CN110609232A - 一种锂离子电池soc估计方法、装置及终端设备 - Google Patents
一种锂离子电池soc估计方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110609232A CN110609232A CN201910251813.0A CN201910251813A CN110609232A CN 110609232 A CN110609232 A CN 110609232A CN 201910251813 A CN201910251813 A CN 201910251813A CN 110609232 A CN110609232 A CN 110609232A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- moment
- acquiring
- open
- 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.)
- Granted
Links
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明适用于锂离子电池技术领域，提供了一种锂离子电池SOC估计方法、装置及终端设备，方法包括：获取锂离子电池在不同温度下的电流和开路电压的关系和k时刻锂离子电池的端电压并进行辨识，获取不同温度下对应的锂离子电池的辨识参数，获取k时刻锂离子电池的估计温度及对应的辨识参数，并根据估计温度和k‑1时刻的剩余电量获取对应的开路电压，对k时刻锂离子电池的开路电压、端电压、估计温度和辨识参数进行计算，获取k时刻锂离子电池的剩余电量。本发明能够基于无温度传感器模块对锂离子电池的剩余电量进行估计，节约了锂离子电池/锂离子电池包安装成本，减少了安装复杂程度，提高了对锂离子电池剩余电量估计的效率和准确率，抗干扰能力强。
Description
技术领域
本发明属于锂离子电池技术领域，尤其涉及一种锂离子电池SOC估计方法、装置及终端设备。
背景技术
现有的电池的剩余电量估计方法，一般是在具有电池温度采集模块/装置的前提下进行电池剩余电量的估计。
然而，实际情况中，设置温度采集模块/装置的成本高，对于小型的电池或电池包来说，温度传感装置的安装较为复杂，甚至由于结构原因而无法进行温度采集模块/装置的安装，因此，降低了对电池剩余电量估计的效率。
发明内容
有鉴于此，本发明实施例提供了一种锂离子电池SOC估计方法、装置及终端设备，以解决现有技术中存在的问题。
本发明实施例的第一方面提供了一种锂离子电池SOC估计方法，包括：
获取锂离子电池在不同温度下的电流和开路电压的关系和k时刻锂离子电池的端电压；其中，所述k为充放电时间；
对所述锂离子电池在不同温度下的电流和开路电压的关系和所述k时刻锂离子电池的端电压进行辨识，获取不同温度下对应的锂离子电池的辨识参数；其中，所述辨识参数包括欧姆电阻、极化电阻和极化电容；
获取k时刻锂离子电池的估计温度，根据所述k时刻锂离子电池的估计温度获取对应的辨识参数；
获取k-1时刻锂离子电池的剩余电量，根据所述k时刻锂离子电池的估计温度和k-1时刻锂离子电池的剩余电量获取对应的开路电压；
对k时刻锂离子电池的开路电压、端电压、估计温度和辨识参数进行计算，获取k时刻锂离子电池的剩余电量。
可选的，所述获取锂离子电池在不同温度下的电流和开路电压的关系和k 时刻锂离子电池的端电压，包括：
在不同温度下对所述锂离子电池进行HPPC试验，获取锂离子电池在不同温度下的电流和开路电压的关系；
获取k时刻锂离子电池的端电压。
可选的，所述对所述锂离子电池在不同温度下的电流和开路电压的关系和所述k时刻锂离子电池的端电压进行辨识，获取不同温度下对应的锂离子电池的辨识参数，包括：
建立锂离子电池一阶等效电路模型；
基于所述锂离子电池一阶等效电路模型根据第一预设算法对所述锂离子电池在不同温度下的电流和开路电压的关系及所述k时刻锂离子电池的端电压进行辨识，获取k时刻不同温度下对应的锂离子电池的辨识参数；其中，所述第一预设算法包括遗传算法、基于遗忘因子的最小二乘法中的一种。
可选的，所述获取k时刻锂离子电池的估计温度，根据所述k时刻锂离子电池的估计温度获取对应的辨识参数，包括：
获取k-1时刻锂离子电池的估计温度和k时刻锂离子电池的温度参数；
根据第二预设算法对所述k-1时刻锂离子电池的估计温度和k时刻锂离子电池的温度参数进行计算，获取k时刻所述锂离子电池的估计温度；其中，所述第二预设算法为傅里叶热力学定律；
根据所述k时刻锂离子电池的估计温度，获取对应的k时刻锂离子电池的辨识参数。
可选的，获取k-1时刻锂离子电池的剩余电量，根据所述k时刻锂离子电池的估计温度和k-1时刻锂离子电池的剩余电量获取对应的开路电压，包括：
建立锂离子电池的剩余电量、温度和开路电压的关系表；
获取k-1时刻锂离子电池的剩余电量，根据所述k时刻锂离子电池的估计温度和k-1时刻锂离子电池的剩余电量查表获取对应的开路电压。
可选的，所述对k时刻锂离子电池的开路电压、端电压、估计温度和辨识参数进行计算，获取k时刻锂离子电池的剩余电量，包括：
基于所述锂离子电池一阶等效电路模型根据第三预设算法对所述k时刻锂离子电池的估计温度、开路电压、端电压和辨识参数进行辨识，获取k时刻锂离子电池的剩余电量；其中，所述第三预设算法为基于自适应扩展的卡尔曼滤波算法。
本发明实施例的第二方面提供了一种锂离子电池SOC估计装置，包括：
第一获取模块，用于获取锂离子电池在不同温度下的电流和开路电压的关系和k时刻锂离子电池的端电压；其中，所述k为充放电时间；
辨识模块，用于对所述锂离子电池在不同温度下的电流和开路电压的关系和所述k时刻锂离子电池的端电压进行辨识，获取不同温度下对应的锂离子电池的辨识参数；其中，所述辨识参数包括欧姆电阻、极化电阻和极化电容；
第二获取模块，用于获取k时刻锂离子电池的估计温度，根据所述k时刻锂离子电池的估计温度获取对应的辨识参数；
第三获取模块，用于获取k-1时刻锂离子电池的剩余电量，根据所述k时刻锂离子电池的估计温度和k-1时刻锂离子电池的剩余电量获取对应的开路电压；
计算模块，用于对k时刻锂离子电池的开路电压、端电压、估计温度和辨识参数进行计算，获取k时刻锂离子电池的剩余电量。
本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
本发明实施例通过获取不同温度下对应的锂离子电池的辨识参数；获取锂离子电池的估计温度并获取对应的锂离子电池的辨识参数；获取k时刻锂离子电池的剩余电量，能够基于无温度传感器模块对锂离子电池的剩余电量进行估计，节约了锂离子电池/锂离子电池包安装成本，减少了安装复杂程度，提高了对锂离子电池剩余电量估计的效率和准确率，抗干扰能力强。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的锂离子电池SOC估计方法的流程示意图；
图2是本发明实施例二提供的锂离子电池SOC估计方法的流程示意图；
图3是本发明实施例二提供的电池一阶等效电路模型图；
图4是本发明实施例二提供的遗传算法的执行流程如图；
图5是本发明实施例三提供的锂离子电池SOC估计方法的流程示意图；
图6是本发明实施例四提供的锂离子电池SOC估计方法的流程示意图；
图7是本发明实施例四提供的锂离子电池在不同温度下的剩余电量SOC曲线图；
图8是本发明实施例五提供的锂离子电池SOC估计装置的结构示意图；
图9是本发明实施例六提供的终端设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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地描述，显然，所描述的实施例是本发明一部分的实施例，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，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
如图1所示，本实施例提供一种锂离子电池SOC估计方法，该方法可以应用于如锂离子电池智能管理装置、电动摩托车锂离子电池管理装置等终端设备。本实施例所提供的锂离子电池SOC估计方法，包括：
S101、获取锂离子电池在不同温度下的电流和开路电压的关系和k时刻锂离子电池的端电压；其中，所述k为充放电时间。
在具体应用中，对锂离子电池进行不同温度下的HPPC试验，获取试验结果：锂离子电池在不同温度下的电流和开路电压的关系。端电压可直接读取获得。其中，k为锂离子电池充放电时间，k时刻即为当前时刻。HPPC(Hybrid PulsePower Characteristic，混合动力脉冲能力特性)是用来体现动力电池脉冲充放电性能的一种特征。HPPC测试一般采用专用电池检测设备完成，其可以完成对电池直流内阻的测试。
S102、对所述锂离子电池在不同温度下的电流和开路电压的关系和所述k 时刻锂离子电池的端电压进行辨识，获取不同温度下对应的锂离子电池的辨识参数；其中，所述辨识参数包括欧姆电阻、极化电阻和极化电容。
在具体应用中，建立锂离子电池的一阶等效电路模型，通过第一预设算法对锂离子电池在不同温度下的电流和开路电压的关系及k时刻锂离子电池的端电压进行辨识，获取不同温度下对应的锂离子电池的辨识参数；其中，辨识参数包括但不限于欧姆电阻、极化电阻和极化电容。第一预设算法包括但不限于遗传算法或基于遗忘因子的最小二乘法。
S103、获取k时刻锂离子电池的估计温度，根据所述k时刻锂离子电池的估计温度获取对应的辨识参数。
在具体应用中，基于锂离子电池的一阶等效电路模型通过第二预设算法对 k-1时刻锂离子电池的估计温度和k时刻锂离子电池的温度参数进行计算，获取k时刻锂离子电池的估计温度，以获取该估计温度下对应的锂离子电池的辨识参数。第二预设算法包括但不限于傅里叶热力学定律。
S104、获取k-1时刻锂离子电池的剩余电量，根据所述k时刻锂离子电池的估计温度和k-1时刻锂离子电池的剩余电量获取对应的开路电压。
在具体应用中，获取k-1时刻锂离子电池的剩余电量，根据k时刻锂离子电池的估计温度和k-1时刻锂离子电池的剩余电量查表(即锂离子电池的剩余电量、温度和开路电压的关系表)，获取对应k时刻离子电池的开路电压。k-1 时刻即为上一时刻，例如，若设定时间间隔为1s，则k-1为k-1s，即当前时刻的上一秒钟。
S105、对k时刻锂离子电池的开路电压、端电压、估计温度和辨识参数进行计算，获取k时刻锂离子电池的剩余电量。
在具体应用中，基于锂离子电池的一阶等效电路模型通过第三预设算法对 k时刻锂离子电池的开路电压、端电压、估计温度和辨识参数进行计算，获取k 时刻锂离子电池的剩余电量。其中，第三预设算法包括但不限于基于自适应扩展卡尔曼滤波算法。
在一个实施例中，步骤S101，包括：
在不同温度下对所述锂离子电池进行HPPC试验，获取锂离子电池在不同温度下的电流和开路电压的关系；
获取k时刻锂离子电池的端电压。
本实施例通过获取不同温度下对应的锂离子电池的辨识参数；获取锂离子电池的估计温度并获取对应的锂离子电池的辨识参数；获取k时刻锂离子电池的剩余电量，能够基于无温度传感器模块对锂离子电池的剩余电量进行估计，节约了锂离子电池/锂离子电池包安装成本，减少了安装复杂程度，提高了对锂离子电池剩余电量估计的效率和准确率，抗干扰能力强。
实施例二
如图2所示，本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中，步骤S102，包括：
S1021、建立锂离子电池一阶等效电路模型。
在具体应用中，如图3所示，E为端电压，VOCV为开路电压，R0为欧姆内阻， R1C1用于描述电池充放电时的极化特性，极化电阻R1两端的电压为V1，I为充放电电流。R0、R1、C1为待辨识参数。根据电路原理，令τ＝R1C1。则锂离子电池的电气特性可以描述为：
对上式进行离散化后，可得：
S1022、基于所述锂离子电池一阶等效电路模型根据第一预设算法对所述锂离子电池在不同温度下的电流和开路电压的关系及所述k时刻锂离子电池的端电压进行辨识，获取k时刻不同温度下对应的锂离子电池的辨识参数；其中，所述第一预设算法包括遗传算法、基于遗忘因子的最小二乘法中的一种。
在具体应用中，基于锂离子电池一阶等效电路模型采用第一预设算法对不同温度下的HPPC实验结果(即获取的锂离子电池在不同温度下的电流和开路电压的关系)、k时刻(即当前时刻)锂离子电池的端电压进行辨识，获取k 时刻锂离子电池在不同温度下对应的锂离子电池的辨识参数。第一预设算法包括但不限于遗传算法或基于遗忘因子的最小二乘法。
其中，遗传算法执行流程如图4，其适应度函数设置为模型输出电压与实际电压均方根误差，如下式：
其中，Vexp为实验得到的端电压，Vsim为模型输出端电压。
辨识完成后，可获得锂离子电池在不同温度下对应的电池欧姆内阻、极化内阻和极化电容。
遗传算法(Genetic Algorithm，GA)是20世纪70年代由美国密西根大学 Holland教授和他学生共同提出的一种辨识方法。此方法源于自然进化理论和遗传机理，模拟了自然界中适者生存的现象，后来被引入到工程问题中，进而快速发展为一种全局搜索算法。20世纪80年代以来遗传算法被广泛应用到了自动控制学、机器人学、工程设计、计算机科学、神经网络和模式识别等领域。遗传算法现已广泛应用于系统辨识中，尤其在在非线性系统的辨识中。本节将利用遗传算法对建立的锂离子电池模型中各部件参数进行辨识，并对辨识结果进行验证。
遗传算法由染色体编码方法、个体适应度评价、遗传算子、运行参数设定这四个要素构成。遗传算法染色体编码方法有二进制编码、格雷码编码、浮点数编码、排列编码和其它编码方法；适应度函数的选取直接影响遗传算法的收敛速度以及能否找到最优解。一般而言，适应度函数是由目标函数变换而成的。适应度函数设计不当有可能出现欺骗问题；遗传算法的遗传算子有选择、交叉、变异三种遗传算子，选择是以一定的概率从种群中选择若干个个体。一般，选择过程是一种基于适应度的优胜劣汰的过程。交叉是两个染色体的某一相同位置处DNA被切断，前后两串分别交叉组合形成两个新的染色体。也称基因重组或杂交。变异是指复制时可能(很小的概率)产生某些复制差错，变异产生新的染色体，表现出新的性状。遗传算法的运行参数有群体大小，即群体中含有的个体数目，通常取20～100；遗传算法终止代数，通常取100～500；遗传算法的交叉概率，通常取0.4～0.99；遗传算法的变异概率，通常取0.0001～0.1。而对于一个实际优化问题，一般可按以下步骤执行遗传算法：
1.编码，遗传算法在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合便构成了不同的点；
2.生成初始种群，随机产生N个初始串结构数据，每个串结构数据称为一个个体，一个个体构成了一个群体。遗传算法以这N个串结构数据作为初始点开始迭代；
3.适应性评价，适应性函数表明个体或解的优劣性。不同的问题，适应性函数的定义方式也不同；
4.选择，选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。遗传算法通过选择过程体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大；
5.交叉，通过交叉操作可以得到新一代个体，新个体组合了其父辈个体的特性。交叉体现了信息交换的思想；
6.变异，变异首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值；
7.终止条件判断，当迭代次数小于设置终止代数时返回步骤2；若代与终止代数时，运算结束。
本实施例通过第一预设算法实现了获取锂离子电池在不同温度下的辨识参数，为获取锂离子电池估计温度所对应的辨识参数提供了可靠数据，奠定了对锂离子电池剩余电量估计的准确率。
实施例三
如图5所示，本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中，步骤S103，包括：
S1031、获取k-1时刻锂离子电池的估计温度和k时刻锂离子电池的温度参数。
在具体应用中，读取k-1时刻(即上一时刻)锂离子电池的的估计温度和 k时刻锂离子电池的温度参数。
S1032、根据第二预设算法对所述k-1时刻锂离子电池的估计温度和k时刻锂离子电池的温度参数进行计算，获取k时刻所述锂离子电池的估计温度；其中，所述第二预设算法为傅里叶热力学定律。
在具体应用中，第二预设算法包括但不限于傅里叶热力学定律。
在一个实施例中，建立锂离子电池的温升模型；
根据傅里叶热力学定律，动力电池的温升速率表达式为：
Qt＝Qr+QP+QJ-QS；
式中，Qt,Qr,QP,QJ和QS分别为电池总热功率、熵变引起的可逆热功率、极化产生的极化热功率、欧姆电阻引起的焦耳热功率和传递到外界的热功率。
当电池以高电流率充电时，可逆热电占很小的比例，可用被忽略。所以：
其中，A为电池表面积，T为电池表面温度，Tair为环境温度，即为k时刻锂离子电池的温度参数。
因此：k时刻锂离子电池的估计温度计算公式为：
上式中，h为热对流系数，c为电池比热容，可通过实验进行参数辨识获取，例如，通过遗传算法或基于遗忘因子的最小二乘法。
S1033、根据所述k时刻锂离子电池的估计温度，获取对应的k时刻锂离子电池的辨识参数。
在具体具体中，可通过对k时刻锂离子电池的估计温度进行查找，获取k 时刻锂离子电池估计温度下的欧姆内阻、极化内阻和极化电容。
本实施例通过第二预设算法获取锂离子电池的估计温度，实现了基于无温度采集模块获取锂离子电池温度。
实施例四
如图6所示，本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中，步骤S105，包括：
S1051、基于所述锂离子电池一阶等效电路模型根据第三预设算法对所述k 时刻锂离子电池的估计温度、开路电压、端电压和辨识参数进行辨识，获取k 时刻锂离子电池的剩余电量；其中，所述第三预设算法为基于自适应扩展的卡尔曼滤波算法。
在具体应用中，基于锂离子电池一阶等效电路模型根据第三预设算法对k 时刻锂离子电池的估计温度、开路电压、端电压和辨识参数进行辨识，获取k 时刻锂离子电池的剩余电量；其中，第三预设算法包括但不限于基于自适应扩展的卡尔曼滤波算法。
基于自适应扩展的卡尔曼滤波算法的锂离子电池剩余电量SOC估计方法：
由电池线性离散化方程可得：
式中，x＝[V1 s]T，u＝I,y＝E，
V1为极化电压，s为SOC，E为端电压，τ为时间常数τ＝R1·C1,Cn为电池容量， VOCV为开路电压，η＝1/3600或1。
1)初始化，设置状态观测器的初始值，x0，P0，Q0，R0；
2)系统状态预估：
3)误差协方差预估：
4)新息矩阵更新：
5)卡尔曼增益矩阵更新：
6)自适应噪声协方差匹配：
7)系统状态修正：
8)误差协方差修正：
上式中，为系统状态预估矩阵，为误差协方差预估矩阵，P为误差协方差矩阵，ek为新息矩阵，K为卡尔曼增益，R为为观测噪声矩阵，Q为过程噪声矩阵，H为自适应噪声协方差。
在一个实施例中，步骤S104，包括：
建立锂离子电池的剩余电量、温度和开路电压的关系表；
获取k-1时刻锂离子电池的剩余电量，根据所述k时刻锂离子电池的估计温度和k-1时刻锂离子电池的剩余电量查表获取对应的开路电压。
在具体应用中，首先，建立锂离子电池的剩余电量-温度-开路电压的关系表。
因此，在计算电池开路电压时，可获取k-1时刻锂离子电池的剩余电量和 k时刻锂离子电池的估计温度，并查表获取对应的开路电压(表为上述剩余电量-温度-开路电压的关系表)。
在一个实施例中，可在实验室条件下，进行多次测试以获取电池在不同温度下的开路电压曲线。具体测试方法如下：
1.将电池静置在一个恒定的温度测试仪中，设置温度恒定。将电池以厂家规定的充电方法充满电，充电结束后静置足够长时间，以使电池电压达到温度，并且电池温度与设定温度保持一致；
2.将电池以1C恒流放电10％的剩余电量SOC，然后静置2h；
3.重复步骤2，直到电池的剩余电量SOC为0后，静置2h。记录每次静置结束后电池的电压(即为该SOC情况下的开路电压)；
改变温度测试仪的温度，重复上述步骤1-3，在温度为-20～60℃的区间内，以每间隔10℃测试一次，获取电池的剩余电量。
获得锂离子电池在不同温度下的剩余电量SOC曲线如图7所示，并根据上述图7建立锂离子电池的剩余电量-温度-开路电压的关系表。
其中，实验过程中，电池的剩余电量可通过安时积分法计算公式：
式中，sk为k时刻锂离子电池的剩余电量值，sk-1为k-1时刻锂离子电池的 剩余电量值，η为电池充放电效率，一般情况下该值为1；Δt为采样间隔，可 根据实际情况进行具体设定，例如设为1s；Cn为锂离子电池的标称容量。
具体的，k-1时刻锂离子电池的剩余电量为上一时刻通过基于自适应扩展的卡尔曼滤波算法计算获得。
本实施例通过第三预设算法对锂离子电池的开路电压、端电压、估计温度、辨识参数进行计算，准确获取锂离子电池的剩余电量，节约了锂离子电池/锂离子电池包安装成本，减少了安装复杂程度，提高了对锂离子电池剩余电量估计的效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例五
如图8所示，本实施例提供一种锂离子电池SOC估计装置100，用于执行实施例一中的方法步骤。本实施例提供的锂离子电池SOC估计装置100，包括：
第一获取模块101，用于获取锂离子电池在不同温度下的电流和开路电压的关系和k时刻锂离子电池的端电压；其中，所述k为充放电时间；
辨识模块102，用于对所述锂离子电池在不同温度下的电流和开路电压的关系和所述k时刻锂离子电池的端电压进行辨识，获取不同温度下对应的锂离子电池的辨识参数；其中，所述辨识参数包括欧姆电阻、极化电阻和极化电容；
第二获取模块103，用于获取k时刻锂离子电池的估计温度，根据所述k 时刻锂离子电池的估计温度获取对应的辨识参数；
第三获取模块104，用于获取k-1时刻锂离子电池的剩余电量，根据所述k 时刻锂离子电池的估计温度和k-1时刻锂离子电池的剩余电量获取对应的开路电压；
计算模块105，用于对k时刻锂离子电池的开路电压、端电压、估计温度和辨识参数进行计算，获取k时刻锂离子电池的剩余电量。
在一个实施例中，所述第一获取模块101，包括：
第一获取单元，用于在不同温度下对所述锂离子电池进行HPPC试验，获取锂离子电池在不同温度下的电流和开路电压的关系；
第二获取单元，用于获取k时刻锂离子电池的端电压。
在一个实施例中，所述辨识模块102，包括：
第一建立单元，用于建立锂离子电池一阶等效电路模型；
第一辨识单元，用于基于所述锂离子电池一阶等效电路模型根据第一预设算法对所述锂离子电池在不同温度下的电流和开路电压的关系及所述k时刻锂离子电池的端电压进行辨识，获取k时刻不同温度下对应的锂离子电池的辨识参数；其中，所述第一预设算法包括遗传算法、基于遗忘因子的最小二乘法中的一种。
在一个实施例中，所述第二获取模块103，包括：
第三获取单元，用于获取k-1时刻锂离子电池的估计温度和k时刻锂离子电池的温度参数；
计算单元，用于根据第二预设算法对所述k-1时刻锂离子电池的估计温度和k时刻锂离子电池的温度参数进行计算，获取k时刻所述锂离子电池的估计温度；其中，所述第二预设算法为傅里叶热力学定律；
第一查找单元，用于根据所述k时刻锂离子电池的估计温度，获取对应的 k时刻锂离子电池的辨识参数。
在一个实施例中，所述第三获取模块104，包括：
第二建立单元，用于建立锂离子电池的剩余电量、温度和开路电压的关系表；
第二查找单元，用于获取k-1时刻锂离子电池的剩余电量，根据所述k时刻锂离子电池的估计温度和k-1时刻锂离子电池的剩余电量查表获取对应的开路电压。
在一个实施例中，所述计算模块105，包括：
第二辨识单元，用于基于所述锂离子电池一阶等效电路模型根据第三预设算法对所述k时刻锂离子电池的估计温度、开路电压、端电压和辨识参数进行辨识，获取k时刻锂离子电池的剩余电量；其中，所述第三预设算法为基于自适应扩展的卡尔曼滤波算法。
本实施例通过获取不同温度下对应的锂离子电池的辨识参数；获取锂离子电池的估计温度并获取对应的锂离子电池的辨识参数；获取k时刻锂离子电池的剩余电量，即能够基于无温度传感器模块对锂离子电池的剩余电量进行估计，节约了锂离子电池/锂离子电池包安装成本，减少了安装复杂程度，提高了对锂离子电池剩余电量估计的效率和准确率，抗干扰能力强。
实施例六
图9是本实施例提供的终端设备的示意图。如图9所示，该实施例的终端设备9包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92，例如锂离子电池SOC估计程序。所述处理器 90执行所述计算机程序92时实现上述各个锂离子电池SOC估计方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能，例如图8所示模块101至105的功能。
示例性的，所述计算机程序92可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器91中，并由所述处理器90执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序92在所述终端设备9中的执行过程。例如，所述计算机程序92可以被分割成第一获取模块、辨识模块、第二获取模块、第三获取模块和计算模块，各模块具体功能如实施例五所述，在此不再赘述。
所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是终端设备9的示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processkng Unkt，CPU)，还可以是其他通用处理器、数字信号处理器(Dkgktal Skgnal Processor，DSP)、专用集成电路(Applkcatkon Speckfkc kntegrated Ckrcukt，ASkC)、现成可编程门阵列(Fkeld-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述终端设备9的内部存储单元，例如终端设备9 的硬盘或内存。所述存储器91也可以是所述终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Medka Card，SMC)，安全数字卡(Secure Dkgktal，SD)，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述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技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种锂离子电池SOC估计方法，其特征在于，包括：
获取锂离子电池在不同温度下的电流和开路电压的关系和k时刻锂离子电池的端电压；其中，所述k为充放电时间；
对所述锂离子电池在不同温度下的电流和开路电压的关系和所述k时刻锂离子电池的端电压进行辨识，获取不同温度下对应的锂离子电池的辨识参数；其中，所述辨识参数包括欧姆电阻、极化电阻和极化电容；
获取k时刻锂离子电池的估计温度，根据所述k时刻锂离子电池的估计温度获取对应的辨识参数；
获取k-1时刻锂离子电池的剩余电量，根据所述k时刻锂离子电池的估计温度和k-1时刻锂离子电池的剩余电量获取对应的开路电压；
对k时刻锂离子电池的开路电压、端电压、估计温度和辨识参数进行计算，获取k时刻锂离子电池的剩余电量。
2.如权利要求1所述的锂离子电池SOC估计方法，其特征在于，所述获取锂离子电池在不同温度下的电流和开路电压的关系和k时刻锂离子电池的端电压，包括：
在不同温度下对所述锂离子电池进行HPPC试验，获取锂离子电池在不同温度下的电流和开路电压的关系；
获取k时刻锂离子电池的端电压。
3.如权利要求1所述的锂离子电池SOC估计方法，其特征在于，所述对所述锂离子电池在不同温度下的电流和开路电压的关系和所述k时刻锂离子电池的端电压进行辨识，获取不同温度下对应的锂离子电池的辨识参数，包括：
建立锂离子电池一阶等效电路模型；
基于所述锂离子电池一阶等效电路模型根据第一预设算法对所述锂离子电池在不同温度下的电流和开路电压的关系及所述k时刻锂离子电池的端电压进行辨识，获取k时刻不同温度下对应的锂离子电池的辨识参数；其中，所述第一预设算法包括遗传算法、基于遗忘因子的最小二乘法中的一种。
4.如权利要求1所述的锂离子电池SOC估计方法，其特征在于，所述获取k时刻锂离子电池的估计温度，根据所述k时刻锂离子电池的估计温度获取对应的辨识参数，包括：
获取k-1时刻锂离子电池的估计温度和k时刻锂离子电池的温度参数；
根据第二预设算法对所述k-1时刻锂离子电池的估计温度和k时刻锂离子电池的温度参数进行计算，获取k时刻所述锂离子电池的估计温度；其中，所述第二预设算法为傅里叶热力学定律；
根据所述k时刻锂离子电池的估计温度，获取对应的k时刻锂离子电池的辨识参数。
5.如权利要求1所述的锂离子电池SOC估计方法，其特征在于，获取k-1时刻锂离子电池的剩余电量，根据所述k时刻锂离子电池的估计温度和k-1时刻锂离子电池的剩余电量获取对应的开路电压，包括：
建立锂离子电池的剩余电量、温度和开路电压的关系表；
获取k-1时刻锂离子电池的剩余电量，根据所述k时刻锂离子电池的估计温度和k-1时刻锂离子电池的剩余电量查表获取对应的开路电压。
6.如权利要求3所述的锂离子电池SOC估计方法，其特征在于，所述对k时刻锂离子电池的开路电压、端电压、估计温度和辨识参数进行计算，获取k时刻锂离子电池的剩余电量，包括：
基于所述锂离子电池一阶等效电路模型根据第三预设算法对所述k时刻锂离子电池的估计温度、开路电压、端电压和辨识参数进行辨识，获取k时刻锂离子电池的剩余电量；其中，所述第三预设算法为基于自适应扩展的卡尔曼滤波算法。
7.一种锂离子电池SOC估计装置，其特征在于，包括：
第一获取模块，用于获取锂离子电池在不同温度下的电流和开路电压的关系和k时刻锂离子电池的端电压；其中，所述k为充放电时间；
辨识模块，用于对所述锂离子电池在不同温度下的电流和开路电压的关系和所述k时刻锂离子电池的端电压进行辨识，获取不同温度下对应的锂离子电池的辨识参数；其中，所述辨识参数包括欧姆电阻、极化电阻和极化电容；
第二获取模块，用于获取k时刻锂离子电池的估计温度，根据所述k时刻锂离子电池的估计温度获取对应的辨识参数；
第三获取模块，用于获取k-1时刻锂离子电池的剩余电量，根据所述k时刻锂离子电池的估计温度和k-1时刻锂离子电池的剩余电量获取对应的开路电压；
计算模块，用于对k时刻锂离子电池的开路电压、端电压、估计温度和辨识参数进行计算，获取k时刻锂离子电池的剩余电量。
8.如权利要求7所述的锂离子电池SOC估计装置，其特征在于，所述第一获取模块，包括：
第一获取单元，用于在不同温度下对所述锂离子电池进行HPPC试验，获取锂离子电池在不同温度下的电流和开路电压的关系；
第二获取单元，用于获取k时刻锂离子电池的端电压。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910251813.0A CN110609232B (zh) | 2019-03-29 | 2019-03-29 | 一种锂离子电池soc估计方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910251813.0A CN110609232B (zh) | 2019-03-29 | 2019-03-29 | 一种锂离子电池soc估计方法、装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110609232A true CN110609232A (zh) | 2019-12-24 |
| CN110609232B CN110609232B (zh) | 2021-08-13 |
Family
ID=68889618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910251813.0A Active CN110609232B (zh) | 2019-03-29 | 2019-03-29 | 一种锂离子电池soc估计方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110609232B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111123112A (zh) * | 2020-01-10 | 2020-05-08 | 南昌大学 | 一种基于人工蜂群算法的锂离子电池模型参数辨识方法 |
| CN112180259A (zh) * | 2020-08-21 | 2021-01-05 | 湖南大学 | 一种基于遗传算法的锂离子电池参数拟合方法 |
| CN112798962A (zh) * | 2021-03-15 | 2021-05-14 | 东莞新能安科技有限公司 | 电池滞回模型训练方法、估算电池soc的方法和装置 |
| 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 |
| CN113671384A (zh) * | 2021-08-20 | 2021-11-19 | 华北电力大学（保定） | 一种电池温度预测方法及系统 |
| CN114706004A (zh) * | 2022-04-07 | 2022-07-05 | 爱驰汽车有限公司 | 电池包内电芯剩余电量的确定方法、装置、设备及介质 |
| CN114994542A (zh) * | 2022-06-27 | 2022-09-02 | 国网湖北省电力有限公司电力科学研究院 | 电池开路电压估计方法、装置、电子设备及可读存储介质 |
| CN115629317A (zh) * | 2022-12-25 | 2023-01-20 | 深圳先进储能材料国家工程研究中心有限公司 | 一种混储中镍氢电池功率估算方法及系统 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6809501B2 (en) * | 2003-03-11 | 2004-10-26 | General Motors Corporation | Method of improving fuel economy |
| CN101401275A (zh) * | 2006-03-06 | 2009-04-01 | Abb研究有限公司 | 充电控制器 |
| JP2010135075A (ja) * | 2008-12-02 | 2010-06-17 | Calsonic Kansei Corp | 組電池の温度推定方法及び装置 |
| US9461485B2 (en) * | 2011-12-07 | 2016-10-04 | GM Global Technology Operations LLC | Battery magnetic state of charge sensor control algorithm |
| CN103744026A (zh) * | 2013-12-19 | 2014-04-23 | 广西科技大学 | 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法 |
| CN103744028A (zh) * | 2013-12-25 | 2014-04-23 | 广西科技大学 | 一种基于ukf的蓄电池荷电状态soc估算方法 |
| US9535132B2 (en) * | 2014-03-20 | 2017-01-03 | GM Global Technology Operations LLC | Systems and methods for determining battery system performance degradation |
| CN104977537B (zh) * | 2014-04-14 | 2019-03-26 | 微宏动力系统（湖州）有限公司 | 电池soc的确定方法及使用该方法的电池管理系统 |
| CN104614676B (zh) * | 2015-01-07 | 2017-09-29 | 王金全 | 考虑储能电池脉冲电流响应特性的等效电路模型建模方法 |
| CN104865534B (zh) * | 2015-04-29 | 2017-12-26 | 同济大学 | 一种单体电池内部温度估计方法 |
| CN106054085B (zh) * | 2016-07-11 | 2019-11-15 | 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 |
| JP6738045B2 (ja) * | 2016-10-06 | 2020-08-12 | 三菱自動車工業株式会社 | 電動車両の表示装置 |
| CN106646265A (zh) * | 2017-01-22 | 2017-05-10 | 华南理工大学 | 一种锂电池soc估计方法 |
| CN107402353B (zh) * | 2017-06-30 | 2020-08-11 | 中国电力科学研究院 | 一种对锂离子电池的荷电状态进行滤波估计的方法及系统 |
| 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
- 2019-03-29 CN CN201910251813.0A patent/CN110609232B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| QUN-ZHI ZHANG 等: "Estimation for SOC of Li-ion battery based on two-order RC temperature model", 《2018 13TH IEEE CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS (ICIEA)》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111123112A (zh) * | 2020-01-10 | 2020-05-08 | 南昌大学 | 一种基于人工蜂群算法的锂离子电池模型参数辨识方法 |
| CN112180259A (zh) * | 2020-08-21 | 2021-01-05 | 湖南大学 | 一种基于遗传算法的锂离子电池参数拟合方法 |
| CN112798962A (zh) * | 2021-03-15 | 2021-05-14 | 东莞新能安科技有限公司 | 电池滞回模型训练方法、估算电池soc的方法和装置 |
| CN112798962B (zh) * | 2021-03-15 | 2024-04-30 | 东莞新能安科技有限公司 | 电池滞回模型训练方法、估算电池soc的方法和装置 |
| 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 |
| CN113671384A (zh) * | 2021-08-20 | 2021-11-19 | 华北电力大学（保定） | 一种电池温度预测方法及系统 |
| CN113671384B (zh) * | 2021-08-20 | 2023-06-16 | 华北电力大学（保定） | 一种电池温度预测方法及系统 |
| CN114706004A (zh) * | 2022-04-07 | 2022-07-05 | 爱驰汽车有限公司 | 电池包内电芯剩余电量的确定方法、装置、设备及介质 |
| CN114706004B (zh) * | 2022-04-07 | 2024-04-16 | 爱驰汽车有限公司 | 电池包内电芯剩余电量的确定方法、装置、设备及介质 |
| CN114994542A (zh) * | 2022-06-27 | 2022-09-02 | 国网湖北省电力有限公司电力科学研究院 | 电池开路电压估计方法、装置、电子设备及可读存储介质 |
| CN115629317A (zh) * | 2022-12-25 | 2023-01-20 | 深圳先进储能材料国家工程研究中心有限公司 | 一种混储中镍氢电池功率估算方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110609232B (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110609232B (zh) | 一种锂离子电池soc估计方法、装置及终端设备 | |
| CN110068774B (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
| CN106026260B (zh) | 一种带有均衡电路的串连电池组soc估算方法 | |
| CN110688808B (zh) | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 | |
| CN110573892B (zh) | 用于估计电池等效电路模型的参数的方法、装置和记录介质 | |
| CN109991554B (zh) | 一种电池电量检测方法、装置及终端设备 | |
| CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN110175672A (zh) | 基于扩展卡尔曼滤波和遗传bp神经网络组合的电池充电状态评估系统及评估方法 | |
| CN110244236B (zh) | 一种锂离子电池包soc估计方法、装置及终端设备 | |
| CN113109717B (zh) | 一种基于特征曲线优化的锂电池荷电状态估算方法 | |
| CN114970332B (zh) | 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法 | |
| CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
| CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
| CN111812519B (zh) | 一种电池参数辨识方法及系统 | |
| CN111679199A (zh) | 一种锂离子电池soc估计方法及装置 | |
| CN110568373A (zh) | 锂电池健康状态评估方法、系统、终端及存储介质 | |
| CN117074951A (zh) | 锂电池荷电状态的估计方法、装置、设备及可读存储介质 | |
| US20230176131A1 (en) | Method for simulation of battery pack | |
| CN113721149A (zh) | 一种基于半监督迁移学习的锂电池容量预测方法 | |
| CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
| CN111260015A (zh) | 一种基于混沌猫群算法的锂离子电池模型参数辨识方法 | |
| CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 | |
| CN109738807B (zh) | 基于蚁群算法优化后的bp神经网络来估算soc的方法 | |
| CN110018419B (zh) | 锂离子电池的soc与soh联合估计方法、装置及终端设备 | |
| CN111239615A (zh) | 电池模型的参数的确定方法和装置、存储介质、计算机设备 |
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 |