CN110632521B - 一种锂离子电池容量的融合估计方法 - Google Patents
一种锂离子电池容量的融合估计方法 Download PDFInfo
- Publication number
- CN110632521B CN110632521B CN201911012651.1A CN201911012651A CN110632521B CN 110632521 B CN110632521 B CN 110632521B CN 201911012651 A CN201911012651 A CN 201911012651A CN 110632521 B CN110632521 B CN 110632521B
- Authority
- CN
- China
- Prior art keywords
- capacity
- estimation
- current
- battery
- value
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种锂离子电池容量的融合估计方法，其以滤波的思路，将来自不同信号或者不同容量估计方法的估计结果看作真实容量的测量值，以滤波器增益确定权重，从而达到抑制单一方法误差的效果。该方法为现有的容量估计方法提供了一个融合估计框架，且计算量小，便于嵌入电池管理系统中提升容量估计的鲁棒性，从而具有了现有技术中所不具备的诸多有益效果。
Description
技术领域
本发明涉及电池系统管理技术领域，尤其涉及一种适用于锂离子电池的容量估计技术。
背景技术
锂离子电池容量衰退问题在应用中十分明显，但若要对于其容量进行直接测量又耗能耗时，因而常采用估计的方式确定电池容量。容量估计的主要原理是确定一个与容量相关的、易获取的参数，离线建立起该参数与容量衰退的关系，在线获取该参数即可实现容量估计。例如，可离线建立内阻增长与容量衰退之间的关系，通过电池管理系统测量或计算电池内阻增长情况估计电池当前容量。然而，这类容量估计方法存在开环的问题，无法评价容量估计结果的准确性。若信号采集或者估计方法某一环节出现问题，估计结果变差，无法实现自我校正或进行预警，因此其鲁棒性较差。现有的一种可行的解决方法是将来自不同信号或者不同方法的容量估计结果进行融合，即在多个估计结果之间进行权衡，得到一个融合的估计结果，但对于如何建立适用于融合估计思路的容量估计框架，一方面能够克服单一估计方式所存在的误差，同时保证较小的计算量与估计结果的鲁棒性，在本领域中尚缺乏较好的实现方式。
发明内容
针对上述现有技术中所存在的技术问题，本发明提供了一种锂离子电池容量的融合估计方法，具体包括以下步骤：
步骤一、利用离线老化实验采集电池的电压，电流，温度数据，提取与电池容量之间存在单调关系的参数作为健康因子；
步骤二、建立多个所述健康因子与容量间的映射关系，并存储于电池管理系统中；
步骤三、由电池管理系统在线采集电流、电压，温度数据，从中确定健康因子的值并输入所述映射关系，以获得多个容量估计值；
步骤四、利用离线老化实验获取容量衰退速率分别与当前容量值、电流倍率、环境温度等因素之间的关系；
步骤五、将步骤四中所获取的所述关系存储于电池管理系统中，用于容量估计结果的递推，得到容量的先验估计；
步骤六、利用存储于电池管理系统中的滤波器建立增益向量更新规则，预设好所述滤波器的设计参数，用于增益向量的更新；
步骤七、在电池管理系统中，计算所述步骤三得到的所述多个容量估计值与所述步骤五得到的容量先验估计之差作为估计误差，与所述步骤六更新得到的增益向量相乘，补偿到容量的先验估计结果中，实现容量估计结果的融合。
进一步地，所述步骤一中提取与电池容量之间存在单调关系的参数作为健康因子例如：从电流-电压关系中计算容量增量峰峰值，在电池电流-温度关系中计算电池生热速率。
进一步地，所述步骤二中建立多个所述健康因子与容量间的映射关系包括：通过曲线拟合建立关系表，或采用如支持向量回归等的机器学习方法，建立多个相应的容量估计器。
进一步地，所述步骤三中将健康因子的值输入映射关系获得多个容量估计值包括：利用差分计算获得容量增量曲线及温升曲线，从中提取容量增量最大值和特定电压范围内的温升值，输入所述容量估计器中得到多个容量估计值。
进一步地，所述步骤四具体包括：通过曲线拟合建立关系表，或采用如支持向量回归等的机器学习方法得到容量衰退速率分别与当前容量值、电流倍率、环境温度等因素之间的关系。
进一步地，所述步骤五具体包括：将步骤四中建立的关系用于不同时刻容量估计结果的递推；在需要估计当前容量时，使用前一次的容量估计结果确定电池容量衰退速率，考虑两次估计的时间间隔等因素，递推计算当前时刻容量的先验估计值。
进一步地，所述步骤六中的滤波器选用卡尔曼滤波器、H无穷滤波器、滑膜观测器等及其变体。
