CN110895311B - 确定等效电池模型的参数值的方法、装置及存储介质 - Google Patents
确定等效电池模型的参数值的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110895311B CN110895311B CN201810967749.1A CN201810967749A CN110895311B CN 110895311 B CN110895311 B CN 110895311B CN 201810967749 A CN201810967749 A CN 201810967749A CN 110895311 B CN110895311 B CN 110895311B
- Authority
- CN
- China
- Prior art keywords
- value
- parameter values
- determining
- soc
- experimental
- 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
- 238000000034 method Methods 0.000 title claims abstract description 153
- 230000008569 process Effects 0.000 claims abstract description 71
- 230000004044 response Effects 0.000 claims abstract description 42
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 214
- 239000011159 matrix material Substances 0.000 claims description 106
- 238000005070 sampling Methods 0.000 claims description 95
- 230000010287 polarization Effects 0.000 claims description 43
- 238000000354 decomposition reaction Methods 0.000 claims description 31
- 238000002474 experimental method Methods 0.000 claims description 26
- 101100257262 Caenorhabditis elegans soc-1 gene Proteins 0.000 claims description 22
- 238000010586 diagram Methods 0.000 description 14
- 238000007600 charging Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 238000007599 discharging Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004904 long-term response Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000010278 pulse charging Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种确定等效电池模型的参数值的方法及装置,属于电池技术领域,可以应用在电动汽车上。本申请可以根据利用遗传算法确定的非线性参数总群和整个电池响应过程中各个时刻的数据来确定每组实验参数值对应的等效电池模型的非线性参数的参数值和线性参数的参数值。也即,本申请不需要通过划分电池的响应过程来获取相应过程内的数据来确定等效电池模型的参数值,避免了相关技术中由于无法准确划分响应过程而导致的确定的模型参数不准确,提高了确定的等效电池模型的参数值的准确性。
Description
技术领域
本申请涉及电池技术领域,特别涉及一种确定等效电池模型的参数值的方法、装置及存储介质。
背景技术
车辆的电池的荷电状态(State of Charge,SOC)的估计是电池管理系统中的核心问题。准确的估计电池的荷电状态有利于车辆制定合适的控制策略,从而延长电池的使用寿命。当前,常用的SOC估计方法是基于等效电池模型的SOC估计方法。而在基于等效电池模型进行SOC估计之前,需要先确定等效电池模型的参数值。其中,等效电池模型可以采用基于BV(Butler-Volmer,巴特勒-沃尔默)方程改进的等效电池模型,该等效电池模型是由符合BV方程的第一元件并联一个电容元件后,与第二电阻和理想电压源串联得到。
相关技术中,在确定该等效电池模型的参数值时,可以对电池进行实验,并将实验得到的实验数据按照电池的响应过程划分为瞬时响应过程的实验数据和长时响应过程的实验数据,之后,根据瞬时响应过程内的实验数据来确定该等效电池模型的线性参数的参数值,根据长时响应过程中的实验数据来确定该等效电池模型的非线性参数的参数值。
然而,对于电池的响应过程,很难准确的划分电池的瞬时响应过程和长时响应过程,因此,通过该种方法确定的等效电池模型的线性参数的参数值和非线性参数的参数值并不准确。在此基础上,根据确定的等效电池模型的线性参数和非线性参数来进行SOC估计将导致SOC的估计误差较大。
发明内容
本申请提供了一种确定等效电池模型的参数值的方法、装置及存储介质,可以用于解决相关技术中确定的等效电池模型的参数值不准确的问题。所述技术方案如下:
第一方面,提供了一种确定等效电池模型的参数值的方法,该等效电池模型为符合BV方程的电池模型,该等效电池模型用于估计电池的SOC,并且,该等效电池模型的参数值包括非线性参数的参数值和线性参数的参数值,该方法包括:获取电池的实验数据,该实验数据包括在多组实验参数值中的每组实验参数值下对电池进行测试时电池响应过程中的各个时刻的数据;根据等效电池模型的非线性参数的预设取值范围,利用遗传算法确定非线性参数总群,该非线性参数总群中包括多个种群,根据多个种群和实验数据,确定每组实验参数值对应的该等效电池模型的非线性参数的参数值和线性参数的参数值。
其中,每组实验参数值中可以包括一个SOC值,且每组实验参数值包括的SOC值不同。可选地,每组实验参数值中还可以包括一个温度值,且每组实验参数值包括的温度值可以相同也可以不同。另外,非线性参数总群包括的多个种群中的每个种群均是非线性参数的一种可能的取值。
本申请实施例提供的确定等效电池模型的参数值的方法,通过整个电池响应过程的各个时刻的实验数据以及利用遗传算法确定的非线性参数总群来确定该等效电池模型的非线性参数的参数值和线性参数值,不需要通过划分电池的响应过程来获取相应过程内的实验数据来确定等效电池模型的参数值,避免了相关技术中由于无法准确划分响应过程而导致的确定的模型参数不准确,提高了确定的等效电池模型的参数值的准确性。
可选地,根据多个种群和实验数据,确定每组实验参数值对应的等效电池模型的非线性参数的参数值和线性参数的参数值的实现过程,可以包括:对于多组实验参数值中的A组实验参数值,基于实验数据,确定A组实验参数值下多个种群中的每个种群对应的代价函数;基于A组实验参数值下每个种群对应的代价函数,A组实验参数值是指多组实验参数值中的任一组实验参数值,通过最小二乘法确定A组实验参数值下每个种群对应的线性参数的取值以及每个种群对应的代价函数的函数值;基于多个种群中的每个种群、A组实验参数值下每个种群对应的线性参数的取值以及每个种群对应的代价函数的函数值,确定A组实验参数值对应的等效电池模型的线性参数的参数值和非线性参数的参数值。
其中,对于A组实验参数值,可以根据实验数据中包括的在A组实验参数值下测得的各个时刻的数据和多个种群中的每个种群,确定每个种群对应的代价函数,其中,每个种群对应的代价函数中包括有非线性参数和线性参数,其中,非线性参数的取值即为相应地种群,线性参数的取值是未知的,在得到A组实验参数值下每个种群对应的代价函数之后,可以通过最小二乘法确定A组实验参数值下每个种群对应的代价函数的函数值和线性参数的取值,以便根据A组实验参数值下每个种群对应的代价函数的函数值来确定相应种群和相应种群对应的线性参数的取值是否可以作为A组实验参数值对应的该等效电池模型的参数值。
需要说明的是,A组实验参数值可以是多组实验参数值中的任一组实验参数值,也就是说,对于多组实验参数值中的每组试验参数值,均可以参照对A组实验参数值的处理方式进行处理,从而得到每组实验参数值对应的该等效电池模型的参数值。
进一步地,由于每组实验参数值均包括SOC值,且每组实验参数值包括的SOC值不同,因此,实验数据可以包括在每组实验参数值包括的SOC值下对电池进行测试时电池响应过程中多个采样时刻的第一端电压,第一电流和第一温度;
在此基础上,基于实验数据,确定A组实验参数值下多个种群中的每个种群对应的代价函数的实现过程,可以包括:对于多个种群中的任一种群A,基于种群A、SOC1对应的多个采样时刻的第一电流和第一温度,确定SOC1下种群A对应的多个采样时刻的极化电压,SOC1是指A组实验参数值包括的SOC值,极化电压是指等效电池模型中与符合BV方程的元件并联的电容元件两端的电压;基于种群A、SOC1对应的多个采样时刻的第一电流、第一温度和SOC1下种群A对应的多个采样时刻的极化电压,确定SOC1下种群A对应的多个采样时刻的第二端电压;基于SOC1下种群A对应的多个采样时刻的第二端电压、所述实验数据包括的SOC1对应的多个采样时刻的第一端电压,确定SOC1下种群A对应的代价函数。
其中,将A组实验参数中包括的SOC值记为SOC1,则实验数据中将包括在SOC1下对电池进行测试时电池响应过程中多个采样时刻的第一端电压、第一电流和第一温度。对于多个种群中的任一种群A,根据种群A、SOC1对应的每个采样时刻的第一电流和第一温度可以确定得到SOC1下种群A对应的每个采样时刻的第二端电压,第二端电压实际上就是根据第一电流和第一温度通过理论计算的电池的端电压的理论值,而第一端电压实际上就是在第一电流和第一温度的状态下电池的端电压的实测值,通过确定的每个采样时刻的端电压的理论值和实验数据包括的每个采样时刻的端电压的实测值即可以确定得到代价函数。
需要说明的是,种群A是指多个种群中的任一种群,也即,多个种群中的每个种群均可以参照上述对于种群A的处理方式,从而得到SOC1下每个种群对应的代价函数。
