)
式中,xi为当前段汽车锂电池的预估电池容量值,作为系统状态向量;xi+1为下一段汽车锂电池的预估电池容量值;yi为当前段汽车锂电池的计算电池容量值;ωi、vi分别为卡尔曼滤波的输入噪声和输出噪声。
本发明提供的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,还可以具有这样的技术特征,其中,在步骤S6中,在对当前段计算电池容量值、下一段预估电池容量值和下一段计算电池容量值进行迭代计算时,迭代公式分别如式(5)~式(9)所示,
状态估计时间更新:
误差协方差时间更新:
卡尔曼增益更新:
状态估计测量更新:
误差协方差测量更新:
式(5)~式(9)中,i≥2,是上一状态修正后的所述最优容量估计值,是利用上一状态预测的现状态的所述预估电池容量值,是现状态修正后的所述最优容量估计值,是对应的协方差,是当前状态更新后的协方差,Li是当前状态的卡尔曼增益,Q是输入噪声ωi的协方差,R是输出噪声vi的协方差,式(5)和式(6)是对系统的预测,式(7)和式(8)是结合所述预估电池容量值和所述计算电池容量值后得到现在状态的所述最优容量估计值,每进行一次迭代,卡尔曼滤波对状态向量和误差协方差分别进行两次估计, 是基于上一状态的计算得到的,则基于当前状态测量系统的输出yi、预估得到的。
发明作用与效果
根据本发明提供的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,通过将汽车锂电池的充电数据分成多个数据段,并且剔除因汽车自身电能回收而造成汽车锂电池充电的充电数据段,获取若干个有效充电数据段,再通过安时积分分别计算获取每个有效充电数据段对应的当前段计算电池容量值以及下一段计算电池容量值,再通过调整预设权重,控制卡尔曼滤波的输出噪声,获取有效充电数据段对应的的下一段预估电池容量值,并将当前段计算电池容量值、下一段预估电池容量值和下一段计算电池容量值进行迭代计算,从而获取预估电池容量值的最优容量估计值,因此,相比采用固定权重的滤波方法测得的电池容量估计值,本发明通过调整预设权重,控制卡尔曼滤波的输出噪声,能够减小汽车锂电池容量估计的误差,提高电池容量估计精度。
附图说明
图1是本发明实施例的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法的工作流程图;
图2是本发明实施例的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法中的第一影响权重隶属函数图;
图3是本发明实施例的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法中的第三影响权重隶属函数图;
图4是本发明实施例的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法中的模糊控制规则图;
图5是本发明实施例的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法中的卡尔曼滤波结果及模糊卡尔曼滤波结果图。
具体实施方式
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
图1是本发明实施例的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法的工作流程图。
如图1所示,本实施例的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,包括如下步骤:
步骤S1,通过电池管理系统采集汽车锂电池在多次充电过程中的充电数据,获取若干个充电数据段,每一个充电数据段对应一个汽车锂电池的充电过程。
步骤S2,剔除因汽车自身电能回收而造成汽车锂电池充电的充电数据段,获取若干个有效充电数据段。现有的汽车通常都配备有电能回收系统,但通过电能回收使汽车锂电池充电的过程与实际充电过程差别较大,因此在收集充电数据时,为了保证估计结果的精准性,需要将因电能回收而产生的充电数据段剔除。
步骤S3,通过安时积分分别计算获取每个有效充电数据段对应的汽车锂电池的当前段计算电池容量值以及下一段计算电池容量值。
在步骤S3中,安时积分的具体公式如下:
其中:t1表示各有效充电数据段的充电起始时间,t2表示各有效充电数据段的充电结束时间,I(t)表示各有效充电数据段中t时刻的电流数据,AHsum表示各有效充电数据段对应的汽车锂电池的计算电池容量值。通过采集的各个充电数据段的充电数据,能够通过安时积分计算出电池容量值,然而计算的结果存在偏差,需要进行进一步修正。
步骤S4,通过卡尔曼滤波对实际电池容量值进行预估,并通过预设权重获取卡尔曼滤波的输入噪声和输出噪声。卡尔曼滤波输出噪声的大小影响汽车锂电池容量估计的精度,输出噪声越小,汽车锂电池容量估计的精度越高,通过预设权重能够对卡尔曼滤波的输出噪声进行控制,从而实现对汽车锂电池容量估计精度的控制。
在步骤S4中,确定卡尔曼滤波的输入噪声ωi和输出噪声vi时,计算ωi、vi的过程分别如式(1)、式(2)所示:
ωi=a (1)
vi=αb (2)