上述本发明所提供的锂离子电池容量的融合估计方法以滤波的思路，将来自不同信号或者不同容量估计方法的估计结果看作真实容量的测量值，以滤波器增益确定权重，从而达到抑制单一方法误差的效果。该方法为现有的容量估计方法提供了一个融合估计框架，且计算量小，便于嵌入电池管理系统中提升容量估计的鲁棒性，从而具有了现有技术中所不具备的诸多有益效果。
附图说明
图1是本发明所提供方法的流程示意图；
图2是步骤一的充电过程中电池容量增量曲线和温升曲线随容量衰退的变化；
图3是由步骤三基于容量增量和基于温升的容量估计结果；
图4是一实例中向单一容量估计器中添加2％随机扰动时融合估计的效果。
具体实施方式
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。
本发明所提供的锂离子电池容量的融合估计方法如图1所示，具体包括以下步骤：
步骤一、利用离线老化实验采集电池的电压，电流，温度数据，提取与电池容量之间存在单调关系的参数作为健康因子；
步骤二、建立多个所述健康因子与容量间的映射关系，并存储于电池管理系统中；
步骤三、由电池管理系统在线采集电流、电压，温度数据，从中确定健康因子的值并输入所述映射关系，以获得多个容量估计值；
步骤四、利用离线老化实验获取容量衰退速率分别与当前容量值、电流倍率、环境温度等因素之间的关系；
步骤五、将步骤四中所获取的所述关系存储于电池管理系统中，用于容量估计结果的递推，得到容量的先验估计；
步骤六、利用存储于电池管理系统中的滤波器建立增益向量更新规则，预设好所述滤波器的设计参数，用于增益向量的更新；
步骤七、在电池管理系统中，计算所述步骤三得到的所述多个容量估计值与所述步骤五得到的容量先验估计之差作为估计误差，与所述步骤六更新得到的增益向量相乘，补偿到容量的先验估计结果中，实现容量估计结果的融合。
对于本发明的一优选实施例，在步骤一中开展动力电池老化实验，采集电压，电流，温度等数据。通过对电池进行满充满放标定电池的容量衰退情况，寻找与容量衰退存在单调关系，且易获取的健康因子。在本专利提出的框架中，健康因子可以有多种，例如从电流-电压关系中计算容量增量峰峰值，在电池电流-温度关系中计算电池生热速率。采用不同类型的健康因子建立多种估计器可降低某种信号采样误差对容量估计结果的影响。以某锂离子电池的试验结果为例，如图2所示，恒流充电条件下获取的容量增量峰和温升均与容量存在明显的规律，因此可以分别采用容量增量峰峰值，和某一电压区间内温升值作为健康因子。
步骤二中通过实验数据建立起健康因子和容量之间的映射关系，即容量估计器。建立容量估计器的方法如曲线拟合，建立关系表，或采用如支持向量回归等机器学习方法。采用不同的算法建立映射关系可以降低算法对总体估计结果的影响。通过考虑不同健康因子，不同容量估计算法，假设总共得到N个独立的容量估计器。以步骤一中锂离子电池的试验结果为例，以支持向量回归分别训练容量增量峰值和[3.6,3.8]V区间内的温升值与电池容量的关系，得到两个容量估计器。
步骤三中在实际应用时，由电池管理系统采集电流、电压，温度等信号，对采集到的信号进行处理获取健康因子的值。例如，在电池管理系统中进行差分计算获得容量增量曲线及温升曲线，从中提取容量增量最大值和[3.6,3.8]V内的温升值，输入到步骤二中相应的容量估计器中即可在电池管理系统中实现容量估计，在电池全寿命区间下两个估计器的估计结果如图3所示。
步骤四中离线开展电池老化实验，确定容量衰退速率和当前容量值，电流、环境温度等因素的关系，可采用的方法如曲线拟合，建立关系表，或采用如支持向量回归等机器学习方法。例如本例中以支持向量回归建立起容量损失速率和当前容量值，环境温度的关系。
步骤五中在需要估计当前容量时，使用前一次的容量估计结果结合步骤四中确定容量衰退速率和当前容量值，电流、环境温度等因素的关系，确定电池容量衰退速率，考虑两次估计的时间间隔等因素，递推计算当前时刻容量的先验估计值。
步骤六中可选用常见的滤波器如卡尔曼滤波器、H无穷滤波器、滑膜观测器等及其变体。以卡尔曼滤波器为例，需要设计参数包括模型和量测噪声的协方差。增益向量的长度与所选择的独立估计器的个数相同，根据对不同方法的信赖程度设置不同的方差。
步骤七在需要进行容量估计时，计算N个独立容量估计器的估计结果与步骤五获得的容量先验估计结果之差，得到误差向量，将该向量与增益向量相乘后与容量先验估计结果相加，即可得到最终的融合估计结果。图4展示了融合基于容量增量峰值和温升值的两种估计器的估计结果，并向两种单独估计器中均添加了2％的随机误差，此时融合容量估计结果仍能较好地跟随真实容量估计值，说明该融合估计方法可以提升单独估计方法的鲁棒性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种锂离子电池容量的融合估计方法，其特征在于：具体包括以下步骤：