进一步地,当A组实验参数值的SOC值为SOC1时,在确定A组实验参数值下每个种群对应的代价函数的函数值以及每个种群对应的线性参数的取值之后,基于多个种群中的每个种群、A组实验参数值下每个种群对应的线性参数的取值以及每个种群对应的代价函数的函数值,确定A组实验参数值下等效电池模型的线性参数的参数值和非线性参数的参数值的实现过程,可以包括:确定SOC1对应的函数值集合A,SOC1对应的函数值集合A包括SOC1下每个种群对应的代价函数的函数值;从函数值集合A中查找满足截止条件的函数值;若从函数值集合A中查找到满足截止条件的函数值,则将查找到的满足截止条件的函数值对应的种群确定为SOC1对应的该等效电池模型的非线性参数的参数值,将满足截止条件的函数值对应的线性参数的取值确定为SOC1对应的该等效电池模型的线性参数的参数值。
其中,可以将SOC1下每个种群对应的代价函数的函数值划分到一个集合中,从而得到函数值集合A,从该函数值集合A中查找满足截止条件的函数值,该截止条件可以是小于预设阈值。若查找到满足截止条件的函数值,则说明当代价函数中的非线性参数的取值为该函数值对应的种群,且代价函数中的线性参数的取值为该函数值对应的线性参数的取值时,该等效电池模型是最接近SOC1下的电池的运行状态的,将该函数值对应的种群作为SOC1对应的等效电池模型的非线性参数的参数值,将该函数值对应的线性参数的取值作为SOC1对应的等效电池模型的线性参数的参数值,保证了确定的SOC1对应的该等效电池模型的参数值的准确性。
可选地,若通过查找后未能在函数值集合A中查找到满足截止条件的函数值,则可以利用遗传算法对非线性参数总群中的每个种群进行更新,并基于实验数据,重新确定在SOC1下,更新后的每个种群对应的代价函数的函数值,得到更新后的函数值集合A,并重新从更新后的函数值集合A中查找满足截止条件的函数值。
也即,在本申请实施例中,若未能从函数值集合A中查找到满足截止条件的函数值,则说明当前的多个种群中没有能准确的模拟SOC1下的电池的状态的非线性参数,此时,也即,无法确定SOC1对应的等效电池模型的参数值,在这种情况下,可以利用遗传算法对每个种群进行更新,以便根据更新后的每个种群通过前述介绍的方法再次确定SOC1下更新后的每个种群对应的代价函数的函数值,通过重新确定的SOC1下更新后的每个种群对应的代价函数的函数值更新函数值集合A,并重新从函数值集合A中查找满足截止条件的函数值,若查找到,则可以根据查找到的函数值确定SOC1对应的等效电池模型的参数值,若仍然查找不到,则可以继续重复上述过程。通过这样不断的迭代,最终确定出能够准确的描述SOC1下的电池状态的参数值,保证了确定的参数值的准确性。
还需要说明的是,在本申请实施例中,等效电池模型是指符合BV方程的等效电池模型,而该种等效电池模型具有很强的非线性,相关技术中通常通过最小二乘法来确定该种等效电池模型的模型参数,因此,确定得到的模型参数准确性较低,而本申请实施例将等效电池模型的模型参数划分为线性参数和非线性参数,进而通过遗传算法和最小二乘法来配合确定该等效电池模型的非线性参数和线性参数,相较于相关技术中采用最小二乘法来直接确定该等效电池模型的模型参数,本申请确定的等效电池模型的模型参数将更为准确。
在确定每组实验参数值对应的等效电池模型的参数值之后,可以基于电池当前的工作数据、该等效电池模型和每组实验参数值对应的该等效电池模型的非线性参数的参数值和线性参数的参数值,对电池的SOC进行估计。由于通过本申请实施例提供的确定等效电池模型的参数值的方法可以提高确定的等效电池模型的参数值的准确性,在此基础上,基于确定的等效电池模型的参数值进一步地进行SOC估计时,可以提高SOC估计的准确性。
可选地,基于电池当前的工作数据、该等效电池模型和每组实验参数值对应的该等效电池模型的非线性参数的参数值和线性参数的参数值,对电池的SOC进行估计的实现过程,可以包括:获取当前时刻的上一时刻的状态协方差矩阵和上一时刻的SOC估计值,并基于上一时刻的SOC估计值和上一时刻的状态协方差矩阵,生成上一时刻的多个样本点,上一时刻的多个样本点用于模拟上一时刻的SOC估计值所符合的分布;基于上一时刻的SOC估计值、每组实验参数值对应的该等效电池模型的非线性参数的参数值和该等效电池模型,确定当前时刻用于进行SOC估计的离散状态空间模型;基于上一时刻的多个样本点,通过当前时刻的离散状态空间模型确定当前时刻的多个样本点,并基于当前时刻的多个样本点确定当前时刻的预估值和当前时刻的状态协方差矩阵;基于每组实验参数值对应的该等效电池模型的线性参数的参数值、工作数据、当前时刻的预估值和当前时刻的状态协方差矩阵,确定当前时刻的SOC估计值。
其中,可以根据上一时刻的状态协方差、上一时刻的SOC估计值生成上一时刻的多个样本点,根据上一时刻的SOC估计值从前述确定的等效电池模型的参数值中选择对应的非线性参数的参数值,从而得到当前时刻的离散状态空间模型,根据当前时刻的离散状态空间模型对上一时刻的多个样本点进行传递,得到预测的当前时刻的多个样本点,根据预测的当前时刻的多个样本点确定当前时刻的预估值和当前时刻的状态协方差矩阵,以便对当前时刻的预估值进行修正之后得到当前时刻的SOC估计值。
可选地,基于上一时刻的状态协方差矩阵和上一时刻的SOC估计值,生成上一时刻的多个样本点的实现过程,可以包括:对上一时刻的状态协方差矩阵进行奇异值分解,基于分解得到的矩阵和上一时刻的SOC估计值,通过下述模型生成上一时刻的多个样本点:
其中,是指上一时刻的多个样本点中的第i个样本点,是指上一时刻的SOC估计值,ρ是指设置的缩放比例因数,Uk-1是指对上一时刻的状态协方差矩阵进行奇异值分解得到的正交矩阵,Sk-1是指对上一时刻的状态协方差矩阵进行奇异值分解得到的实对角矩阵,k是指当前时刻,k-1是指当前时刻的上一时刻,2n是指上一时刻的多个样本点的数量。
需要说明的是,在本申请实施例中,根据上一时刻的状态协方差矩阵和上一时刻的SOC估计值可以生成上一时刻的2n个样本点,以便根据上一时刻的2n个样本点预测得到当前时刻的2n个样本点。
需要说明的是,通过对上一时刻的状态协方差矩阵进行奇异值分解来确定上一时刻的多个样本点,进而生成当前时刻的多个样本点,避免了相关技术中采用传统Cholesky对状态协方差矩阵进行分解时对矩阵正定的要求,提高了SOC估计的稳定性。
可选地,基于当前时刻的多个样本点确定当前时刻的预估值和当前时刻的状态协方差矩阵的实现过程,可以包括:基于当前时刻的多个样本点,通过下述模型确定当前时刻的预估值:
可选地,在本申请实施例中,电池当前的工作数据可以包括在当前工作状态下电池的第三端电压和第二电流。在此基础上,基于每组实验参数值对应的等效电池模型的线性参数的参数值、工作数据、当前时刻的预估值和当前时刻的状态协方差矩阵,确定当前时刻的SOC估计值的实现过程,可以包括:基于当前时刻的预估值和当前时刻的状态协方差矩阵,对当前时刻的多个样本点进行更新;基于更新后的多个样本点中的每个样本点和工作数据中的第二电流,确定更新后的多个样本点中每个样本点对应的第四端电压;基于工作数据中的第三端电压、更新后的多个样本点中每个样本点对应的第四端电压以及当前时刻的状态协方差矩阵,确定更新后的多个样本点中每个样本点对应的SOC估计值,并基于更新后的多个样本点中每个样本点对应的SOC估计值确定当前时刻的SOC估计值。
在本申请实施例中,在得到当前时刻的预估值和当前时刻的状态协方差矩阵之后,可以通过重新对当前时刻的状态协方差矩阵进行分解来更新当前时刻的多个样本点,使得更新后的当前时刻的多个样本点更趋近于电池的实际状态,提高了SOC估计的准确性。
第二方面,提供了一种电池荷电状态的估计装置,所述电池荷电状态的估计装置具有实现上述第一方面中电池荷电状态的估计方法行为的功能。所述电池荷电状态的估计装置包括至少一个模块,该至少一个模块用于实现上述第一方面所提供的电池荷电状态的估计方法。
第三方面,提供了一种电池荷电状态的估计装置,所述电池荷电状态的估计装置的结构中包括处理器和存储器,所述存储器用于存储支持电池荷电状态的估计装置执行上述第一方面所提供的电池荷电状态的估计方法的程序,以及存储用于实现上述第一方面所提供的电池荷电状态的估计方法所涉及的数据。所述处理器被配置为用于执行所述存储器中存储的程序。所述存储设备的操作装置还可以包括通信总线,该通信总线用于该处理器与存储器之间建立连接。
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中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面所述的电池荷电状态的估计方法。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面所述的电池荷电状态的估计方法。
上述第二方面、第三方面、第四方面和第五方面所获得的技术效果与第一方面中对应的技术手段获得的技术效果近似,在这里不再赘述。
本申请提供的技术方案带来的有益效果至少包括:
本申请实施例可以根据利用遗传算法确定的非线性参数总群和整个电池响应过程中各个时刻的数据来确定每组实验参数值对应的等效电池模型的非线性参数的参数值和线性参数的参数值。也即,本申请不需要通过划分电池的响应过程来获取相应过程内的数据来确定等效电池模型的参数值,避免了相关技术中由于无法准确划分响应过程而导致的确定的模型参数不准确,提高了确定的等效电池模型的参数值的准确性。
附图说明
图1是本申请实施例提供的确定等效电池模型的参数值的方法所应用的实施环境图;
图2是本申请实施例提供的BMS的结构示意图;
图3是本申请实施例提供的一种确定等效电池模型的参数值的方法的流程图;
图4是本申请实施例提供的一种HPPC实验中作为电池的输入的脉冲电流的示意图;
图5是本申请实施例提供的电池的端电压的示意图;
图6是本申请实施例提供的一阶RC等效电池模型的电路图;
图7是本申请实施例提供的基于BV方程改进的等效电池模型的电路图;
图8是本申请实施例提供的根据多个种群和实验数据,确定每组实验参数值对应的等效电池模型的非线性参数的参数值和线性参数的参数值的流程图;
图9是本申请实施例提供的基于电池当前的工作数据、该等效电池模型和每组实验参数值对应的该等效电池模型的非线性参数的参数值和线性参数的参数值,对电池的SOC进行估计的流程图;
图10是本申请实施例提供的一种确定等效电池模型的参数值的装置的结构示意图;
图11是本申请实施例提供的另一种确定等效电池模型的参数值的装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在对本申请实施例进行详细的解释说明之前,先对本申请实施例所涉及的应用场景予以介绍。
SOC是指电池的剩余电量与该电池满充时的电量的比值,通常用百分数表示。通过对电池的SOC进行准确的估计可以为车辆制定合适的控制策略,进而延长电池的使用寿命。