其中,a为预测容量的不确定度,在实施例中a=0.05,b为固定值,b=1.5,α为预设权重。
步骤S5,根据输入噪声、输出噪声以及每个有效充电数据段对应的当前段计算电池容量值,获取每个有效充电数据段对应的的下一段预估电池容量值。
在步骤S5中,获取每个有效充电数据段的下一段预估电池容量值的公式,分别如式(3)和式(4)所示,
xi+1=xi+ωi (3)
yi=xi+vi (4)
式中,xi为当前段汽车锂电池的预估电池容量值,作为系统状态向量,xi+1为下一段汽车锂电池的预估电池容量值,yi为当前段汽车锂电池的计算电池容量值,ωi、vi分别为卡尔曼滤波的输入噪声和输出噪声。
步骤S6,对每个有效充电数据段对应的当前段计算电池容量值、下一段预估电池容量值和下一段计算电池容量值进行迭代计算,获得与每个有效充电数据段对应的预估电池容量值的最优容量估计值。
在步骤S6中,在对当前段计算电池容量值、下一段预估电池容量值和下一段计算电池容量值进行迭代计算时,迭代公式分别如式(5)~式(9)所示,
状态估计时间更新:
误差协方差时间更新:
卡尔曼增益更新:
状态估计测量更新:
误差协方差测量更新:
式(5)和式(6)是对系统的预测,式(7)和式(8)是结合所述预估电池容量值和所述计算电池容量值后得到现在状态的所述最优容量估计值。
充电数据包括起始荷电状态和终止荷电状态,在步骤S4中,获取预设权重的步骤为:
图2是本发明实施例的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法中的第一影响权重隶属函数图。
如图2所示,在步骤S4中,还包括对于选取的有效充电数据段的起始荷电状态,设置辅助参考值n1,取n1=50%,当起始荷电状态的值大于n1时,第一影响权重ω的值取1;
当起始荷电状态的值小于n1时,将汽车锂电池的电量在0%~n1内划分成若干个等间距的区间,在实施例中,将0%~n1内划分成10个等间距的区间,在不同的区间内设置独立的第一影响权重隶属函数,使得该起始荷电状态在不同的所属区间内分配不同程度的权重;
第一影响权重隶属函数为凸函数,并且第一影响权重隶属函数中的第一影响权重ω值随有效充电数据段的起始荷电状态值的增大而增大。此外,汽车锂电池的电量划分区间以及辅助参考值n1的值并不是固定的,在实际操作中,可以根据汽车锂电池的实际情况进行调整。
在步骤S4中,还包括将汽车锂电池的电量在0%~100%划分成两个区间,对于选取的有效充电数据段的终止荷电状态,将其做二值化处理,该终止荷电状态在不同的所属区间分配不同程度的权重。
设置辅助参考值n2,在实施例中n2=98%,当终止荷电状态的值大于辅助参考值n2时,第二影响权重γ的值为q1,取q1=1;当终止荷电状态的值小于辅助参考值n2时,第二影响权重γ的值为q2,取q2=0.01。此外,汽车锂电池的电量划分区间以及辅助参考值n2的值并不是固定的,在实际操作中,可以根据汽车锂电池的实际情况进行调整,但是要保证q1的值远大于q2,且0<q1≤1,0<q2≤1。
图3是本发明实施例的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法中的第三影响权重隶属函数图。
在步骤S4中,还包括通过计算获得每个有效充电数据段对应的当前段计算电池容量值与上一段最优容量估计值的误差e,设置辅助参考值n3,且e≤n3,在实施例中n3=15%,将0%~n3的范围内划分成若干个等间距的区间,对于误差e,该误差e在不同的所属区间分配不同的权重,并在不同的区间内设置独立的第三影响权重隶属函数,第三影响权重隶属函数为凸函数,并且第三影响权重的值随误差e的增大而增大。此外,辅助参考值n3的值并不是固定的,在实际操作中,可以根据汽车锂电池的实际情况进行调整。
在步骤S4中,还需根据汽车锂电池的额定容量设置一个筛选阈值,该筛选阈值用于筛选计算电池容量值,筛选阈值的范围可以根据汽车锂电池出厂时的额定容量进行选定,超出筛选阈值的计算电池容量值明显不符合实际情况,需要剔除。
在计算每个有效充电数据段对应的当前段计算电池容量值与上一段最优容量估计值的误差e时,将不处于筛选阈值范围内的计算电池容量值全部剔除,将处于筛选阈值范围内的计算电池容量值作为有效计算值,再将有效计算值的平均值作为起始段有效充电数据段的最优容量估计值。通过获得起始段有效充电数据段的最优容量估计值,便可以进行第二段有效充电数据段计算电池容量值误差e的计算,以实现各个有效充电数据段计算电池容量值误差e的循环计算。
图4是本发明实施例的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法中的模糊控制规则图。
如图4所示,预设权重取值较大的一层为终止荷电状态小于99%时,误差e和起始荷电状态对应的权重大小;预设权重取值较小的一层为终止荷电状态≥99%时,误差e和起始荷电状态对应的权重大小。利用模糊控制规则图,可以根据输入的起始荷电状态、终止荷电状态以及误差e的精度综合评估出预设权重的大小,从而实现卡尔曼滤波输出噪声的控制。
图5是本发明实施例的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法中的卡尔曼滤波结果及模糊卡尔曼滤波结果图。
如图5所示,相较于原始的卡尔曼滤波,通过使用模糊控制对其输出噪声进行调整,并对不同的起始荷电状态、终止荷电状态以及误差e分配不同的权重,能够得到相对稳定的滤波结果,从而提高汽车锂电池容量估计的精度。
实施例作用与效果
根据本发明提供的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,通过将汽车锂电池的充电数据分成多个数据段,并且剔除因汽车自身电能回收而造成汽车锂电池充电的充电数据段,获取若干个有效充电数据段,再通过安时积分分别计算获取每个有效充电数据段对应的当前段计算电池容量值以及下一段计算电池容量值,再通过调整预设权重,控制卡尔曼滤波的输出噪声,获取有效充电数据段对应的的下一段预估电池容量值,并将当前段计算电池容量值、下一段预估电池容量值和下一段计算电池容量值进行迭代计算,从而获取预估电池容量值的最优容量估计值,因此,相比采用固定权重的滤波方法测得的电池容量估计值,本发明通过调整预设权重,控制卡尔曼滤波的输出噪声,能够减小汽车锂电池容量估计的误差,提高电池容量估计精度。
通过模糊化处理能够分别获得起始荷电状态对实际电池容量值的第一影响权重、终止荷电状态对实际电池容量值的第二影响权重、计算电池容量值对实际电池容量值的第三影响权重,从而获得预设权重,通过对不同的起始荷电状态、终止荷电状态以及误差e分配不同的权重,能够调整预设权重的大小。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,用于提高汽车锂电池的实际电池容量值的估计精度,其特征在于,包括如下步骤:
S1,通过电池管理系统采集所述汽车锂电池在多次充电过程中的充电数据,获取若干个充电数据段;
S2,剔除因汽车自身电能回收而造成所述汽车锂电池充电的充电数据段,获取若干个有效充电数据段;
S3,通过安时积分分别计算获取每个所述有效充电数据段对应的所述汽车锂电池的当前段计算电池容量值以及下一段计算电池容量值;
S4,通过卡尔曼滤波对所述实际电池容量值进行预估,并通过预设权重获取卡尔曼滤波的输入噪声和输出噪声;
S5,根据所述输入噪声、所述输出噪声以及每个所述有效充电数据段对应的当前段所述计算电池容量值,获取每个所述有效充电数据段对应的的下一段预估电池容量值;
S6,对每个所述有效充电数据段对应的当前段所述计算电池容量值、下一段所述预估电池容量值和下一段所述计算电池容量值进行迭代计算,获得与每个所述有效充电数据段对应的所述预估电池容量值的最优容量估计值,
其中,所述充电数据包括起始荷电状态和终止荷电状态,
在步骤S4中,获取预设权重的步骤为:
其中,在步骤S4中,确定卡尔曼滤波的输入噪声ωi和输出噪声vi时,计算ωi、vi的过程分别如式(1)、式(2)所示:
ωi=a (1)
vi=αb (2)
其中,a为预测容量的不确定度,取a=0.05,
b为固定值,取b=1.5,
α为预设权重。
3.根据权利要求1所述的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,其特征在于:
其中,在步骤S4中,还包括对于选取的所述有效充电数据段的所述起始荷电状态,设置辅助参考值n1,取n1=50%,当所述起始荷电状态的值大于n1时,所述第一影响权重ω的值取1,
当所述起始荷电状态的值小于n1时,将所述汽车锂电池的电量在0%~n1内划分成若干个等间距的区间,在不同的区间内设置独立的第一影响权重隶属函数,使得该起始荷电状态在不同的所属区间内分配不同程度的权重,
所述第一影响权重隶属函数为凸函数,并且所述第一影响权重隶属函数中的所述第一影响权重ω值随所述有效充电数据段的所述起始荷电状态值的增大而增大。
4.根据权利要求1所述的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,其特征在于:
其中,在步骤S4中,还包括将所述汽车锂电池的电量在0%~100%划分成两个区间,对于选取的所述有效充电数据段的所述终止荷电状态,该终止荷电状态在不同的所属区间分配不同程度的权重,
设置辅助参考值n2,取n2=98%,
当所述终止荷电状态的值大于辅助参考值n2时,所述第二影响权重γ的值为q1,取q1=1;
当所述终止荷电状态的值小于辅助参考值n2时,所述第二影响权重γ的值为q2,取q2=0.01。
6.根据权利要求5所述的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,其特征在于:
其中,在步骤S4中,还需根据所述汽车锂电池的额定容量设置一个筛选阈值,该筛选阈值用于筛选所述计算电池容量值,
在计算每个所述有效充电数据段对应的当前段所述计算电池容量值与上一段所述最优容量估计值的误差e时,
将不处于所述筛选阈值范围内的所述计算电池容量值全部剔除,将处于所述筛选阈值范围内的所述计算电池容量值作为有效计算值,
再将所述有效计算值的平均值作为起始段所述有效充电数据段的所述最优容量估计值。
7.根据权利要求1所述的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,其特征在于:
其中,在步骤S5中,获取每个所述有效充电数据段的下一段预估电池容量值的公式,分别如式(3)和式(4)所示,
xi+1=xi+ωi (3)
yi=xi+vi (4)
式中,xi为当前段所述汽车锂电池的所述预估电池容量值,作为系统状态向量;xi+1为下一段所述汽车锂电池的所述预估电池容量值;yi为当前段所述汽车锂电池的所述计算电池容量值;ωi、vi分别为卡尔曼滤波的输入噪声和输出噪声。
8.根据权利要求1所述的基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法,其特征在于:
其中,在步骤S6中,在对当前段所述计算电池容量值、下一段所述预估电池容量值和下一段所述计算电池容量值进行迭代计算时,迭代公式分别如式(5)~式(9)所示,
状态估计时间更新:
误差协方差时间更新:
卡尔曼增益更新:
状态估计测量更新:
误差协方差测量更新:
Q是输入噪声ωi的协方差,R是输出噪声vi的协方差,
式(5)和式(6)是对系统的预测,
式(7)和式(8)是结合所述预估电池容量值和所述计算电池容量值后得到现在状态的所述最优容量估计值,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910680281.2A CN110320473B (zh) | 2019-07-26 | 2019-07-26 | 一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910680281.2A CN110320473B (zh) | 2019-07-26 | 2019-07-26 | 一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110320473A CN110320473A (zh) | 2019-10-11 |
CN110320473B true CN110320473B (zh) | 2021-05-11 |
Family
ID=68124692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910680281.2A Active CN110320473B (zh) | 2019-07-26 | 2019-07-26 | 一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320473B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850318A (zh) * | 2019-11-06 | 2020-02-28 | 上海理工大学 | 带滤波法权重分配的锂电池健康状态估计方法 |
CN111308522A (zh) * | 2020-03-27 | 2020-06-19 | 上海天好信息技术股份有限公司 | 一种基于新型Kalman滤波的多维时空数据估计方法 |
CN111781529B (zh) * | 2020-07-14 | 2023-06-27 | 上海理工大学 | 基于电动汽车云端数据的电池组单体容量估计方法和装置 |
CN112345940B (zh) * | 2020-10-27 | 2023-08-22 | 中北大学 | 基于soc预估的车辆复合电源系统模糊逻辑控制方法 |
WO2022110045A1 (zh) * | 2020-11-27 | 2022-06-02 | 东莞新能德科技有限公司 | 电池容量预估方法、电子装置和存储介质 |
CN112731157A (zh) * | 2020-12-16 | 2021-04-30 | 上海理工大学 | 一种基于数据驱动的锂离子电池容量估计方法 |
CN112415402B (zh) * | 2021-01-25 | 2021-04-27 | 浙江纽联科技有限公司 | 锂电池容量估计、电芯异常预测的方法和系统 |
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007292648A (ja) * | 2006-04-26 | 2007-11-08 | Toyota Motor Corp | 二次電池の充電状態推定装置 |
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 |
CN103399277A (zh) * | 2013-07-29 | 2013-11-20 | 重庆长安汽车股份有限公司 | 一种动力电池实际容量估算方法 |
CN106054080A (zh) * | 2016-06-06 | 2016-10-26 | 电子科技大学 | 一种动力电池荷电状态与健康状态的联合估计方法 |
CN107064808A (zh) * | 2017-02-09 | 2017-08-18 | 山东谦恒电子科技有限公司 | 电池的soc估计方法及装置 |
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 |
CN109617169A (zh) * | 2018-12-20 | 2019-04-12 | 西安交通大学 | 一种基于模糊控制的锂离子电池均衡方法 |
-
2019
- 2019-07-26 CN CN201910680281.2A patent/CN110320473B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007292648A (ja) * | 2006-04-26 | 2007-11-08 | Toyota Motor Corp | 二次電池の充電状態推定装置 |
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 |
CN103399277A (zh) * | 2013-07-29 | 2013-11-20 | 重庆长安汽车股份有限公司 | 一种动力电池实际容量估算方法 |
CN106054080A (zh) * | 2016-06-06 | 2016-10-26 | 电子科技大学 | 一种动力电池荷电状态与健康状态的联合估计方法 |
CN107064808A (zh) * | 2017-02-09 | 2017-08-18 | 山东谦恒电子科技有限公司 | 电池的soc估计方法及装置 |
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 |
CN109617169A (zh) * | 2018-12-20 | 2019-04-12 | 西安交通大学 | 一种基于模糊控制的锂离子电池均衡方法 |
Non-Patent Citations (1)
Title |
---|
自适应卡尔曼滤波法磷酸铁锂动力电池剩余容量估计;刘和平 等;《重庆大学学报》;20140131;第37卷(第1期);第68-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110320473A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320473B (zh) | 一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法 | |
CN110596593B (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
CN110673039B (zh) | 一种基于大数据的磷酸铁锂电池soc充电在线校正方法 | |
Fleischer et al. | Adaptive on-line state-of-available-power prediction of lithium-ion batteries | |
CN106443480A (zh) | 一种锂离子电池系统soc估算方法 | |
CN110133507B (zh) | 一种基于narx-ukf算法的电池剩余电量估计方法 | |
CN107003360B (zh) | 电池组的充电状态的自动确定方法 | |
CN114355211A (zh) | 一种锂离子动力电池剩余电量估计方法 | |
CN107153163A (zh) | 一种基于自适应ukf的锂电池soc估算方法 | |
CN112379272B (zh) | 一种基于人工智能的锂离子电池系统soc估计方法 | |
CN109387784B (zh) | 多维度状态估算效准soc的方法以及动态修正soc的方法 | |
CN109975717B (zh) | 一种动力电池内阻的在线计算方法 | |
Goh et al. | Successive-approximation algorithm for estimating capacity of Li-ion batteries | |
CN112858929A (zh) | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 | |
CN114035072A (zh) | 一种基于云边协同的电池组多状态联合估计方法 | |
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 | |
CN113761726A (zh) | 一种锂电池参数辨识方法及系统 | |
CN115407206A (zh) | 一种基于容量累积的soh自适应估算方法 | |
CN113853524B (zh) | 用于估计电池状态的方法 | |
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 | |
CN111781529B (zh) | 基于电动汽车云端数据的电池组单体容量估计方法和装置 | |
CN112114254B (zh) | 一种动力电池开路电压模型融合方法 | |
CN110927597B (zh) | 一种确定电池放电曲线的方法 |
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 |