步骤一、利用离线老化实验采集电池的电压，电流，温度数据，提取与电池容量之间存在单调关系的参数作为健康因子；
步骤二、建立多个所述健康因子与容量间的映射关系，并存储于电池管理系统中；
步骤三、由电池管理系统在线采集电流、电压，温度数据，从中确定健康因子的值并输入所述映射关系，以获得多个容量估计值；
步骤四、利用离线老化实验获取容量衰退速率分别与当前容量值、电流倍率、环境温度之间的关系；
步骤五、将步骤四中所获取的所述关系存储于电池管理系统中，用于容量估计结果的递推，得到容量的先验估计；
步骤六、利用存储于电池管理系统中的滤波器建立增益向量更新规则，预设好所述滤波器的设计参数，用于增益向量的更新；
步骤七、在电池管理系统中，计算所述步骤三得到的所述多个容量估计值与所述步骤五得到的容量先验估计之差作为估计误差，与所述步骤六更新得到的增益向量相乘，补偿到容量的先验估计结果中，实现容量估计结果的融合。
2.如权利要求1所述的方法，其特征在于：所述步骤一中提取与电池容量之间存在单调关系的参数作为健康因子包括：从电流-电压关系中计算容量增量峰峰值，在电池电流-温度关系中计算电池生热速率。
3.如权利要求1所述的方法，其特征在于：所述步骤二中建立多个所述健康因子与容量间的映射关系包括：通过曲线拟合建立关系表，或采用支持向量回归的机器学习方法，建立多个相应的容量估计器。
4.如权利要求1所述的方法，其特征在于：所述步骤三中将健康因子的值输入映射关系获得多个容量估计值包括：利用差分计算获得容量增量曲线及温升曲线，从中提取容量增量最大值和特定电压范围内的温升值，输入容量估计器中得到多个容量估计值。
5.如权利要求1所述的方法，其特征在于：所述步骤四具体包括：通过曲线拟合建立关系表，或采用支持向量回归的机器学习方法得到容量衰退速率分别与当前容量值、电流倍率、环境温度之间的关系。
6.如权利要求1所述的方法，其特征在于：所述步骤五具体包括：将步骤四中建立的关系用于不同时刻容量估计结果的递推；在需要估计当前容量时，使用前一次的容量估计结果确定电池容量衰退速率，考虑两次估计的时间间隔等因素，递推计算当前时刻容量的先验估计值。
7.如权利要求1所述的方法，其特征在于：所述步骤六中的滤波器可选用卡尔曼滤波器、H无穷滤波器、滑膜观测器及其变体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911012651.1A CN110632521B (zh) | 2019-10-23 | 2019-10-23 | 一种锂离子电池容量的融合估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911012651.1A CN110632521B (zh) | 2019-10-23 | 2019-10-23 | 一种锂离子电池容量的融合估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110632521A CN110632521A (zh) | 2019-12-31 |
| CN110632521B true CN110632521B (zh) | 2020-08-25 |
Family
ID=68977429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911012651.1A Active CN110632521B (zh) | 2019-10-23 | 2019-10-23 | 一种锂离子电池容量的融合估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110632521B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113391220B (zh) * | 2020-03-12 | 2023-10-13 | 郑州深澜动力科技有限公司 | 一种锂离子电池衰减来源判定方法及装置 |
| CN115461635A (zh) * | 2020-05-11 | 2022-12-09 | 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 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10664562B2 (en) * | 2013-02-24 | 2020-05-26 | Fairchild Semiconductor Corporation and University of Connecticut | Battery state of charge tracking, equivalent circuit selection and benchmarking |