示例性的,电动汽车的电池在工作时,主要包括两种工作场景,一种是电池充电场景,另一种是电池放电场景。在电池充电场景下,可以基于等效电池模型实时的对电池的SOC进行估计,进而根据估计得到的SOC发送至电动汽车的车辆控制单元(Vehicle controlunit,VCU),VCU可以根据接收到的SOC来控制电池充电时长、充电电流等,以保证电池不过充,进而保证电池充电安全。在电池放电场景下,同样可以基于等效电池模型实时的对电池的SOC进行估计,进而根据估计得到的SOC确定对应的续驶里程数,将该续驶里程数发送至VCU,VCU可以基于该续驶里程数来对电动汽车中的各个用电器件进行控制,以保证在满足电动汽车的动力性能的同时最大化延长电池使用寿命。其中,无论在哪种场景下,在基于等效电池模型开始对电池的SOC进行估计之前,均可以采用本申请实施例提供的确定等效电池模型的参数值的方法来对用于SOC估计的等效电池模型的参数值进行确定。
接下来对本申请实施例的实施环境进行介绍。
图1是本申请实施例提供的电池荷电状态的估计方法所应用的实施环境图,如图1所示,该实施环境中包括动力电池系统101、高压配电盒102、车载充电机(On BoardCharger,OBC)103、非车载充电机(Off Board Charger,OFC)104、电机105、AC(Automotiveair Conditioning,车载空调)106和VCU 107。
动力电池系统101包括电池管理系统(Battery Management System,BMS)1011和电池1012。BMS 1011与动力电池包1012连接。其中,BMS 1011可以用于根据本申请实施例提供的确定等效电池模型的参数值的方法对用于SOC估计的等效电池模型的参数值进行确定,并根据确定的该等效电池模型的参数值和该等效电池模型对电池1012的SOC进行实时估计,进而根据估计得到的SOC对电池1012进行监控和管理。
高压配电盒102的第一端与动力电池系统101通过高压线连接,高压配电盒102的第二端分别通过高压线与OBC 103、OFC 104、电机105和AC 106连接。在放电场景下,动力电池系统101中的电池1012通过连接的高压线向高压配电盒102输送电流,高压配电盒102通过高压线向电机105和AC 106供电。在充电场景下,OBC 103或OFC 104通过高压线向高压配电102输送电流,高压配电盒102通过与动力电池系统连接的高压线向动力电池系统101输送电流,以对动力电池系统101包括的电池1012充电。
另外,VCU 107可以通过控制器局域网络(Controller Area Network,CAN)线分别与动力电池系统101包括的BMS 1011、OBC 103、OFC 104、电机105和AC 106连接。其中,当BMS 1011估计得到电池1012的SOC时,可以将估计得到的电池的SOC发送至VCU 107。若当前处于放电场景,则VCU 107可以根据接收到的电池的SOC来控制电机105和AC 106的用电量,以保证在满足电动汽车的动力性能的同时最大化延长电池使用寿命。若当前处于充电场景,则VCU 107可以根据接收到的电池的SOC来控制OBC 103或OFC 104的充电参数,以保证电池不过充,进而保证电池充电安全。
基于图1所示的实施环境中对于动力电池系统的说明可知,动力电池系统包括的BMS可以根据本申请实施例提供的SOC估计方法对电池的SOC进行估计。基于此,如图2所示,本申请实施例提供了一种BMS的结构示意图。图1所示的实施环境中的BMS的功能可以通过图2所示的BMS来实现。如图2所示,该BMS包括数据采集模块201、状态估计模块202、管理模块203、存储模块204和通信模块205。
其中,数据采集模块201用于实时采集电池的工作数据,并将采集的工作数据传输至状态估计模块202。
状态估计模块202用于在SOC估计开始之前,通过本申请实施例提供的确定等效电池模型的参数值的方法,确定用于SOC估计的等效电池模型的参数值,并根据数据采集模块201采集的工作数据以及确定的等效电池模型的参数值来对电池的SOC进行估计,并通过通信模块205将估计得到的电池的SOC发送出去。
管理模块203用于对电池的温度、电池的充放电进行管理。
存储模块204用于存储接收到的各种数据以及BMS中各个模块工作时产生的各种数据。
接下来对本申请实施例提供的电池的SOC的估计方法进行详细的解释说明。
图3是本申请实施例提供的一种确定等效电池模型的参数值的方法的流程图,该方法可以应用于图1和图2所示的BMS中,参见图3,该方法包括:
步骤301:获取电池的实验数据。
其中,电池的实验数据可以是对该电池进行混合动力脉冲能力特性(HybridPulsePower Characteristic,HPPC)实验得到的电池响应过程中各个时刻的数据。其中,在对电池进行HPPC实验时,可以分别在多组实验参数值中的每组实验参数值下对电池进行测试。其中,每组实验参数值中均可以包括一个SOC值,且各组实验参数值中包括的SOC值不同。另外,每组实验参数值中还可以包括一个温度值,其中,各组实验参数值中包括的温度值可以相同也可以不同。
示例性的,当各组实验参数值中包括的SOC值不同,且包括的温度值相同时,每组实验参数值中的温度值可以是根据电池工作时所处的温度范围确定目标温度值,而各组实验参数值中包括的SOC值可以是从SOC的取值范围内选取SOC值,例如,可以从SOC的取值范围内选取10个SOC值,从而得到10组实验参数值,每组实验参数值中包括一个SOC值。
当在每组实验参数值下对电池进行HPPC实验时,可以将该组实验参数值包括的SOC值作为目标SOC值,使电池的实验温度为目标温度值且SOC值为目标SOC值,以特定脉冲充放电电流作为该电池的输入,得到该电池处于目标温度值且SOC值为目标SOC值时的电池响应过程中的电压数据,对该电压数据进行离散化,得到在该目标温度值和该目标SOC值下,该电池响应过程中每个采样时刻的第一端电压。将该目标温度值作为每个采样时刻的第一温度,并将每个采样时刻对应的该电池的电流输入值作为相应采样时刻的第一电流,将该目标SOC值、每个采样时刻的第一电流、第一端电压和第一温度对应存储,此时,该目标SOC值对应的每个采样时刻的第一电流、第一端电压和第一温度即是通过HPPC实验测得的该组实验参数值对应的电池响应过程中各个时刻的数据。
需要说明的是,SOC的取值范围为0%到100%。在从SOC的取值范围内选取多个SOC值时,可以按照固定步长进行选取,例如,按照5%的步长进行选取,也即,从0%开始,每隔5%选取一个SOC值。
接下来,将通过一个示例来对上述介绍的HPPC实验的实现过程进行说明。
例如,假设从0%开始,每隔5%选取一个SOC值,得到的多个SOC值分别为{0%,5%、10%,15%……100%},假设目标温度值为T1。从第一个SOC值开始,将SOC=0%与目标温度值进行组合,得到第一组实验参数值{0%,T1}。使电池的温度值为T1,使电池的SOC值为0%,以符合图4所示的电流图的脉冲电流作为该电池的输入,得到如图5所示的该电池在温度为T1,SOC值为0%时所对应的电池响应过程中的电压数据,对该电池响应过程中的电压数据进行离散化,得到该电池在温度为T1,SOC值为0%时对应的多个采样时刻的第一端电压,将每个采样时刻对应的电流输入值作为相应采样时刻的第一电流,将T1作为第一温度,将0%、每个采样时刻的第一温度、第一端电压和第一电流对应存储,从而得到第一组实验参数值包括的SOC值对应的该电池的响应过程中的各个时刻的数据。对于其他组实验参数值包括的SOC值,均可以参照上述方法确定得到相应SOC值对应的电池响应过程中的各个时刻的数据。
需要说明的是,上述仅是本申请实施例给出的一种进行HPPC实验的示例,并不构成对本申请实施例的限定。可选地,在进行HPPC实验时,每组实验参数值包括的温度值还可以不同,在这种情况下,可以从预设的电池的工作温度范围中选取多个温度值,并将多个SOC值中的每个SOC值和多个温度值中的每个温度值进行组合,从而得到多组实验参数值,进而测试参考前述介绍的HPPC实验方法在每组实验参数值下对电池进行测试,从而得到每组实验参数值下电池响应过程中的各个时刻的数据。
示例性的,对于多组实验参数值中的任一组实验参数值,可以将该组实验参数值包括的温度值作为目标温度值,将该组实验参数值对应的SOC值作为目标SOC值,使电池的温度为目标温度值且SOC值为目标SOC值,以特定脉冲充放电电流作为该电池的输入,得到该电池处于目标温度值且SOC值为目标SOC值时的电池响应过程中的电压数据,对该电压数据进行离散化,得到在该目标温度值和该目标SOC值下,该电池响应过程中多个采样时刻的第一端电压。将该目标温度值作为每个采样时刻的第一温度,并将每个采样时刻对应的该电池的电流输入值作为相应采样时刻的第一电流,将该目标SOC值、每个采样时刻的第一电流、第一端电压和第一温度对应存储,该目标SOC值对应的每个采样时刻的第一电流、第一端电压和第一温度即是通过HPPC实验测得的该组实验参数值对应的电池响应过程中各个时刻的数据。对于多组实验参数值中的每组实验参数值,均可以参照上述介绍的方法来确定每组实验参数值对应的一组数据,从而得到每组实验参数值对应的电池响应过程中各个时刻的数据。
这样,当多个SOC值的数量为N,多个温度值的数量为M时,通过HPPC实验将得到N*M组数据,也即,在上述情况下,通过HPPC实验获取到的该电池的实验数据中将包括N*M组数据。
接下来将以每组实验参数值中包括的SOC值不同,但包括的温度值相同进行HPPC实验得到的实验数据为例进行解释说明。其中,若每组实验参数值包括的温度值也不同,则在后续步骤中,根据每组实验参数下每个种群对应的代价函数的函数值以及线性参数的取值确定得到的将是该等效电池模型在不同SOC值和不同温度值下对应的线性参数的参数值和非线性参数的参数值。在该种情况下的相关实现方式可以参考下述温度值为1个时的相关实现方式,本申请实施例不再赘述。
步骤302:根据等效电池模型的非线性参数的预设取值范围,利用遗传算法确定非线性参数总群,该非线性参数总群包括多个种群。
当前,用于对电池的SOC进行估计的等效电池模型主要包括两种,一种是一阶电阻电容(Resistance Capacitance,RC)等效电池模型,一阶RC等效电池模型由第一电阻并联一个电容元件后,与第二电阻和理想电压源串联得到。图6示出了一阶RC等效电池模型的电路图。其中,如图6所示,R1为第一电阻,C为与R1并联的电容元件,R2为第二电阻,U1为理想电压源,Ut为电池的端电压。在该种等效电池模型中,通过R1与C并联来模拟电池的动态特性,由于R1为线性电阻,因此其两端的电压和电流是一种线性的关系,而电池在电荷转移的过程中,电压和电流并不是线性关系,因此,通过R1与C并联来模拟电池的动态特性并不能准确的模型电池的动态特性。
基于上述描述,考虑到在电荷转移过程中,电压和电流符合BV方程所表征的关系,因此,可以采用符合BV方程的第一元件来替代第一电阻,从而得到符合BV方程的等效电池模型。图7示出了符合BV方程的等效电池模型的电路图,其中,通过采用符合BV方程的第一元件来替代第一电阻,使得第一元件两端的电压和电流的关系可以满足BV方程,进而可以更加准确的模拟电池的动态特性。在本申请实施例中,BMS即可以通过上述的符合BV方程的等效电池模型来进行SOC估计,以此来提高估计的SOC的准确性。因此,在本申请实施例中,等效电池模型是指符合BV方程的等效电池模型。
在本申请实施例中,可以首先建立符合BV方程的等效电池模型,其中,该等效电池模型的可以用下述公式(1)和(2)进行表征。
Ut(n)=Uoc+I(n)R(n)+Uc(n) (1)
其中,Ut(n)是指在第n个采样时刻该等效电池模型的端电压,Uoc是指该等效电池模型中理想电压源的电压,I(n)是指在第n个采样时刻该等效电池模型中的总电流,R(n)是指该等效电池模型中串联的第二电阻在第n个采样时刻的电阻值,Uc(n)是指在第n个采样时刻该等效电池模型中的电容元件的两端的电压,也即,第n个采样时刻该等效电池模型的极化电压,Uc(n-1)是指在第n个采样时刻的上一采样时刻该等效电池模型的极化电压,T是指第n个采样时刻与上一采样时刻之间的时间间隔,也即采样周期,C为该等效电池模型中的电容元件的电容值,I0=2Ai0,其中,A指电极面积,i0指交换电流密度,aa为预设数值,通常,aa可以为0.5,n为反应得失电子数,F为法拉第常数,Rg为气体常数,Th是指热力学温度。
由于符合BV方程的等效电池模型中符合BV方程的第一元件是非线性的,因此,该等效电池模型的模型参数可以分为两部分,一部分为线性参数,另一部分为非线性参数。其中,如公式(1)和(2)表征的等效电池模型,待确定的非线性参数为I0和C,待确定的线性参数为Uoc和Ri。对于待确定的非线性参数I0和C,BMS可以利用遗传算法从预先设置的I0的取值范围中获取I0的多种取值,从预先设置的C的取值范围中获取C的多种取值,将获取的I0的多种取值和C的多种取值进行随机组合,得到I0和C的多组取值,将得到的I0和C的多组取值中的每组取值一个种群,从而得到多个种群,由该多个种群组成非线性参数总群。由此可见,非线性参数总群中的每个种群实际上就代表了一组I0和C的可能取值。
例如,假设根据I0和C的取值范围内获取到I0和C的多组取值分别为 则由该多组取值组成非线性参数总群M=[m1,m2,m3…mn],其中,也即m1,m2,m3…mn为该非线性参数总群中的多个种群,并且,每个种群即为非线性参数I0和C的一种取值。
步骤303:根据多个种群和实验数据,确定每组实验参数值对应的等效电池模型的非线性参数的参数值和线性参数的参数值。
在确定非线性参数总群之后,根据非线性总群包括的多个种群以及实验数据,可以确定每组实验参数值对应的等效电池模型的非线性参数的参数值和线性参数的参数值。接下来将以多组实验参数值中的任一组实验参数值即A组实验参数值为例,来说明确定A组实验参数值对应的等效电池模型的参数值的实现过程,参见图8,该实现过程可以包括:
3031:基于实验数据,确定A组实验参数值下多个种群中每个种群对应的代价函数。
基于步骤301的介绍可知,BMS获取的该电池的实验数据包括在每组实验参数值包括的SOC值下对电池进行测试得到的电池响应过程中的多个采样时刻的第一端电压、第一电流和第一温度,基于此,BMS可以基于步骤301中获取的该电池的实验数据来确定A组实验参数值包括的SOC值下多个种群中每个种群对应的代价函数。其中,可以将A组实验参数值包括的SOC值记为SOC1。接下来,将以多个种群中的任一种群A为例,来说明基于实验数据,确定SOC1下种群A对应的代价函数的实现过程。
示例性的,BMS可以基于种群A、SOC1对应的多个采样时刻的第一电流和第一温度,确定SOC1下种群A对应的多个采样时刻的极化电压,极化电压是指等效电池模型中与符合BV方程的元件并联的电容元件两端的电压;基于种群A、SOC1对应的多个采样时刻的第一电流、第一温度和SOC1下种群A对应的多个采样时刻的极化电压,确定SOC1下种群A对应的多个采样时刻的第二端电压;基于SOC1下种群A对应的多个采样时刻的第二端电压、实验数据包括的SOC1对应的多个采样时刻的第一端电压,确定SOC1下种群A对应的代价函数。
基于步骤301中的介绍可知,电池的实验数据包括每组实验参数值包括的SOC值对应的该电池在相应SOC值下进行测试时电池响应过程中多个采样时刻的第一端电压和第一电流。基于此,BMS可以根据实验数据中包括的SOC1对应的多个采样时刻中每个采样时刻对应的第一电流、第一温度以及种群A中的I0和C的取值,通过公式(2)确定得到SOC1对应的多个采样时刻中每个采样时刻对应的极化电压。
值得注意的是,由公式(2)中可知,在计算第k个采样时刻的极化电压时,需要获取第k个采样时刻的上一采样时刻的极化电压。基于此,在计算多个采样时刻中的第一个采样时刻的极化电压时,由于第一个采样时刻之前不存在其他采样时刻,因此,可以为极化电压设置一个初始值,将该初始值作为Uc(n-1),进而基于该初始值、第一个采样时刻的第一电流、相应组数据对应的第一温度和种群A中的I0和C的取值,确定得到第一个采样时刻的极化电压。
在确定得到SOC1对应的多个采样时刻中每个采样时刻对应的极化电压之后,BMS可以基于种群A中的I0和C的取值、SOC1对应的多个采样时刻中每个采样时刻的第一电流、第一温度以及确定得到SOC1下种群A对应的每个采样时刻的极化电压,通过公式(1)来确定SOC1下种群A对应的多个采样时刻中每个采样时刻的第二端电压,从而得到SOC1对应的多个第二端电压。
在确定得到SOC1下种群A对应的多个采样时刻中每个采样时刻的第二端电压之后,BMS可以通过下述公式(3)确定SOC1下种群A对应的代价函数:
其中,S是指SOC1下种群A对应的代价函数,是指确定的SOC1下种群A对应的第i个采样时刻的第二端电压,Ut'(t)是指实验数据中包括的SOC1对应的第i个采样时刻的第一端电压,N是指SOC1对应的多个第二端电压的数量,也即,多个采样时刻的数量。
需要说明的是,公式(1)中包含有待确定的线性参数Uoc和Ri,因此,根据上述方法确定得到的SOC1对应的多个第二端电压中的每个第二端电压实际上是包含有待确定的线性参数Uoc和Ri的一个函数,这样,通过上述公式(3)确定得到的SOC1下种群A对应的代价函数中也包括待确定的线性参数Uoc和Ri。
对于多个种群中的每个种群,BMS均可以参考上述确定SOC1下种群A对应的代价函数的方法来确定SOC1下每个种群对应的代价函数。
3032:基于A组实验参数值下每个种群对应的代价函数,通过最小二乘法确定A组实验参数值下每个种群对应的线性参数的取值以及每个种群对应的代价函数的数值。
在确定SOC1下每个种群对应的代价函数之后,BMS可以通过最小二乘法确定SOC1下每个种群对应的代价函数中的线性参数Uoc和Ri的取值以及每个种群对应的代价函数的函数值。
例如,对于多个种群中的种群A,若通过步骤3021确定得到SOC1下种群A对应的代价函数S1,则可以通过最小二乘法确定S1中包含的线性参数Uoc和Ri的取值以及S1的函数值。需要说明的是,Ri和Uoc均会随着SOC值的变化而变化,也即,对于不同组的实验参数值,由于每组实验参数组包括的SOC值不同,因此,根据每组实验参数值包括的SOC值确定得到的种群A对应的Ri和Uoc的取值也不同,并且,Uoc与SOC值之间为一一对应关系。
3033:基于多个种群中的每个种群、A组实验参数值下每个种群对应的线性参数的取值以及每个种群对应的代价函数的函数值,确定A组实验参数值对应的等效电池模型的线性参数的参数值和非线性参数的参数值。
由于每个种群是该等效电池模型的非线性参数的一种取值,因此,根据SOC1下任一个种群对应的代价函数确定得到的线性参数的取值与相应种群实际上就是SOC1下该等效电池模型的参数值的一组可能的取值。也即,通过前述步骤确定SOC1下每个种群对应的线性参数的取值之后,BMS实际就确定了SOC1下该等效电池模型的参数值的多组取值。在此基础上,BMS可以通过确定的SOC1下该等效电池模型的参数值的多组取值中每组取值对应的代价函数的函数值来从该多组取值中查找一组满足截止条件的取值作为SOC1下该等效电池模型的参数值。
示例性的,BMS可以将SOC1下每个种群对应的代价函数的函数值划分到一个集合内,得到SOC1对应的函数值集合A,也即,该函数值集合A中包括SOC1下每个种群对应的代价函数的函数值。从该函数值集合A中查找是否存在满足截止条件的函数值,其中,截止条件是指代价函数的函数值小于预设阈值。也即,BMS可以从函数值集合A包括的多个代价函数的函数值中查找小于预设阈值的函数值。其中,代价函数的函数值越小,则说明相应代价函数的函数值对应的种群以及线性参数的取值越能够准确模拟电池处于SOC1时的实际状态。
基于此,若BMS从函数值集合A包括的多个代价函数的函数值中查找到至少一个满足截止条件的函数值,则可以从至少一个满足截止条件的函数值中确定最小的函数值,将最小的函数值对应的种群确定为SOC1对应的该等效电池模型的非线性参数的参数值,将最小的函数值对应的线性参数的取值确定为SOC1对应的该等效电池模型的线性参数的参数值。
可选地,若从函数值集合A包括的多个代价函数的函数值中未查找到满足截止条件的函数值,则说明该函数值集合包括的多个代价函数的函数值所对应的种群和线性参数的取值均不能准确模拟电池在SOC1下的实际状态,在这种情况下,BMS可以通过遗传算法中的交叉、变异以及选择等处理方式对非线性参数总群中的每个种群进行更新。之后,BMS可以重新根据实验数据以及更新后的每个种群,确定在SOC1下,更新后的每个种群对应的代价函数,通过最小二乘法重新确定SOC1下更新后的每个种群对应的代价函数的函数值,将重新确定的SOC1下每个种群对应的代价函数的函数值划分到一个函数值集合中,利用这个函数值集合更新函数值集合A,并重新从函数值集合A中查找满足截止条件的代价函数的函数值,若仍然查找不到,则重复上述过程,直到查找到满足截止条件的函数值为止,可以通过上述介绍的方法根据满足截止条件的代价函数的函数值确定得到SOC1对应的该等效电池模型的参数值。
需要说明的是,上述以多组实验参数值中的任一组实验参数值即A组实验参数值为例,对确定A组实验参数值对应的等效电池模型的参数值的实现过程进行了说明,对于多组实验参数值中的每组实验参数值,均可以按照上述介绍的方法来处理,从而得到每组实验参数值对应的该等效电池模型的参数值。
本申请实施例可以利用遗传算法,根据等效电池模型的非线性参数的预设取值范围,确定非线性参数总群,之后,基于非线性参数总群包括的多个种群和电池的实验数据,利用最小二乘法确定该等效电池模型的线性参数的多种取值,之后,可以基于非线性参数的多种取值和线性参数的多种取值确定非线性参数的参数值和线性参数的参数值。也即,本申请不需要通过划分电池的响应过程来获取相应过程内的数据来确定等效电池模型的参数值,而是可以通过对整个电池响应过程的进行采样得到的实验数据,利用遗传算法和最小二乘法来确定该等效电池模型的参数值,避免了相关技术中由于无法准确划分响应过程而导致的确定的模型参数不准确,提高了确定的等效电池模型的参数值的准确性。并且,由于符合BV方程的等效电池模型具有很强的非线性,因此,相关技术中通过最小二乘法来确定该种等效电池模型的参数值时,准确性较低,而本申请实施例通过遗传算法和最小二乘法来配合确定该等效电池模型的非线性参数的参数值和线性参数的参数值,相较于相关技术中采用最小二乘法来直接确定该等效电池模型的参数值,本申请确定的等效电池模型的参数值将更为准确。
上述实施例主要介绍了确定等效电池模型的参数值的实现过程,在确定等效电池模型的参数值之后,BMS即可以开始根据确定的参数值、该等效电池模型以及电池的实时工作数据来对电池的SOC进行实时估计。接下来,本申请实施例将结合图9来介绍BMS基于电池当前的工作数据、该等效电池模型和每组实验参数值对应的该等效电池模型的非线性参数的参数值和线性参数的参数值,对电池的SOC进行估计的实现过程,参见图9,该实现过程包括:
步骤901:获取当前时刻的上一时刻的状态协方差矩阵和上一时刻的SOC估计值,并基于上一时刻的状态协方差矩阵和上一时刻的SOC估计值,生成上一时刻的多个样本点。
其中,当BMS对当前时刻的SOC进行估计时,可以获取当前时刻的上一时刻的状态协方差矩阵和上一时刻的SOC估计值。其中,若当前时刻是此次估计过程中的第一个时刻,则由于不存在上一时刻的状态协方差矩阵以及上一时刻的SOC估计值,因此,BMS可以获取预先设置的初始状态协方差矩阵以及初始SOC估计值,并将初始状态协方差矩阵确定为此次估计过程中第一个时刻的上一时刻的状态协方差矩阵,将初始SOC估计值确定为此次估计过程中的第一个时刻的上一时刻的SOC估计值。
需要说明的是,在本申请实施例中,SOC估计值中可以包括两个状态值,一个状态值是指估计得到的电池的极化电压,另一个状态值是指估计得到的SOC值。
在获取到当前时刻的上一时刻的状态协方差矩阵之后,BMS可以对上一时刻的状态协方差矩阵进行奇异值分解,从而得到其中,Uk-1、Sk-1和即为奇异值分解得到的三个分解矩阵,且Uk-1和为正交矩阵,Sk-1为实对角矩阵。
在对上一时刻的状态协方差矩阵进行奇异值分解之后,BMS可以基于获取的上一时刻的SOC估计值和分解得到的三个矩阵,通过下述模型(4)生成上一时刻的多个样本点;
其中,是指上一时刻的多个样本点中的第i个样本点,是指上一时刻的SOC估计值,ρ是指设置的缩放比例因数,Uk-1是指对上一时刻的状态协方差矩阵进行奇异值分解得到的正交矩阵,Sk-1是指对上一时刻的状态协方差矩阵进行奇异值分解得到的实对角矩阵,k是指当前时刻,k-1是指当前时刻的上一时刻,2n是指上一时刻的多个样本点的数量。
需要说明的是,由前文可知,SOC估计值包括两个状态值,分别为估计得到的该电池的极化电压和SOC值,在上述模型(4)中,可以通过来表示上一时刻的SOC估计值,也即,基于上一时刻的SOC估计值,通过上述模型(4)确定可以确定得到2n个样本点,该2n个样本点可以用于模拟上一时刻的SOC估计值所符合的分布。换句话说,例如,上一时刻的SOC估计值符合期望为μ,方差为σ2的正态分布,则该2n个样本点即为符合期望为μ,方差为σ2的正态分布的多个样本点。
需要说明的是,由于2n个样本点是根据SOC估计值确定得到的,因此,2n个样本点中的每个样本点中同样包括两个样本值,一个样本值为极化电压,一个样本值为SOC值。
步骤902:基于上一时刻的SOC估计值、每组实验参数值对应的该等效电池模型的非线性参数的参数值和该等效电池模型,确定当前时刻用于进行SOC估计的离散状态空间模型。
其中,BMS可以基于上一时刻的SOC估计值中包括的SOC值,从确定的与多组实验参数值一一对应的该等效电池模型的多个非线性参数的参数值中获取上一时刻的SOC估计值中包括的SOC值对应的非线性参数的参数值,并根据获取的非线性参数的参数值和该等效电池模型,确定当前时刻用于进行SOC估计的离散状态空间模型,该离散状态空间模型如公式(5)和(6)所示:
其中,Uc(k)是指该电池在工作过程中的第k个时刻的极化电压,其中,第k个时刻也即当前时刻,Uc(k-1)是指该电池在第k个时刻的上一时刻的极化电压,T是指第k个时刻与第k个时刻的上一时刻之间的时间间隔,I(k)是指在第k个时刻电池中的总电流,和为基于上一时刻的SOC值获取的的非线性参数I0和C的参数值,aa为预设数值,通常,aa可以为0.5,w为反应得失电子数,F为法拉第常数,Rg为气体常数,Th是指热力学温度。SOC(k)是指估计得到的该电池在第k个时刻的SOC值,SOC(k-1)是指估计得到的该电池在第k个时刻的上一时刻的SOC值,η为库伦效率,Ca为该电池的电池容量。
其中,若确定的与多组实验参数值一一对应的该等效电池模型的多个非线性参数的参数值中不包括上一时刻的SOC估计值中包括的SOC值对应的非线性参数的参数值,也即,若多组实验参数值包括的SOC值中没有与上一时刻的SOC估计值包括的SOC值相同的SOC值,则BMS可以根据上一时刻的SOC估计值包括的SOC值,通过插值的方法来确定上一时刻的SOC估计值包括的SOC值对应的非线性参数的参数值。
步骤903:基于上一时刻的多个样本点,通过当前时刻的离散状态空间模型确定当前时刻的多个样本点,并基于当前时刻的多个样本点确定当前时刻的预估值和当前时刻的状态协方差矩阵。
在确定上一时刻的多个样本点之后,BMS可以通过当前时刻的离散状态空间模型传递上一时刻的多个样本点,从而得到当前时刻的多个样本点。
示例性的,BMS可以根据上一时刻的多个样本点中的每个样本点中包括的极化电压,通过公式(5)确定得到相应样本点在当前时刻对应的极化电压,根据上一时刻的多个样本点中每个样本点中包括的SOC值,通过公式(6)确定得到相应样本点在当前时刻对应的SOC值,将确定的上一时刻的多个样本点中每个样本点在当前时刻对应的极化电压和SOC值确定为相应样本点经过传递后在当前时刻对应的样本点,这样,对于上一时刻的2n个样本点,通过离散状态空间模型传递之后,将得到当前时刻的2n个样本点。
在确定当前时刻的多个样本点之后,BMS可以基于当前时刻的多个样本点,通过下述模型(7)来确定当前时刻的预估值。
需要说明的是,当前时刻的多个样本点中的每个样本点中包括两个样本值,一个为极化电压,一个为SOC值,基于此,BMS可以根据当前时刻的多个样本点中每个样本点包括的极化电压,通过上述模型(7)确定得到当前时刻的极化电压的预估值,根据当前时刻的多个样本点中每个样本点包括的SOC值,通过上述模型(7)确定得到当前时刻的SOC值的预估值,将确定得到的当前时刻的极化电压的预估值和SOC的预估值确定为当前时刻的预估值,也即,当前时刻的预估值中包括当前时刻的极化电压的预估值和SOC的预估值。
在确定当前时刻的预估值之后,BMS可以基于当前时刻的预估值与当前时刻的多个样本点,通过下述模型(8)来确定当前时刻的状态协方差矩阵。
步骤904:基于每组实验参数值对应的该等效电池模型的线性参数的参数值、电池当前的工作数据、当前时刻的预估值和当前时刻的状态协方差矩阵,确定当前时刻的SOC估计值。
其中,电池当前的工作数据可以是指对车辆中的电池在当前工作状态下进行数据采集得到的数据。该工作数据中可以包括在当前工作状态下电池的第三端电压和第二电流。
在确定当前时刻的预估值和当前时刻的状态协方差矩阵之后,BMS可以基于电池在当前时刻的工作数据,确定当前时刻的SOC估计值。
示例性的,BMS可以基于当前时刻的预估值和当前时刻的状态协方差矩阵,对当前时刻的多个样本点进行更新;基于更新后的多个样本点中的每个样本点和工作数据中的第二电流,确定更新后的多个样本点中每个样本点对应的第四端电压;基于工作数据中的第三端电压、更新后的多个样本点中每个样本点对应的第四端电压以及当前时刻的状态协方差矩阵,确定更新后的多个样本点中每个样本点对应的SOC估计值,并基于更新后的多个样本点中每个样本点对应的SOC估计值确定当前时刻的SOC估计值。
其中,BMS可以对当前时刻的状态协方差矩阵进行奇异值分解,之后,基于当前时刻的预估值和分解得到的矩阵,重新生成2n个样本点,并用重新生成的2n个样本点来更新步骤901中生成的当前时刻的2n个样本点。需要说明的是,BMS对当前时刻的状态协方差矩阵进行奇异值分解可以参考步骤901中的相关介绍,BMS基于当前时刻的预估值和分解得到的矩阵,重新生成2n个样本点可以参考步骤901中的相关介绍,本申请实施例在此不再赘述。
在对当前时刻的多个样本点进行更新之后,BMS可以基于更新后的多个样本点中每个样本点中包括的SOC值,从前述确定的该等效电池模型在不同SOC值下的线性参数的参数值中获取相应样本点包括的SOC值对应的线性参数的参数值,之后,BMS可以基于获取的相应样本点包括的SOC值对应的线性参数的参数值和工作数据中的第二电流,通过下述模型(9)来确定更新后的多个样本点中的每个样本点对应的第四端电压。
其中,为更新后的当前时刻的多个样本点中的第i个样本点对应的第四端电压,为第i个样本点包括的SOC值对应的线性参数中的理想电压源两端的电压值,I(k)是指当前时刻的工作数据中包括的第二电流,Ri是指第i个样本点包括的SOC值对应的线性参数中的第二电阻的电阻值,是指更新后的多个样本点中第i个样本点包括的极化电压。
在通过上述模型(9)确定得到更新后的当前时刻的多个样本点中每个样本点对应的第四端电压之后,BMS可以根据每个样本点对应的第四端电压和工作数据中包括的第三端电压,通过下述公式(10)-(12)来确定每个样本点对应的SOC估计值。
其中,是指更新后的当前时刻的多个样本点中第i个样本点对应的SOC估计值,是指更新后的当前时刻的多个样本点中第i个样本点对应的第四端电压,R是指预先设置的测量噪声协方差矩阵,是指更新后的当前时刻的多个样本点中第i个样本点包括的极化电压,SOC是指更新后的当前时刻的多个样本点中第i个样本点包括的SOC值。
通过上述公式(10)-(12)确定得到更新后的每个样本点对应的SOC估计值之后,BMS可以基于更新后的每个样本点对应的SOC估计值,通过下述公式(13)来确定当前时刻的SOC估计值。
需要说明的是,更新后的当前时刻的多个样本点中每个样本点对应的SOC估计值均包括两个样本值,一个样本值为极化电压,一个样本值为SOC值,基于此,在本申请实施例中,BMS可以确定多个样本点包括的多个极化电压的平均值,并确定多个样本点包括的多个SOC值的平均值,将确定的多个极化电压的平均值以及多个SOC值的平均值确定为当前时刻的SOC估计值。
在本申请实施例中,可以利用图3所示实施例中提供的方法来确定等效电池模型的参数值,由于通过本申请实施例提供的方法可以提高确定的参数值的准确性,在此基础上,利用确定的参数值和该等效电池模型,根据电池的实时工作数据来对电池的SOC进行实时估计时,可以提高SOC估计的准确性。另外,在本申请实施例中,在进行SOC估计时,通过对上一时刻的状态协方差矩阵进行奇异值分解来确定当前时刻的多个样本点,避免了相关技术中采用传统Cholesky对状态协方差矩阵进行分解时对矩阵正定的要求,提高了SOC估计的稳定性。并且,在得到当前时刻的预估值和当前时刻的状态协方差矩阵之后,本申请实施例可以通过重新对当前时刻的状态协方差矩阵进行分解来更新当前时刻的多个样本点,使得更新后的当前时刻的多个样本点更趋近于电池的实际状态,进一步地提高了SOC估计的准确性。
接下来对本申请实施例提供的确定等效电池模型的参数值的装置进行介绍。
参见图10,本申请实施例提供了一种确定等效电池模型的参数值的装置,该装置包括:
获取模块1001,用于执行前述实施例中的步骤301;
第一确定模块1002,用于执行前述实施例中的步骤302;
第二确定模块1003,用于执行前述实施例中的步骤303。
可选地,第二确定模块1003包括:
第一确定子模块,用于对于多组实验参数值中的A组实验参数值,基于实验数据,确定A组实验参数值下多个种群中的每个种群对应的代价函数,A组实验参数值是指多组实验参数值中的任一组实验参数值;
第二确定子模块,用于基于A组实验参数值下每个种群对应的代价函数,通过最小二乘法确定A组实验参数值下每个种群对应的线性参数的取值以及每个种群对应的代价函数的函数值;
第三确定子模块,用于基于多个种群中的每个种群、A组实验参数值下每个种群对应的线性参数的取值以及每个种群对应的代价函数的函数值,确定A组实验参数值对应的等效电池模型的线性参数的参数值和非线性参数的参数值。
可选地,多组实验参数值中的每组实验参数值均包括一个SOC值,且每组实验参数值包括的SOC值不同,实验数据包括在每组实验参数值包括的SOC值下对电池进行测试时电池响应过程中多个采样时刻的第一端电压,第一电流和第一温度;
第一确定子模块具体用于:
对于多个种群中的任一种群A,基于种群A、SOC1对应的多个采样时刻的第一电流和第一温度,确定SOC1下种群A对应的多个采样时刻的极化电压,SOC1是指A组实验参数值包括的SOC值,极化电压是指等效电池模型中与符合BV方程的元件并联的电容元件两端的电压;
基于种群A、SOC1对应的多个采样时刻的第一电流、第一温度和SOC1下种群A对应的多个采样时刻的极化电压,确定SOC1下种群A对应的多个采样时刻的第二端电压;
基于SOC1下种群A对应的多个采样时刻的第二端电压、实验数据包括的SOC1对应的多个采样时刻的第一端电压,确定SOC1下种群A对应的代价函数。
可选地,第三确定子模块具体用于:
确定SOC1对应的函数值集合A,函数值集合A包括SOC1下每个种群对应的代价函数的函数值;
从函数值集合A中查找满足截止条件的函数值;
若从函数值集合A中查找到满足截止条件的函数值,则将查找到的满足截止条件的函数值对应的种群确定为SOC1对应的该等效电池模型的非线性参数的参数值,将满足截止条件的函数值对应的线性参数的取值确定为SOC1对应的该等效电池模型的线性参数的参数值。
可选地,第三确定子模块具体还用于:
若从函数值集合A中未查找到满足截止条件的函数值,则利用遗传算法对非线性参数总群中的每个种群进行更新,并基于实验数据,重新确定在SOC1下,更新后的每个种群对应的代价函数的函数值,得到更新后的函数值集合A,并重新从更新后的函数值值集合A中查找满足截止条件的函数值。
可选地,该装置还包括:
估计模块,用于基于电池当前的工作数据、等效电池模型和每组实验参数值对应的等效电池模型的非线性参数的参数值和线性参数的参数值,对电池的SOC进行估计。
可选地,估计模块包括:
获取子模块,用于获取当前时刻的上一时刻的状态协方差矩阵和上一时刻的SOC估计值;
生成子模块,用于基于上一时刻的状态协方差矩阵和上一时刻的SOC估计值,生成上一时刻的多个样本点,上一时刻的多个样本点用于模拟上一时刻的SOC估计值所符合的分布;
第四确定子模块,用于基于上一时刻的SOC估计值、每组实验参数值对应的等效电池模型的非线性参数的参数值和等效电池模型,确定当前时刻用于进行SOC估计的离散状态空间模型;
第五确定子模块,用于基于上一时刻的多个样本点,通过当前时刻的离散状态空间模型确定当前时刻的多个样本点,并基于当前时刻的多个样本点确定当前时刻的预估值和当前时刻的状态协方差矩阵;
第六确定子模块,用于基于每组实验参数值对应的等效电池模型的线性参数的参数值、工作数据、当前时刻的预估值和当前时刻的状态协方差矩阵,确定当前时刻的SOC估计值。
可选地,生成子模块具体用于:
对上一时刻的状态协方差矩阵进行奇异值分解;
基于分解得到的矩阵和上一时刻的SOC估计值,通过下述模型生成上一时刻的多个样本点:
其中,是指上一时刻的多个样本点中的第i个样本点,是指上一时刻的SOC估计值,ρ是指设置的缩放比例因数,Uk-1是指对上一时刻的状态协方差矩阵进行奇异值分解得到的正交矩阵,Sk-1是指对上一时刻的状态协方差矩阵进行奇异值分解得到的实对角矩阵,k是指当前时刻,k-1是指当前时刻的上一时刻,2n是指上一时刻的多个样本点的数量。
可选地,第五确定子模块具体用于:
基于当前时刻的多个样本点,通过下述模型确定当前时刻的预估值:
基于当前时刻的预估值和当前时刻的多个样本点,确定当前时刻的状态协方差矩阵。
可选地,工作数据包括在当前工作状态下电池的第三端电压和第二电流;
第六确定子模块具体用于:
基于当前时刻的预估值和当前时刻的状态协方差矩阵,对当前时刻的多个样本点进行更新;
基于更新后的多个样本点中的每个样本点和工作数据中的第二电流,确定更新后的多个样本点中每个样本点对应的第四端电压;
基于工作数据中的第三端电压、更新后的多个样本点中每个样本点对应的第四端电压以及当前时刻的状态协方差矩阵,确定更新后的多个样本点中每个样本点对应的SOC估计值,并基于更新后的多个样本点中每个样本点对应的SOC估计值确定当前时刻的SOC估计值。
综上所述,本申请实施例可以利用遗传算法,根据等效电池模型的非线性参数的预设取值范围,确定非线性参数总群,之后,基于非线性参数总群包括的多个种群和电池的实验数据,利用最小二乘法确定该等效电池模型的线性参数的多种取值,之后,可以基于非线性参数的多种取值和线性参数的多种取值确定非线性参数的参数值和线性参数的参数值。也即,本申请不需要通过划分电池的响应过程来获取相应过程内的数据来确定等效电池模型的参数值,而是可以通过对整个电池响应过程的进行采样得到的实验数据,利用遗传算法和最小二乘法来确定该等效电池模型的参数值,避免了相关技术中由于无法准确划分响应过程而导致的确定的参数值不准确,提高了确定的等效电池模型的参数值的准确性。并且,由于基于BV方程改进的等效电池模型具有很强的非线性,因此,相关技术中通过最小二乘法来确定该种等效电池模型的参数值时,准确性较低,而本申请实施例通过遗传算法和最小二乘法来配合确定该等效电池模型的非线性参数和线性参数,相较于相关技术中采用最小二乘法来直接确定该等效电池模型的参数值,本申请确定的等效电池模型的参数值将更为准确,在此基础上,基于确定的参数值来进行SOC估计时,得到的SOC估计值也将更为准确。
另外,在本申请实施例中,在基于确定的参数值和该等效电池模型进行SOC估计时,通过对上一时刻的状态协方差矩阵进行奇异值分解来确定当前时刻的多个样本点,避免了相关技术中采用传统Cholesky对状态协方差矩阵进行分解时对矩阵正定的要求,提高了SOC估计的稳定性。并且,在得到当前时刻的预估值和当前时刻的状态协方差矩阵之后,本申请实施例可以通过重新对当前时刻的状态协方差矩阵进行分解来更新当前时刻的多个样本点,使得更新后的当前时刻的多个样本点更趋近于电池的实际状态,提高了SOC估计的准确性。
需要说明的是:上述实施例提供的确定等效电池模型的参数值的装置在确定等效电池模型的参数值时,仅以上述各功能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模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的确定等效电池模型的参数值的装置与确定等效电池模型的参数值的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图11是本申请实施例提供的一种确定等效电池模型的参数值的装置的示意图。前述实施例中的BMS可以通过图11所示的装置来实现。参见图11,该装置包括至少一个处理器1101,通信总线1102,存储器1103以及至少一个通信接口1104。
处理器1101可以是一个通用中央处理器(Central Processing Unit,CPU),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。
通信总线1102可包括一通路,在上述组件之间传送信息。
存储器1103可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其它类型的静态存储设备,随机存取存储器(random access memory,RAM))或者可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质,但不限于此。存储器1103可以是独立存在,通过通信总线1102与处理器1101相连接。存储器1103也可以和处理器1101集成在一起。
通信接口1104,使用任何收发器一类的装置,用于与其它设备或通信网络通信,如以太网,无线接入网(RAN),无线局域网(Wireless Local Area Networks,WLAN)等。
在具体实现中,作为一种实施例,处理器1101可以包括一个或多个CPU,例如图11中所示的CPU0和CPU1。
在具体实现中,作为一种实施例,计算机设备可以包括多个处理器,例如图11中所示的处理器1101和处理器1105。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
其中,存储器1103用于存储执行本申请方案的程序代码,并由处理器1101来控制执行。处理器1101用于执行存储器1103中存储的程序代码1106。程序代码1106中可以包括一个或多个程序模块(例如图2所示的数据采集模块、状态估计模块、管理模块、存储模块和通信模块等)。该装置可以通过处理器1101以及存储器1103中的程序代码1106中的一个或多个程序模块,来确定等效电池模型的参数值,并利用确定的参数值和该等效电池模型,根据电池的实时工作数据对电池的SOC进行估计,并对电池进行管理。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如:同轴电缆、光纤、数据用户线(Digital Subscriber Line,DSL))或无线(例如:红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如:软盘、硬盘、磁带)、光介质(例如:数字通用光盘(Digital Versatile Disc,DVD))、或者半导体介质(例如:固态硬盘(Solid State Disk,SSD))等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述为本申请提供的实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (22)
1.一种确定等效电池模型的参数值的方法,其特征在于,所述等效电池模型为符合巴特勒-沃尔默BV方程的电池模型,所述等效电池模型用于估计电池荷电状态SOC,所述等效电池模型的参数值包括非线性参数的参数值和线性参数的参数值,所述方法包括:
获取电池的实验数据,所述实验数据包括在多组实验参数值中的每组实验参数值下对所述电池进行测试时所述电池响应过程中的各个时刻的数据;
根据所述等效电池模型的非线性参数的预设取值范围,利用遗传算法确定非线性参数总群,所述非线性参数总群中包括多个种群;
根据所述多个种群和所述实验数据,确定每组实验参数值对应的所述等效电池模型的非线性参数的参数值和线性参数的参数值。
2.如权利要求1所述的方法,其特征在于,所述根据所述多个种群和所述实验数据,确定每组实验参数值对应的所述等效电池模型的非线性参数的参数值和线性参数的参数值,包括:
对于所述多组实验参数值中的A组实验参数值,基于所述实验数据,确定所述A组实验参数值下所述多个种群中的每个种群对应的代价函数,所述A组实验参数值是指所述多组实验参数值中的任一组实验参数值;
基于所述A组实验参数值下每个种群对应的代价函数,通过最小二乘法确定所述A组实验参数值下每个种群对应的线性参数的取值以及每个种群对应的代价函数的函数值;
基于所述多个种群中的每个种群、所述A组实验参数值下每个种群对应的线性参数的取值以及每个种群对应的代价函数的函数值,确定所述A组实验参数值对应的所述等效电池模型的线性参数的参数值和非线性参数的参数值。
3.如权利要求2所述的方法,其特征在于,所述多组实验参数值中的每组实验参数值均包括一个SOC值,且所述每组实验参数值包括的SOC值不同,所述实验数据包括在每组实验参数值包括的SOC值下对所述电池进行测试时所述电池响应过程中多个采样时刻的第一端电压,第一电流和第一温度;
所述基于所述实验数据,确定所述A组实验参数值下所述多个种群中的每个种群对应的代价函数,包括:
对于所述多个种群中的任一种群A,基于所述种群A、SOC1对应的多个采样时刻的第一电流和第一温度,确定SOC1下所述种群A对应的多个采样时刻的极化电压,所述SOC1是指所述A组实验参数值包括的SOC值,所述极化电压是指所述等效电池模型中与符合BV方程的元件并联的电容元件两端的电压;
基于所述种群A、所述SOC1对应的多个采样时刻的第一电流、第一温度和所述SOC1下所述种群A对应的多个采样时刻的极化电压,确定所述SOC1下所述种群A对应的多个采样时刻的第二端电压;
基于所述SOC1下所述种群A对应的多个采样时刻的第二端电压、所述实验数据包括的所述SOC1对应的多个采样时刻的第一端电压,确定所述SOC1下所述种群A对应的代价函数。
4.如权利要求3所述的方法,其特征在于,所述基于所述多个种群中的每个种群、所述A组实验参数值下每个种群对应的线性参数的取值以及每个种群对应的代价函数的函数值,确定所述A组实验参数值对应的所述等效电池模型的线性参数的参数值和非线性参数的参数值,包括:
确定所述SOC1对应的函数值集合A,所述函数值集合A包括所述SOC1下每个种群对应的代价函数的函数值;
从所述函数值集合A中查找满足截止条件的函数值;
若从所述函数值集合A中查找到满足所述截止条件的函数值,则将查找到的满足所述截止条件的函数值对应的种群确定为所述SOC1对应的所述等效电池模型的非线性参数的参数值,将满足所述截止条件的函数值对应的线性参数的取值确定为所述SOC1对应的所述等效电池模型的线性参数的参数值。
5.如权利要求4所述的方法,其特征在于,所述从所述函数值集合A中查找满足截止条件的函数值之后,还包括:
若从所述函数值集合A中未查找到满足所述截止条件的函数值,则利用遗传算法对所述非线性参数总群中的每个种群进行更新,基于所述实验数据,重新确定在所述SOC1下,更新后的每个种群对应的代价函数的函数值,得到更新后的函数值集合A,并重新从所述更新后的函数值集合A中查找满足所述截止条件的函数值。
6.如权利要求1-5任一所述的方法,其特征在于,所述确定每组实验参数值对应的所述等效电池模型的非线性参数的参数值和线性参数的参数值之后,还包括:
基于所述电池当前的工作数据、所述等效电池模型和每组实验参数值对应的所述等效电池模型的非线性参数的参数值和线性参数的参数值,对所述电池的SOC进行估计。
7.如权利要求6所述的方法,其特征在于,所述基于所述电池当前的工作数据、所述等效电池模型和每组实验参数值对应的所述等效电池模型的非线性参数的参数值和线性参数的参数值,对所述电池的SOC进行估计,包括:
获取当前时刻的上一时刻的状态协方差矩阵和上一时刻的SOC估计值,并基于所述上一时刻的状态协方差矩阵和所述上一时刻的SOC估计值,生成上一时刻的多个样本点,所述上一时刻的多个样本点用于模拟所述上一时刻的SOC估计值所符合的分布;
基于所述上一时刻的SOC估计值、每组实验参数值对应的所述等效电池模型的非线性参数的参数值和所述等效电池模型,确定当前时刻用于进行SOC估计的离散状态空间模型;
基于所述上一时刻的多个样本点,通过当前时刻的离散状态空间模型确定当前时刻的多个样本点,并基于所述当前时刻的多个样本点确定当前时刻的预估值和当前时刻的状态协方差矩阵;
基于每组实验参数值对应的所述等效电池模型的线性参数的参数值、所述工作数据、所述当前时刻的预估值和所述当前时刻的状态协方差矩阵,确定当前时刻的SOC估计值。
8.如权利要求7所述的方法,其特征在于,所述基于所述上一时刻的状态协方差矩阵和所述上一时刻的SOC估计值,生成上一时刻的多个样本点,包括:
对所述上一时刻的状态协方差矩阵进行奇异值分解;
基于分解得到的矩阵和所述上一时刻的SOC估计值,通过下述模型生成所述上一时刻的多个样本点:
10.如权利要求7所述的方法,其特征在于,所述工作数据包括在当前工作状态下所述电池的第三端电压和第二电流;
所述基于每组实验参数值对应的所述等效电池模型的线性参数的参数值、所述工作数据、所述当前时刻的预估值和所述当前时刻的状态协方差矩阵,确定当前时刻的SOC估计值,包括:
基于所述当前时刻的预估值和所述当前时刻的状态协方差矩阵,对所述当前时刻的多个样本点进行更新;
基于更新后的多个样本点中的每个样本点、所述每组实验参数值对应的所述等效电池模型的线性参数的参数值和所述工作数据中的第二电流,确定所述更新后的多个样本点中每个样本点对应的第四端电压;
基于所述工作数据包括的第三端电压、所述更新后的多个样本点中每个样本点对应的第四端电压以及所述当前时刻的状态协方差矩阵,确定所述更新后的多个样本点中每个样本点对应的SOC估计值,并基于所述更新后的多个样本点中每个样本点对应的SOC估计值确定所述当前时刻的SOC估计值。
11.一种确定等效电池模型的参数值的装置,其特征在于,所述等效电池模型为符合巴特勒-沃尔默BV方程的电池模型,所述等效电池模型用于估计电池荷电状态SOC,所述等效电池模型的参数值包括非线性参数的参数值和线性参数的参数值,所述装置包括:
获取模块,用于获取电池的实验数据,所述实验数据包括在多组实验参数值中的每组实验参数值下对所述电池进行测试时所述电池响应过程中的各个时刻的数据;
第一确定模块,用于根据所述等效电池模型的非线性参数的预设取值范围,利用遗传算法确定非线性参数总群,所述非线性参数总群中包括多个种群;
第二确定模块,用于根据所述多个种群和所述实验数据,确定每组实验参数值对应的所述等效电池模型的非线性参数的参数值和线性参数的参数值。
12.如权利要求11所述的装置,其特征在于,所述第二确定模块包括:
第一确定子模块,用于对于所述多组实验参数值中的A组实验参数值,基于所述实验数据,确定所述A组实验参数值下所述多个种群中的每个种群对应的代价函数,所述A组实验参数值是指所述多组实验参数值中的任一组实验参数值;
第二确定子模块,用于基于所述A组实验参数值下每个种群对应的代价函数,通过最小二乘法确定所述A组实验参数值下每个种群对应的线性参数的取值以及每个种群对应的代价函数的函数值;
第三确定子模块,用于基于所述多个种群中的每个种群、所述A组实验参数值下每个种群对应的线性参数的取值以及每个种群对应的代价函数的函数值,确定所述A组实验参数值对应的等效电池模型的线性参数的参数值和非线性参数的参数值。
13.如权利要求12所述的装置,其特征在于,所述多组实验参数值中的每组实验参数值均包括一个SOC值,且所述每组实验参数值包括的SOC值不同,所述实验数据包括在每组实验参数值包括的SOC值下对所述电池进行测试时所述电池响应过程中多个采样时刻的第一端电压,第一电流和第一温度;
所述第一确定子模块具体用于:
对于所述多个种群中的任一种群A,基于所述种群A、SOC1对应的多个采样时刻的第一电流和第一温度,确定SOC1下所述种群A对应的多个采样时刻的极化电压,所述SOC1是指所述A组实验参数值包括的SOC值,所述极化电压是指所述等效电池模型中与符合BV方程的元件并联的电容元件两端的电压;
基于所述种群A、所述SOC1对应的多个采样时刻的第一电流、第一温度和所述SOC1下所述种群A对应的多个采样时刻的极化电压,确定所述SOC1下所述种群A对应的多个采样时刻的第二端电压;
基于所述SOC1下所述种群A对应的多个采样时刻的第二端电压、所述实验数据包括的所述SOC1对应的多个采样时刻的第一端电压,确定所述SOC1下所述种群A对应的代价函数。
14.如权利要求13所述的装置,其特征在于,所述第三确定子模块具体用于:
确定所述SOC1对应的函数值集合,所述函数值集合A包括所述SOC1下每个种群对应的代价函数的函数值;
从所述函数值集合A中查找满足截止条件的函数值;
若从所述函数值集合A中查找到满足所述截止条件的函数值,则将查找到的满足所述截止条件的函数值对应的种群确定为所述SOC1对应的所述等效电池模型的非线性参数的参数值,将满足所述截止条件的函数值对应的线性参数的取值确定为所述SOC1对应的所述等效电池模型的线性参数的参数值。
15.如权利要求14所述的装置,其特征在于,所述第三确定子模块具体还用于:
若从所述函数值集合A中未查找到满足所述截止条件的函数值,则利用遗传算法对所述非线性参数总群中的每个种群进行更新,并基于所述实验数据,重新确定在所述SOC1下,更新后的每个种群对应的代价函数的函数值,得到更新后的函数值集合A,并重新从更新后的函数值集合A中查找满足所述截止条件的函数值。
16.如权利要求11-15任一所述的装置,其特征在于,所述装置还包括:
估计模块,用于基于所述电池当前的工作数据、所述等效电池模型和每组实验参数值对应的所述等效电池模型的非线性参数的参数值和线性参数的参数值,对所述电池的SOC进行估计。
17.如权利要求16所述的装置,其特征在于,所述估计模块包括:
获取子模块,用于获取当前时刻的上一时刻的状态协方差矩阵和上一时刻的SOC估计值;
生成子模块,用于基于所述上一时刻的状态协方差矩阵和所述上一时刻的SOC估计值,生成上一时刻的多个样本点,所述上一时刻的多个样本点用于模拟所述上一时刻的SOC估计值所符合的分布;
第四确定子模块,用于基于所述上一时刻的SOC估计值、每组实验参数值对应的所述等效电池模型的非线性参数的参数值和所述等效电池模型,确定当前时刻用于进行SOC估计的离散状态空间模型;
第五确定子模块,用于基于所述上一时刻的多个样本点,通过当前时刻的离散状态空间模型确定当前时刻的多个样本点,并基于当前时刻的多个样本点确定当前时刻的预估值和当前时刻的状态协方差矩阵;
第六确定子模块,用于基于每组实验参数值对应的所述等效电池模型的线性参数的参数值、所述工作数据、所述当前时刻的预估值和所述当前时刻的状态协方差矩阵,确定当前时刻的SOC估计值。
20.如权利要求17所述的装置,其特征在于,所述工作数据包括在当前工作状态下所述电池的第三端电压和第二电流;
所述第六确定子模块具体用于:
基于所述当前时刻的预估值和所述当前时刻的状态协方差矩阵,对所述当前时刻的多个样本点进行更新;
基于更新后的多个样本点中的每个样本点和所述工作数据中的第二电流,确定所述更新后的多个样本点中每个样本点对应的第四端电压;
基于所述工作数据中的第三端电压、所述更新后的多个样本点中每个样本点对应的第四端电压以及所述当前时刻的状态协方差矩阵,确定所述更新后的多个样本点中每个样本点对应的SOC估计值,并基于所述更新后的多个样本点中每个样本点对应的SOC估计值确定所述当前时刻的SOC估计值。
21.一种确定等效电池模型的参数值的装置,其特征在于,所述装置包括处理器和存储器;
所述存储器用于存储支持所述装置执行权利要求1-10任一项所述的方法的程序;
所述处理器被配置为用于执行所述存储器中存储的程序。
22.一种计算机可读存储介质,其特征在于,包括指令,所述指令在计算机上运行时,使得计算机执行权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810967749.1A CN110895311B (zh) | 2018-08-23 | 2018-08-23 | 确定等效电池模型的参数值的方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810967749.1A CN110895311B (zh) | 2018-08-23 | 2018-08-23 | 确定等效电池模型的参数值的方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110895311A CN110895311A (zh) | 2020-03-20 |
CN110895311B true CN110895311B (zh) | 2021-06-15 |
Family
ID=69784827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810967749.1A Active CN110895311B (zh) | 2018-08-23 | 2018-08-23 | 确定等效电池模型的参数值的方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110895311B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013016188A1 (en) * | 2011-07-22 | 2013-01-31 | Navitas Solutions, Inc. | Method, system, and apparatus for battery equivalent circuit model parameter estimation |
CN103927440A (zh) * | 2014-04-15 | 2014-07-16 | 国家电网公司 | 一种锂电池等效电路模型的参数辨识方法 |
CN105550452A (zh) * | 2015-12-18 | 2016-05-04 | 中国科学院上海高等研究院 | 基于启发式算法的锂离子电池p2d模型参数的辨识方法 |
CN105738829A (zh) * | 2016-04-08 | 2016-07-06 | 深圳市国创动力系统有限公司 | 动力锂电池的等效电路模型参数识别方法 |
CN106501728A (zh) * | 2016-11-23 | 2017-03-15 | 湖北大学 | 一种基于多目标遗传算法的电池等效模型参数识别方法 |
-
2018
- 2018-08-23 CN CN201810967749.1A patent/CN110895311B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013016188A1 (en) * | 2011-07-22 | 2013-01-31 | Navitas Solutions, Inc. | Method, system, and apparatus for battery equivalent circuit model parameter estimation |
CN103927440A (zh) * | 2014-04-15 | 2014-07-16 | 国家电网公司 | 一种锂电池等效电路模型的参数辨识方法 |
CN105550452A (zh) * | 2015-12-18 | 2016-05-04 | 中国科学院上海高等研究院 | 基于启发式算法的锂离子电池p2d模型参数的辨识方法 |
CN105738829A (zh) * | 2016-04-08 | 2016-07-06 | 深圳市国创动力系统有限公司 | 动力锂电池的等效电路模型参数识别方法 |
CN106501728A (zh) * | 2016-11-23 | 2017-03-15 | 湖北大学 | 一种基于多目标遗传算法的电池等效模型参数识别方法 |
Non-Patent Citations (2)
Title |
---|
基于遗传算法的动力电池参数模型辨识;秦伟良 等;《电力电子技术》;20160820;第50卷(第8期);69-70,74 * |
基于遗传算法的锂离子电池等效电路参数识别;姚静 等;《计算机测量与控制》;20171125;第25卷(第11期);252-256 * |
Also Published As
Publication number | Publication date |
---|---|
CN110895311A (zh) | 2020-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110967636B (zh) | 电池的荷电状态修正方法、装置、系统和存储介质 | |
EP2963434B1 (en) | Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method | |
Locorotondo et al. | Online identification of thevenin equivalent circuit model parameters and estimation state of charge of lithium-ion batteries | |
CN109959876B (zh) | 电池状态推定装置 | |
CN102540089A (zh) | 动态电池容量估计 | |
CN102981125A (zh) | 一种基于rc等效模型的动力电池soc估计方法 | |
US11977125B2 (en) | Method of predicting lifetime of battery and apparatus for performing the method | |
KR101777334B1 (ko) | 배터리 soh 추정 장치 및 방법 | |
CN110290972B (zh) | 估计电池单体的充电状态的方法 | |
JP2017223536A (ja) | 電池状態推定装置および電池状態推定方法 | |
CN112198441A (zh) | 电池充电剩余时间估算方法及系统 | |
KR20190099904A (ko) | 배터리 관리 시스템 | |
CN114692927A (zh) | 换电站推荐方法、系统、电子设备和存储介质 | |
JP6161133B2 (ja) | データ抽出装置、データ抽出方法およびデータ抽出プログラム | |
JP2018009963A (ja) | シミュレーション方法及びシミュレーション装置 | |
CN114845901A (zh) | 用于确定电能存储系统功率状态值的方法 | |
CN114355200A (zh) | 电池许用电流模型的建立方法、装置及电池管理系统 | |
JP6375215B2 (ja) | メモリ効果有無の判定方法及びメモリ効果有無の判定装置 | |
CN110895311B (zh) | 确定等效电池模型的参数值的方法、装置及存储介质 | |
WO2017002953A1 (ja) | データ抽出装置、データ抽出方法およびデータ抽出プログラム | |
CN117151201A (zh) | 一种用于神经网络训练的电池组样本组织方法及装置 | |
WO2018029849A1 (ja) | 推定装置、推定プログラムおよび充電制御装置 | |
CN111242403A (zh) | 一种充电站充电负荷预测方法、装置设备及存储介质 | |
EP3579007B1 (en) | Method and apparatus for estimating a state of charge of a battery | |
CN113075550B (zh) | 获取电动势曲线的方法、装置、介质及电子设备 |
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 |