CN111044907B - 一种基于微片段数据和电压滤波的soh统计方法 - Google Patents

一种基于微片段数据和电压滤波的soh统计方法 Download PDF

Info

Publication number
CN111044907B
CN111044907B CN201911349341.9A CN201911349341A CN111044907B CN 111044907 B CN111044907 B CN 111044907B CN 201911349341 A CN201911349341 A CN 201911349341A CN 111044907 B CN111044907 B CN 111044907B
Authority
CN
China
Prior art keywords
data
voltage
ocv
value
filtering
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
Application number
CN201911349341.9A
Other languages
English (en)
Other versions
CN111044907A (zh
Inventor
孙景宝
李中飞
王志刚
吕丹
周星星
田扩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Zhengli New Energy Technology Co ltd
Original Assignee
Suzhou Zhengli New Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Zhengli New Energy Technology Co ltd filed Critical Suzhou Zhengli New Energy Technology Co ltd
Priority to CN201911349341.9A priority Critical patent/CN111044907B/zh
Publication of CN111044907A publication Critical patent/CN111044907A/zh
Application granted granted Critical
Publication of CN111044907B publication Critical patent/CN111044907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC

Abstract

本发明公开了一个基于微片段数据和电压滤波的SOH统计方法。该方法为：首先收集温度大于0℃的行车数据，将数据划分为30s的微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段，并对标记的微数据片段进行内阻辨识；然后对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法；最后将滤波得到的OCV片段，划分成固定的电压区间，统计每个区间的平均容量，以此得到当前电芯的容量值。本发明对SOC没有过多依赖性，原理简单，鲁棒性强，不需要大量的人工成本和计算资源，适用于车辆网中的工程应用。

Description

一种基于微片段数据和电压滤波的SOH统计方法
技术领域
本发明涉及新能源汽车和储能的电池管理系统技术领域，特别是一种基于微片段数据和电压滤波的SOH统计方法。
背景技术
随着国家对新能源产业大力支持，新能源汽车和锂电池储能不断发展。电池管理系统作为电动汽车的一个重要组成部分，其核心在于SOX的估算。SOX包括SOC(剩余电量)、SOH(电池健康程度)以及SOP(电池功率状态)。相比于SOC和SOP，由于运行过充中，电池很少充满放空，因此SOH准确预估的难度比较大。
在新能源汽车电池管理系统中，SOH能够体现锂电池的健康生命状态，是评价电池性能以及老化程度的重要指标。SOH定义为：在标准条件下，电池从充满状态下，放电到截止电压所放出的电量与其标称容量的百分比。标准条件一般为0.3C，25℃，标称容量是厂家标定的出厂容量，用Ca表示。新能源汽车出厂时，SOH为100％，随着电池的使用，电池逐渐老化，容量衰减，当SOH变为80％时，意味着电池寿命的终结。老化的电池，性能下降严重，容易引发各种安全问题，如果能准确估算每一节电池SOH的值，可以及时提醒人们更换新电池，同时有利于汽车电池的梯次利用。
动力电池老化影响因素非常多，放电深度、温度、倍率都会对SOH产生影响。目前大多数SOH估算算法，考虑的因素单一，并没有将上述三个因素都考虑到，且只估算电池组的SOH，不能够计算每一节电池的SOH。现在SOH估算常用的方法包括直接放电法、阻抗测试法、循环次数折算法和基于数据驱动的智能算法：(1)直接放电法：在标准条件下充放电，测试电池实际容量，此时实际容量和标称容量Ca的比值为SOH。该方法计算的SOH准确度最高，但是需要对电池离线测试，对于汽车电池来说实现比较困难。(2)阻抗测试方法：研究电池固有的内阻特性，基于电阻值来估算SOH。由于电池阻抗值是毫欧姆级，比较小，因此SOH的估算准确度比较低。(3)循环次数折算法：根据电池的充放电循环次数和SOH关系来估算SOH，循环次数和SOH大致为线性关系。该方法简单、易于实现，但是该模型太过粗浅，并没有考虑到运行过程中电池温度、放电深度、放电倍率等因素对SOH的影响。(4)基于数据驱动的智能算法：基于数据驱动的智能算法主要是以使用过程中积累大量的数据出发，在对实验数据进行分析的基础上，总结出电池容量衰退的经验规律，该方法不需要对电池进行系统的老化机理分析，在业内关注度较高。数据驱动计算SOH，难点在于训练智能模型，需要大量不同环境下电芯的SOH数据，需要对数据进行人工处理，这需要大量的人工成本，且由于SOH的复杂性，处理数据的专业性要求比较高。另外，智能模型准确性的还在于特征的选择，选择的数据特征不同，得到的模型准确度也不一样。
发明内容
本发明的目的在于提供一种自动化程度高、通用性好、计算简单、准确率高、鲁棒性强的基于微片段数据和电压滤波的SOH统计方法。
实现本发明目的的技术解决方案为：一种基于微片段数据和电压滤波的SOH统计方法，包括以下步骤：
步骤1、数据筛选：收集温度大于0℃的行车数据；
步骤2、数据标记：将数据划分为微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段；
步骤3、内阻辨识：对标记的微数据片段进行内阻辨识；
步骤4、OCV片段获取：对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法；
步骤5、计算SOH：将滤波得到的OCV片段，划分成固定的电压区间，统计每个区间的平均电量，将所有电压区间电量求和，以此得到当前电芯的容量值。
进一步地，步骤1所述的数据筛选：收集温度大于0℃的行车数据，具体如下：
步骤1.1、车联网时，将电芯实时的电压、电流数据实时上传到云端存储；
步骤1.2、选取近两个月总放电量应超过10*额定容量的数据，若两个月总放电量不足10*额定容量，则扩大选取的时间范围；
步骤1.3、剔除温度小于0℃的放电数据；
步骤1.4、剔除BMS上报采集异常的数据。
进一步地，步骤2所述的数据标记：将数据划分为微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段，具体如下：
步骤2.1、初始放电时间5min以内的数据不需要被标记，将放电的电流数据划分为30s的微数据片段；
步骤2.2、将电流转化为倍率形式，计算公式为(1-1)，其中I是电流，Ca是电芯额定容量，IC是倍率值：
Figure BDA0002334278740000031
步骤2.3、计算微数据片段的平均倍率，平均倍率小于0.1C和倍率大于0.7C的微数据片段不需要被标记；
步骤2.4、计算剩余微数据片段的方差值，对方差大于阈值M的数据片段进行标记，阈值M的取值范围为0.1-0.5。
进一步地，步骤3所述的内阻辨识：对标记的微数据片段进行内阻辨识，具体如下：
步骤3.1、在标记的微数据片段中，SOC引起的OCV变化能够忽略，即微数据片段中的OCV保持不变，所以该数据片段内，电池输出电压的变化是由放电倍率变化引起的，因此得到等价电池模型为：
V＝I*r+OCV
式中，r为电池当前内阻值，该内阻包含极化内阻与欧姆内阻影响；I为汽车电池输出的电流值，OCV是锂电池的开路电压，V为电池输出电压；
步骤3.2、基于上述公式，采用最小二乘法计算每一个被标记的微数据片段对应的内阻r。
进一步地，步骤4所述的OCV片段获取：对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法，具体如下：
步骤4.1、根据Ah积分公式，建立OCV的状态方程
Figure BDA0002334278740000032