| CN105842627B (zh) * | 2016-02-01 | 2018-06-01 | 北京理工大学 | 基于数据模型融合的动力电池容量和荷电状态的估计方法 |
| CN109828215A (zh) * | 2019-02-26 | 2019-05-31 | 清华大学 | 一种提升电池单体soc估算精度的方法和系统 |
| CN110286324B (zh) * | 2019-07-18 | 2021-07-09 | 北京碧水润城水务咨询有限公司 | 一种电池荷电状态估算方法及电池健康状态估算方法 |
-
2019
- 2019-10-23 CN CN201911012651.1A patent/CN110632521B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110632521A (zh) | 2019-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN107037374B (zh) | 一种锂离子电池的soc和soh联合估计方法 | |
| Huang et al. | Robustness evaluation of extended and unscented Kalman filter for battery state of charge estimation | |
| CN105301509B (zh) | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 | |
| CN105607009B (zh) | 一种基于动态参数模型的动力电池soc估计方法和系统 | |
| CN105548896B (zh) | 基于n-2rc模型的动力电池soc在线闭环估计方法 | |
| CN106842060A (zh) | 一种基于动态参数的动力电池soc估算方法及系统 | |
| CN111007400A (zh) | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 | |
| CN105116343B (zh) | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 | |
| CN110441694B (zh) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 | |
| CN107390127A (zh) | 一种soc估算方法 | |
| CN104267261B (zh) | 基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计方法 | |
| CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
| CN109991548A (zh) | 一种ocv-soc标定实验方法、电池等效模型参数辨识方法及soc估算方法 | |
| 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 | |
| CN105572596B (zh) | 锂电池soc估算方法及系统 | |
| CN108693472A (zh) | 电池等效模型参数在线辨识方法 | |
| CN111337832A (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
| CN110632521B (zh) | 一种锂离子电池容量的融合估计方法 | |
| CN105717460A (zh) | 一种基于非线性观测器的动力电池soc估计方法和系统 | |
| CN106154168B (zh) | 数据驱动的动力电池荷电状态估计方法 | |
| CN110196395B (zh) | 蓄电池soc估算方法 | |
| CN110687462B (zh) | 一种动力电池soc与容量全生命周期联合估计方法 | |
| CN106126783A (zh) | 一种锂离子电池变时间尺度模型参数估计方法 | |
| CN110095723A (zh) | 一种锂离子电池模型参数与soc在线联合估计方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |