CN110456279A - 一种基于数据驱动模型的动力电池云管理系统 - Google Patents
一种基于数据驱动模型的动力电池云管理系统 Download PDFInfo
- Publication number
- CN110456279A CN110456279A CN201910754781.6A CN201910754781A CN110456279A CN 110456279 A CN110456279 A CN 110456279A CN 201910754781 A CN201910754781 A CN 201910754781A CN 110456279 A CN110456279 A CN 110456279A
- Authority
- CN
- China
- Prior art keywords
- battery
- value
- battery system
- vehicle
- voltage
- 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 claims abstract description 44
- 230000010287 polarization Effects 0.000 claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 239000003990 capacitor Substances 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000026676 system process Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims 1
- 230000004913 activation Effects 0.000 abstract 2
- 238000004891 communication Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
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]
- G01R31/371—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with remote indication, e.g. on external chargers
-
- 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
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于数据驱动模型的动力电池云管理系统,通过车载BMS主控单元采集电池系统的实际总电流值和实际总电压值,并将采集到的电池系统的实际总电流值和实际总电压值上传至云平台单元,云平台利用带遗忘因子的递推最小二乘法辨识得到二阶RC等效电路模型中Rd,Cd,Rc,Cc和R0,并将其传给车载BMS主控单元已获得更新后的二阶RC等效电路模型,然后利用双卡尔曼滤波算法得到SOC和SOH估计值。本发明通过带遗忘因子的递推最小二乘法建立的二阶RC等效电路模型,对等效电路模型的电化学极化电阻Rd、电化学极化电容Cd、浓差极化电阻Rc、浓差极化电容Cc和欧姆电阻R0进行实时修正,并利用双卡尔曼滤波算法联合估计SOC和SOH,有效提高了电池状态估计精度。
Description
技术领域
本发明属于电池管理系统技术领域,具体涉及一种基于数据驱动模型的动力电池云管理系统。
背景技术
气候变化、能源危机、环境污染是人类社会当今面临的三个主要问题,这些问题都与燃油汽车对石油资源的消耗和汽车尾气的排放有着密不可分的关系。随着电动汽车技术的发展及各国政府环保意识的增强,越来越多的国家开始把发展电动汽车技术作为缓解环境问题的一个重要措施。
随着电动汽车的广泛使用,自燃、虚假续航里程等问题的出现都给整个电动汽车产业的发展带来了很大的不良影响,经过调查分析发现出现这些问题的主要原因是没有使用或者使用质量不过关的电池管理系统,而电池状态的估算是影响电池管理系统性能好坏的一个重要因素,已经成为阻碍电动汽车产业化发展的主要因素之一。
发明内容
针对现有技术中的技术上问题,本发明提供了一种基于数据驱动模型的动力电池云管理系统,其目的在于为提高电池状态估计精度和稳定性。
为解决上述技术问题,本发明通过以下技术方案予以实现:
一种基于数据驱动模型的动力电池云管理系统,包括:
车载BMS主控单元,所述车载BMS主控单元用于采集电池系统的实时状态数据,实时状态数据包括实际总电流值和实际总电压值,并根据采集到的电池系统的实际总电流值和实际总电压值建立用于描述电池系统状态的等效电路模型;
云平台单元,所述云平台单元用于接收所述车载BMS主控单元采集的电池系统的实际总电流值和实际总电压值,并根据接收到的实际总电流值和实际总电压值,通过带遗忘因子的递推最小二乘法辨识出等效电路模型中的电化学极化电阻Rd、电化学极化电容Cd、浓差极化电阻Rc、浓差极化电容Cc和欧姆电阻R0五个参数,并将辨识得到的五个参数发送给所述车载BMS 主控单元,所述车载BMS主控单元利用接收到的五个参数更新等效电路模型,所述车载BMS 主控单元根据更新后的等效电路模型,采用双扩展卡尔曼滤波法完成对电池系统当前状态的 SOC值和SOH值计算。
进一步地,还包括车载BMS测控单元和均衡模块,所述车载BMS测控单元用于采集电池系统单个电池组内的单体电池的实际电压值和实际温度值,并根据采集到的实际电压值和实际温度值进行均衡判断,判断单体电池的带电量是否一致,若不一致,所述均衡模块对单体电池进行均衡处理。
进一步地,所述车载BMS测控单元采集单体电池的实际电压采用集成电压传感器,单体电池的实际温度采集采用集成温度传感器。
进一步地,电池系统的实际总电流采用霍尔传感器采集,实际总电压采用电动汽车动力电池电压采集芯片采集。
进一步地,所述等效电路模型为二阶RC等效电路模型。
进一步地,所述电池系统的实时状态数据还包括电池系统的SOC值和SOH值,所述云平台单元接收所述车载BMS主控单元采集的实时状态数据,并将每次接收到的实时状态数据存储于云平台数据库中。
进一步地,还包括车载显示器,所述车载BMS主控单元与所述车载显示器通过车载总线连接,所述车载显示器用于显示电池系统的实时状态数据。
进一步地,首先根据二阶RC等效电路模型得到如下的状态方程式
其中,Ud为电化学极化电压,IL为电池系统总电流,Uc为浓差极化电压,UOC为电池的开路电压,U为电池系统端电压;
对公式(1)进行拉普拉斯变换并与表达式Urc(S)=Ut(S)-UOC(S)联立后通过双线性变换得到公式(2)如下
z2Urc(z)=a1zUrc(z)+a2Urc(z)+a3z2IL(z)+a4zIL(z)+a5IL(z) (2)
然后对公式(2)采用Z逆变换的方法得到公式(3)如下
Ut,k=(1-a1-a2)UOC,k+a1Ut,k-1+a2Ut,k-2+a3Il,k+a4Il,k-1+a5Il,k-2 (3)
其中,k为更新迭代次数,Ut为电池系统端电压,Il为电池系统总电流;
对公式(3)进行变形得到输出值yk,参数矩阵θ和数据矩阵Φ,公式如下
最后利用公式(4)并采用带遗忘因子的递推最小二乘法得到a1,a2,a3,a4,a5五个系数的最优解,利用已经得到的五个系数的最优解以及如下的公式(5),解出Rd,Cd,Rc,Cc和R0五个参数;
其中,T为采样时间。
进一步地,所述双扩展卡尔曼滤波法对电池系统当前状态的SOC值和SOH值计算具体方法为:
首先根据等效电路模型,建立反映电池SOC和电压状态变量变化的离散状态空间方程,如公式(6)
公式(6)变形成公式(7)如下
xk=f(xk-1,ik-1)+w(k-1) (7)
其中,xk为SOC(k)、Uc(k)和Ud(k)所组成的输入变量,C为电池系统的当前容量,T为采样时间,τc=RcCc,τd=RdCd,τc和τd为两个RC循环的时间常数,i(k-1)为k-1次采样时得到的电池系统总电流,w(k-1)为系统的过程噪声;
根据电池系统欧姆电阻的变化,得到内阻的离散状态空间方程,如公式(8)
R0(k)=R0(k-1)+r(k-1) (8)
其中,r(k-1)表示欧姆电阻的噪声;
电池系统的状态方程如公式(9)
其中,v(k-1)为观测噪声,U(k-1)为电池系统端电压;
将公式(9)变形为公式(10)如下
U(k-1)=g(xk-1,ik-1)+v(k-1) (10)
采用双卡尔曼滤波算法估计SOC和SOH的具体过程如下:
做如下定义:
初始化参数:
其中,和分别为初始化时系统状态x和欧姆电阻R0的误差协方差;
更新系统状态x和欧姆电阻R0:
其中,Kk是关于系统状态x卡尔曼增益,Lk是关于欧姆电阻R0卡尔曼增益;
更新系统状态x和欧姆电阻R0的误差协方差:
其中,Rk为公式(8)中欧姆电阻的噪声r(k-1)的误差协方差,Wk为公式(7)中系统过程噪声w(k-1)的误差协方差;
通过上述过程,不断更新迭代得到SOC值和欧姆电阻值,通过欧姆电阻值计算得到的SOH,具体计算方法如公式(16)
其中,Rold为电池系统报废时的欧姆电阻值,Rnew为新制造的电池系统的欧姆电阻值, R0(k)为通过双卡尔曼滤波方法得到的当前的电池系统的欧姆电阻值。
与现有技术相比,本发明至少具有以下有益效果:本发明利用采集的电池系统的实际总电流和实际总电压来建立电池系统的二阶RC等效电路模型,并借助于云平台强大的计算功能和存储功能,采用带遗忘因子的递推最小二乘法更新等效电路模型参数,提高电池模型的精度,基于等效电路模型,采用双扩展卡尔曼滤波算法,完成对电池系统SOC值和SOH值的估计。具体的,本发明通过车载BMS主控单元采集电池系统的实际总电流值和实际总电压值,并将采集到的电池系统的实际总电流值和实际总电压值上传至云平台单元,云平台利用带遗忘因子的递推最小二乘法辨识得到二阶RC等效电路模型中Rd,Cd,Rc,Cc和R0五个参数,并将其传给车载BMS主控单元已获得更新后的二阶RC等效电路模型,然后利用双卡尔曼滤波算法得到SOC和SOH估计值。可见本发明能通过带遗忘因子的递推最小二乘法建立的二阶RC等效电路模型,对等效电路模型的电化学极化电阻Rd、电化学极化电容Cd、浓差极化电阻Rc、浓差极化电容Cc和欧姆电阻R0进行实时修正,并利用双卡尔曼滤波算法联合估计SOC和SOH,有效地提高了电池状态估计精度,对于电动汽车的安全、高效运行有着重要的作用。
进一步地,等效电路模型为二阶RC等效电路模型,该电路模型既能减少高阶RC等效电路模型在线实时状态估计时的计算量,增强了实时性,同时该模型的计算保证了一定的精度和准确性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为电池管理系统的原理图;
图2为电池管理系统的主控单元程序流图;
图3为电池管理系统的测控单元程序流图;
图4为二阶等效电路模型。
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,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
本发明一种基于数据驱动模型的动力电池云管理系统,车载BMS主控单元,所述车载BMS 主控单元用于采集电池系统的实时状态数据,实时状态数据包括实际总电流值和实际总电压值,并根据采集到的电池系统的实际总电流值和实际总电压值建立用于描述电池系统状态的等效电路模型;
云平台单元,所述云平台单元用于接收所述车载BMS主控单元采集的电池系统的实际总电流值和实际总电压值,并根据接收到的实际总电流值和实际总电压值,通过带遗忘因子的递推最小二乘法辨识出等效电路模型中的电化学极化电阻Rd、电化学极化电容Cd、浓差极化电阻Rc、浓差极化电容Cc和欧姆电阻R0五个参数,并将辨识得到的五个参数发送给所述车载BMS 主控单元,所述车载BMS主控单元利用接收到的五个参数更新等效电路模型,所述车载BMS 主控单元根据更新后的等效电路模型,采用双扩展卡尔曼滤波法完成对电池系统当前状态的 SOC值和SOH值计算。
作为本发明的某一优选实施例,还包括车载BMS测控单元和均衡模块,所述车载BMS 测控单元用于采集电池系统单个电池组内的单体电池的实际电压值和实际温度值,并根据采集到的实际电压值和实际温度值进行均衡判断,判断单体电池的带电量是否一致,若不一致,所述均衡模块对单体电池进行均衡处理。
具体的,所述车载BMS测控单元采集单体电池的实际电压采用集成电压传感器,单体电池的实际温度采集采用集成温度传感器。
具体的,电池系统的实际总电流采用霍尔传感器采集,实际总电压采用电动汽车动力电池电压采集芯片采集。
具体的,所述等效电路模型为二阶RC等效电路模型。
具体的,所述电池系统的实时状态数据还包括电池系统的SOC值和SOH值,所述云平台单元接收所述车载BMS主控单元采集的实时状态数据,并将每次接收到的实时状态数据存储于云平台数据库中。
具体的,还包括车载显示器,所述车载BMS主控单元与所述车载显示器通过车载总线连接,所述车载显示器用于显示电池系统的实时状态数据。
具体的,在二阶RC等效电路模型中的电化学极化电阻Rd、电化学极化电容Cd、浓差极化电阻Rc、浓差极化电容Cc和欧姆电阻R0都是为了描述电池组的动态特性的,以使得模型所描述的电池组状态更加精确,它们的值都需要通过带遗忘因子的递推最小二乘法辨识得到,辨识的具体方法如下:
首先根据二阶RC等效电路模型得到如下的状态方程式
其中,Ud为电化学极化电压,IL为电池系统总电流,Uc为浓差极化电压,UOC为电池的开路电压,U为电池系统端电压;
对公式(1)进行拉普拉斯变换并与表达式Urc(S)=Ut(S)-UOC(S)联立后通过双线性变换得到公式(2)如下
z2Urc(z)=a1zUrc(z)+a2Urc(z)+a3z2IL(z)+a4zIL(z)+a5IL(z) (2)
然后对公式(2)采用Z逆变换的方法得到公式(3)如下
Ut,k=(1-a1-a2)UOC,k+a1Ut,k-1+a2Ut,k-2+a3Il,k+a4Il,k-1+a5Il,k-2 (3)
其中,k为更新迭代次数,Ut为电池系统端电压,Il为电池系统总电流;
对公式(3)进行变形得到输出值yk,参数矩阵θ和数据矩阵Φ,公式如下
最后利用公式(4)并采用带遗忘因子的递推最小二乘法得到a1,a2,a3,a4,a5五个系数的最优解,利用已经得到的五个系数的最优解以及如下的公式(5),解出Rd,Cd,Rc,Cc和R0五个参数;
其中,T为采样时间。
上述参数辨识的过程是在云平台进行的,利用云平台强大的计算性能和存储性能减轻主控单元的负担,减少参数辨识过程所花费的时间,增强实时性。参数辨识时首先要将本次测量得到的电池系统的实际总电压值和实际总电流值通过4G通讯模块上传至云平台单元,然后云平台单元提取之前接收并存储的前两次电池系统的实际总电压值和实际总电流值,利用带遗忘因子的递推最小二乘法辨识得到Rd,Cd,Rc,Cc和R05个参数,然后通过4G通讯模块传递给车载BMS主控单元,进而更新二阶RC等效电路模型。
最后,通过更新后的二阶RC等效电路模型,采用双扩展卡尔曼滤波法完成对电池系统 SOC值和SOH值的估计,估计过程如下:
首先根据等效电路模型,建立反映电池SOC和电压状态变量变化的离散状态空间方程,如公式(6)
公式(6)变形成公式(7)如下
xk=f(xk-1,ik-1)+w(k-1) (7)
其中,xk为SOC(k)、Uc(k)和Ud(k)所组成的输入变量,C为电池系统的当前容量,T为采样时间,τc=RcCc,τd=RdCd,τc和τd为两个RC循环的时间常数,i(k-1)为k-1次采样时得到的电池系统总电流,w(k-1)为系统的过程噪声;
根据电池系统欧姆电阻的变化,得到内阻的离散状态空间方程,如公式(8)
R0(k)=R0(k-1)+r(k-1) (8)
其中,r(k-1)表示欧姆电阻的噪声;
电池系统的状态方程如公式(9)
其中,v(k-1)为观测噪声,U(k-1)为电池系统端电压;
将公式(9)变形为公式(10)如下
U(k-1)=g(xk-1,ik-1)+v(k-1) (10)
采用双卡尔曼滤波算法估计SOC和SOH的具体过程如下:
做如下定义:
初始化参数:
其中,和分别为初始化时系统状态x和欧姆电阻R0的误差协方差;
更新系统状态x和欧姆电阻R0:
其中,Kk是关于系统状态x卡尔曼增益,Lk是关于欧姆电阻R0卡尔曼增益;
更新系统状态x和欧姆电阻R0的误差协方差:
其中,Rk为公式(8)中欧姆电阻的噪声r(k-1)的误差协方差,Wk为公式(7)中系统过程噪声w(k-1)的误差协方差;
通过上述过程,不断更新迭代得到SOC值和欧姆电阻值,通过欧姆电阻值计算得到的SOH,具体计算方法如公式(16)
其中,Rold为电池系统报废时的欧姆电阻值,Rnew为新制造的电池系统的欧姆电阻值, R0(k)为通过双卡尔曼滤波方法得到的当前的电池系统的欧姆电阻值。
当电池系统的单体电池之间带电量有显著差异、不一致时,所建立的等效电路模型就无法准确描述电池系统的状态,从而导致电池系统的状态估计精度低、稳定性差。因此为了解决该问题,需要通过均衡控制模块对各单体电池组进行均衡管理,消除电池系统的单体电池带电量的不一致性。研究表明,不同的单体电池的带电量相同的情况下,单体电池的端电压也会因电池的温度的不同而产生较大差异,这就是电池特有的温度—电压迟滞现象。因此,需要消除这一现象,以使利用电池的端电压做均衡判断时结果更加准确。当测控单元采集到电池组内的单体电池的电压和温度后,先通过温度校正电压值,使得校正后的电压值都为同一温度下所表示的各单体电池的端电压值,以消除温度对电压产生的迟滞现象,后通过校正电压去判断电池组内的单体电池的带电量是否一致,若不一致,则均衡模块会控制单体电池组所对应的主动均衡电路,利用主动均衡电路完成对电池组的均衡操作。
车载显示器通过车载总线与BMS主控单元相连接,主控单元中存储的电池系统实际总电压值、实际总电流值以及经计算所得到的SOC估计值和SOH估计值通过总线接口传给车载显示器,以供用户实时查询。除此之外,用户也可以通过手机APP和PC机实时查询云平台所存储的电池系统实时数据,包括实际总电压值、实际总电流值以及经计算所得到的SOC估计值和SOH估计值。
作为本发明的某一具体实施例,如图1所示,一种基于数据驱动模型的动力电池云管理系统,包括电池系统、车载BMS主控单元、车载BMS测控单元、4G通信模块、云平台、均衡控制模块、车载显示器和手机APP、PC终端。电池系统用于储存电能,为电动汽车提供动力。车载BMS主控单元用于采集电池系统的实际总电流值和实际总电压值,利用采集到的实际总电流值和实际总电压值在云平台完成等效电路模型的参数辨识,利用辨识得到的参数更新二阶 RC等效电路模型,进而采用双扩展卡尔曼滤波算法估计出SOC值和SOH值。车载BMS测控单元负责收集电池组内单体电池的电压和温度、通过电压和温度进行均衡判断,并将结果传送到均衡控制模块。4G通讯模块主要用于车载BMS主控单元和云平台通讯。云平台单元用于接收并存储电池系统的实际总电压值、实际总电流值和经计算所得到的SOC值和SOH值,并利用实际总电压值和实际总电流值完成二阶RC等效电路模型中电化学极化电阻Rd、电化学极化电容Cd、浓差极化电阻Rc、浓差极化电容Cc和欧姆电阻R0五个参数的辨识。均衡控制模块根据车载BMS测控单元的均衡判断,决定是否对电池组进行均衡处理。手机APP和PC通过网络与云平台通讯。手机APP和PC与车载显示器功能相同,都是为了让用户能方便的实时查询电池系统的实时状态数据,包括实际总电流值、实际总电压值以及经计算所得到的SOC值和SOH值。但是,手机APP和PC同车载显示器相比,更加灵活方便,可以进行远程查询。
如图2所示,主控单元的工作流程为:首先进行系统初始化,后系统自检,若自检无故障后进行实际总电压值和实际总电流值的采集;采集完成后根据实际总电压和实际总电流建立二阶RC等效电路模型,并采用双扩展卡尔曼滤波法对电池系统进行SOC和SOH值的估计,循坏重复上述过程,直至系统停止运行。
如图3所示,测控单元的工作流程为:系统初始化,系统自检,确定系统正常后进行数据采集,获取电池组内单体电池的电压和温度数据,根据单体电池的电压和温度数据判断电池组是否异常,若无异常,再通过单体电池的电压和温度数据进行一致性判断,并将判断后的信息传给均衡模块,循坏重复上述过程,直至系统停止运行。
如图4所示,UOC为电池的开路电压;Rd为电化学极化电阻;Cd为电化学极化电容;Rc为浓差极化电阻;Cc浓差极化电容;R0为电池系统的欧姆电阻;Ud为电化学极化电阻;Uc为浓差极化电压;U为电池系统端电压,即为电池系统总电压;IL为电池系统总电流。
以上对本发明一种基于数据驱动模型的动力电池云管理系统进行了详细介绍,本发明的核心思想是利用电池系统管理云平台,通过带遗忘因子的递推最小二乘法辨识并实时更新二阶 RC等效电路模型的参数,基于实时等效电路模型,应用双扩展卡尔曼滤波算法,计算出精确的SOC值和SOH值。在基于应用本发明的核心思想的前提下,对本发明进行的任何改进以及等效结构变化,均属于本发明权利要求的保护范围内。
Claims (9)
1.一种基于数据驱动模型的动力电池云管理系统,其特征在于,包括:
车载BMS主控单元,所述车载BMS主控单元用于采集电池系统的实时状态数据,实时状态数据包括实际总电流值和实际总电压值,并根据采集到的电池系统的实际总电流值和实际总电压值建立用于描述电池系统状态的等效电路模型;
云平台单元,所述云平台单元用于接收所述车载BMS主控单元采集的电池系统的实际总电流值和实际总电压值,并根据接收到的实际总电流值和实际总电压值,通过带遗忘因子的递推最小二乘法辨识出等效电路模型中的电化学极化电阻Rd、电化学极化电容Cd、浓差极化电阻Rc、浓差极化电容Cc和欧姆电阻R0五个参数,并将辨识得到的五个参数发送给所述车载BMS主控单元,所述车载BMS主控单元利用接收到的五个参数更新等效电路模型,所述车载BMS主控单元根据更新后的等效电路模型,采用双扩展卡尔曼滤波法完成对电池系统当前状态的SOC值和SOH值计算。
2.根据权利要求1所述的一种基于数据驱动模型的动力电池云管理系统,其特征在于:还包括车载BMS测控单元和均衡模块,所述车载BMS测控单元用于采集电池系统单个电池组内的单体电池的实际电压值和实际温度值,并根据采集到的实际电压值和实际温度值进行均衡判断,判断单体电池的带电量是否一致,若不一致,所述均衡模块对单体电池进行均衡处理。
3.根据权利要求2所述的一种基于数据驱动模型的动力电池云管理系统,其特征在于:所述车载BMS测控单元采集单体电池的实际电压采用集成电压传感器,单体电池的实际温度采集采用集成温度传感器。
4.根据权利要求1所述的一种基于数据驱动模型的动力电池云管理系统,其特征在于:电池系统的实际总电流采用霍尔传感器采集,实际总电压采用电动汽车动力电池电压采集芯片采集。
5.根据权利要求1所述的一种基于数据驱动模型的动力电池云管理系统,其特征在于:所述等效电路模型为二阶RC等效电路模型。
6.根据权利要求1所述的一种基于数据驱动模型的动力电池云管理系统,其特征在于:所述电池系统的实时状态数据还包括电池系统的SOC值和SOH值,所述云平台单元接收所述车载BMS主控单元采集的实时状态数据,并将每次接收到的实时状态数据存储于云平台数据库中。
7.根据权利要求6所述的一种基于数据驱动模型的动力电池云管理系统,其特征在于:还包括车载显示器,所述车载BMS主控单元与所述车载显示器通过车载总线连接,所述车载显示器用于显示电池系统的实时状态数据。
8.根据权利要求1所述的一种基于数据驱动模型的动力电池云管理系统,其特征在于:所述带遗忘因子的递推最小二乘法辨识的具体方法为:
首先根据二阶RC等效电路模型得到如下的状态方程式
其中,Ud为电化学极化电压,IL为电池系统总电流,Uc为浓差极化电压,UOC为电池的开路电压,U为电池系统端电压;
对公式(1)进行拉普拉斯变换并与表达式Urc(S)=Ut(S)-UOC(S)联立后通过双线性变换得到公式(2)如下
z2Urc(z)=a1zUrc(z)+a2Urc(z)+a3z2IL(z)+a4zIL(z)+a5IL(z) (2)
然后对公式(2)采用Z逆变换的方法得到公式(3)如下
Ut,k=(1-a1-a2)UOC,k+a1Ut,k-1+a2Ut,k-2+a3Il,k+a4Il,k-1+a5Il,k-2 (3)
其中,k为更新迭代次数,Ut为电池系统端电压,Il为电池系统总电流;
对公式(3)进行变形得到输出值yk,参数矩阵θ和数据矩阵Φ,公式如下
最后利用公式(4)并采用带遗忘因子的递推最小二乘法得到a1,a2,a3,a4,a5五个系数的最优解,利用已经得到的五个系数的最优解以及如下的公式(5),解出Rd,Cd,Rc,Cc和R0五个参数;
其中,T为采样时间。
9.根据权利要求1所述的一种基于数据驱动模型的动力电池云管理系统,其特征在于:所述双扩展卡尔曼滤波法对电池系统当前状态的SOC值和SOH值计算具体方法为:
首先根据等效电路模型,建立反映电池SOC和电压状态变量变化的离散状态空间方程,如公式(6)
公式(6)变形成公式(7)如下
xk=f(xk-1,ik-1)+w(k-1) (7)
其中,xk为SOC(k)、Uc(k)和Ud(k)所组成的输入变量,C为电池系统的当前容量,T为采样时间,τc=RcCc,τd=RdCd,τc和τd为两个RC循环的时间常数,i(k-1)为k-1次采样时得到的电池系统总电流,w(k-1)为系统的过程噪声;
根据电池系统欧姆电阻的变化,得到内阻的离散状态空间方程,如公式(8)
R0(k)=R0(k-1)+r(k-1) (8)
其中,r(k-1)表示欧姆电阻的噪声;
电池系统的状态方程如公式(9)
其中,v(k-1)为观测噪声,U(k-1)为电池系统端电压;
将公式(9)变形为公式(10)如下
U(k-1)=g(xk-1,ik-1)+v(k-1) (10)
采用双卡尔曼滤波算法估计SOC和SOH的具体过程如下:
做如下定义:
初始化参数:
其中,和分别为初始化时系统状态x和欧姆电阻R0的误差协方差;
更新系统状态x和欧姆电阻R0:
其中,Kk是关于系统状态x卡尔曼增益,Lk是关于欧姆电阻R0卡尔曼增益;
更新系统状态x和欧姆电阻R0的误差协方差:
其中,Rk为公式(8)中欧姆电阻的噪声r(k-1)的误差协方差,Wk为公式(7)中系统过程噪声w(k-1)的误差协方差;
通过上述过程,不断更新迭代得到SOC值和欧姆电阻值,通过欧姆电阻值计算得到的SOH,具体计算方法如公式(16)
其中,Rold为电池系统报废时的欧姆电阻值,Rnew为新制造的电池系统的欧姆电阻值,R0(k)为通过双卡尔曼滤波方法得到的当前的电池系统的欧姆电阻值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910754781.6A CN110456279A (zh) | 2019-08-15 | 2019-08-15 | 一种基于数据驱动模型的动力电池云管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910754781.6A CN110456279A (zh) | 2019-08-15 | 2019-08-15 | 一种基于数据驱动模型的动力电池云管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110456279A true CN110456279A (zh) | 2019-11-15 |
Family
ID=68486909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910754781.6A Pending CN110456279A (zh) | 2019-08-15 | 2019-08-15 | 一种基于数据驱动模型的动力电池云管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110456279A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110749827A (zh) * | 2019-12-02 | 2020-02-04 | 山东大学 | 基于云平台的智能化电池soc管理系统及方法 |
CN111190111A (zh) * | 2020-01-14 | 2020-05-22 | 北京智芯微电子科技有限公司 | 电化学储能电池荷电状态估算方法、装置及系统 |
CN112305440A (zh) * | 2020-09-27 | 2021-02-02 | 精进电动科技股份有限公司 | 一种电池剩余电量和健康状态联合估计方法 |
CN112858916A (zh) * | 2021-01-14 | 2021-05-28 | 重庆大学 | 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 |
CN113176503A (zh) * | 2021-04-23 | 2021-07-27 | 哈尔滨工业大学(威海) | 基于电化学过程的全soc范围锂离子电池等效模型 |
CN116609686A (zh) * | 2023-04-18 | 2023-08-18 | 江苏果下科技有限公司 | 一种基于云平台大数据的电芯一致性评估方法 |
CN117175639A (zh) * | 2023-09-08 | 2023-12-05 | 国网浙江省电力有限公司绍兴供电公司 | 与储能单元协调配套的配电自动化方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569835A (zh) * | 2014-12-16 | 2015-04-29 | 北京理工大学 | 一种估计电动汽车的动力电池的荷电状态的方法 |
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 |
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 |
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
CN108469590A (zh) * | 2018-03-22 | 2018-08-31 | 深圳市南霸科技有限公司 | 一种基于物联网的智能电池状态监测系统 |
CN108490361A (zh) * | 2018-03-22 | 2018-09-04 | 深圳库博能源科技有限公司 | 一种基于云端反馈的荷电状态SoC计算方法 |
CN108872873A (zh) * | 2018-06-29 | 2018-11-23 | 长沙理工大学 | 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 |
CN109061508A (zh) * | 2018-09-11 | 2018-12-21 | 上海电力学院 | 一种电动汽车锂电池soh的估计方法 |
CN109061520A (zh) * | 2018-10-25 | 2018-12-21 | 杭州神驹科技有限公司 | 一种动力电池健康与功率状态在线估算方法及系统 |
-
2019
- 2019-08-15 CN CN201910754781.6A patent/CN110456279A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569835A (zh) * | 2014-12-16 | 2015-04-29 | 北京理工大学 | 一种估计电动汽车的动力电池的荷电状态的方法 |
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 |
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
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 |
CN108469590A (zh) * | 2018-03-22 | 2018-08-31 | 深圳市南霸科技有限公司 | 一种基于物联网的智能电池状态监测系统 |
CN108490361A (zh) * | 2018-03-22 | 2018-09-04 | 深圳库博能源科技有限公司 | 一种基于云端反馈的荷电状态SoC计算方法 |
CN108872873A (zh) * | 2018-06-29 | 2018-11-23 | 长沙理工大学 | 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 |
CN109061508A (zh) * | 2018-09-11 | 2018-12-21 | 上海电力学院 | 一种电动汽车锂电池soh的估计方法 |
CN109061520A (zh) * | 2018-10-25 | 2018-12-21 | 杭州神驹科技有限公司 | 一种动力电池健康与功率状态在线估算方法及系统 |
Non-Patent Citations (1)
Title |
---|
张民: "基于EKF的电动汽车锂离子电池SOC、SOH估算", 《中国优秀硕士学位论文全文数据库 工程科技辑Ⅱ辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110749827A (zh) * | 2019-12-02 | 2020-02-04 | 山东大学 | 基于云平台的智能化电池soc管理系统及方法 |
CN111190111B (zh) * | 2020-01-14 | 2023-03-14 | 北京智芯微电子科技有限公司 | 电化学储能电池荷电状态估算方法、装置及系统 |
CN111190111A (zh) * | 2020-01-14 | 2020-05-22 | 北京智芯微电子科技有限公司 | 电化学储能电池荷电状态估算方法、装置及系统 |
CN112305440A (zh) * | 2020-09-27 | 2021-02-02 | 精进电动科技股份有限公司 | 一种电池剩余电量和健康状态联合估计方法 |
CN112305440B (zh) * | 2020-09-27 | 2024-05-14 | 精进电动科技股份有限公司 | 一种电池剩余电量和健康状态联合估计方法 |
CN112858916A (zh) * | 2021-01-14 | 2021-05-28 | 重庆大学 | 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 |
CN112858916B (zh) * | 2021-01-14 | 2023-10-13 | 重庆大学 | 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 |
CN113176503B (zh) * | 2021-04-23 | 2022-07-12 | 哈尔滨工业大学(威海) | 基于电化学过程的全soc范围锂离子电池等效模型 |
CN113176503A (zh) * | 2021-04-23 | 2021-07-27 | 哈尔滨工业大学(威海) | 基于电化学过程的全soc范围锂离子电池等效模型 |
CN116609686A (zh) * | 2023-04-18 | 2023-08-18 | 江苏果下科技有限公司 | 一种基于云平台大数据的电芯一致性评估方法 |
CN116609686B (zh) * | 2023-04-18 | 2024-01-05 | 江苏果下科技有限公司 | 一种基于云平台大数据的电芯一致性评估方法 |
CN117175639A (zh) * | 2023-09-08 | 2023-12-05 | 国网浙江省电力有限公司绍兴供电公司 | 与储能单元协调配套的配电自动化方法及系统 |
CN117175639B (zh) * | 2023-09-08 | 2024-05-31 | 国网浙江省电力有限公司绍兴供电公司 | 与储能单元协调配套的配电自动化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110456279A (zh) | 一种基于数据驱动模型的动力电池云管理系统 | |
CN111337832B (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN108919137B (zh) | 一种考虑不同电池状态的电池老化状态估计方法 | |
CN110596606B (zh) | 一种锂电池剩余电量估计方法、系统及装置 | |
WO2018161486A1 (zh) | 一种基于动态参数的动力电池soc估算方法及系统 | |
CN109581225A (zh) | 电池在线参数辨识的能量状态估算方法及电池管理系统 | |
CN100492751C (zh) | 基于标准电池模型的镍氢动力电池荷电状态的估计方法 | |
CN108445402A (zh) | 一种锂离子动力电池荷电状态估计方法及系统 | |
CN108732508B (zh) | 一种锂离子电池容量的实时估计方法 | |
CN112858929B (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 | |
CN113504481B (zh) | 一种电动汽车动力电池多状态联合估计系统及方法 | |
CN205898985U (zh) | 一种纯电动汽车用动力锂电池soc估计系统 | |
CN112816879A (zh) | 一种用于变工况车用动力电池SoE在线估计方法 | |
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 | |
CN108828448B (zh) | 基于充电电压曲线融合卡尔曼滤波的电池荷电状态在线估算方法 | |
CN105128853A (zh) | 一种用于计算增程式混合动力汽车续驶里程的系统 | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
CN113466725B (zh) | 确定电池荷电状态的方法及装置,存储介质及电子设备 | |
CN115389936A (zh) | 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法 | |
CN115453400B (zh) | 车载动力电池健康度评估方法、系统及介质 | |
CN109901072B (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 | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
CN115480166A (zh) | 基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法 | |
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 |
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: 20191115 |