式中，OCVk为需要计算的OCV变量，下标k表示时刻，OCVk-1为上一时刻的OCV变量；Ik-1为上一时刻电流的输入量，Δt为计算周期，Ca为电芯额定容量，SOH0是初始预估的SOH值，OCV是SOC的函数，HSOC是OCV相对于SOC的斜率，ηT为温度影响容量的系数；
步骤4.2、根据电池的等价电池模型，建立OCV计算的观测方程：
Vk＝OCVk+Rk*Ik
Vk是电池当前电压，Ik、Rk分别为当前的电流和当前的内阻；
步骤4.3、在一段完整的放电数据滤波过程中，当滤波进行到非标记数据片段时，采用状态方程算法计算OCV，公式为：
Figure BDA0002334278740000041
式中，k表示时刻；
当滤波进行到标记数据片段时，采用Kalman的滤波公式计算OCV，公式为：
Figure BDA0002334278740000042
Figure BDA0002334278740000043
Figure BDA0002334278740000044
Figure BDA0002334278740000045
Figure BDA0002334278740000046
式中，Q为预估的状态方程的误差的协方差，R为预估的测量方程的误差的协方差，P0＝0，OCV0电压刚上电时的单体电压值，Vk是当前的单体电压采集值，rk是标记数据片段辨识的内阻值，Ik是当前的采集电流值，
Figure BDA0002334278740000047
和
Figure BDA0002334278740000048
分别表示OCVk和Pk的过渡值；
步骤4.4、重复步骤4.1～步骤4.3直到电芯放电数据被滤波完成，得到不同区间范围的OCV数据段。
进一步地，步骤5所述的计算SOH：将滤波得到的OCV片段，划分成固定的电压区间，统计每个区间的平均电量，将所有电压区间电量求和，以此得到当前电芯的容量值，具体如下：
步骤5.1、按照额定容量5％的间距，将电芯厂家提供的“容量-OCV曲线”划分成连续的20个区间范围V0-V1…V19-V20，每个电压范围之间的电量值为Cp1、Cp1、…Cp20；
步骤5.2、将步骤4得到的OCV片段曲线，按照步骤5.1中的电压切分点V0-V20进行划分，计算OCV片段的电压区间的容量值，具体如下：
步骤5.2.1、选取指定OCV片段划分的电压区间，并从步骤4得到的OCV放电数据中截取对应的数据，计算该电压区间的平均温度T和电压区间电量Cp_T；Cp_T计算方式为：该电压区间内所有电流的和乘以采样周期；
步骤5.2.2、根据温度-容量比例表，将T温度下的电压区间电量Cp_T，等价到25度情况下电量值，等价结果记为Cp_new：
Figure BDA0002334278740000051
式中，Rate_T是根据温度T查找温度-容量比例表获得的比值；
步骤5.2.3、利用平均电量计算公式(1-3)，更新该电压区间的电量值：
Figure BDA0002334278740000052
式中，Num是该区间对应的电量计算次数，Cp_old是该电压区间原有的电量值，Cp_new是利用OCV片段计算的该电压区间的电量值，Cp是该电压片段新的电量值；当该电压区间电量值更新后，将对应的电量计算次数加1；
步骤5.2.4、重复步骤5.2.1～步骤5.2.3，直至OCV片段能截取的电压区间的电量被统计到对应的平均电量中；
步骤5.3、重复步骤5.2，直到所有的OCV片段被划分电压区间，同时所有的电压范围的电量被统计入表中，最终得到不同电压区间的平均电量统计结果表；
步骤5.4、将不同电压区间的平均电量相加得到Cp_total，Cp_total即为当前电芯在25度下的容量值，最后利用下述公式计算电池健康状态SOH：
Figure BDA0002334278740000053
本发明与现有技术相比，其显著优点在于：(1)不需要人工去处理大量数据，只需设定好一定的阈值，计算机可以自行处理大量数据，自动化程度高；(2)不需要训练智能模型，不需要特征工程、调参，通用性好，适用常见类型的锂电池；(3)计算简单，计算量低；(4)基于电芯特性设计的统计方法，逻辑和原理简单，鲁棒性强，且符合电芯需求。
附图说明
图1是本发明基于微片段数据和电压滤波的SOH统计方法的流程是示意图。
图2为本发明实施例中放电电压数据滤波前后的波形图。
图3为本发明实施例中多条OCV片段示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
结合图1，本发明一种基于微片段数据和电压滤波的OCV在线计算方法，包括以下步骤：
步骤1、数据筛选：收集温度大于0℃的行车数据，具体如下：
步骤1.1、车联网时，将电芯实时的电压、电流数据实时上传到云端存储；
步骤1.2、选取近两个月的数据，选取的两个月数据总放电量应超过10*额定容量，为保证统计过程中数据量充足，若两个月总放电量不足10*额定容量，则适当扩大选取的时间范围；
步骤1.3、剔除温度小于0℃的放电数据；
步骤1.4、剔除BMS上报采集异常的数据。
由于在汽车行车时，若温度比较低，汽车会启动加热机制，给电池加热，因此大部分行车工况数据是大于0℃的，BMS数据采集异常的情况也是非常罕见情况，因此，虽然筛选数据的过程中会剔除数据，但是剔除的并不多。
步骤2、数据标记：将电池电压、电流数据划分为30s的微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段，具体如下：
步骤2.1、初始放电时间5min以内的数据，因为初始放电极化内阻并没有完全充分表现出其分压能力，所以要该时间段电池数据不进行标记；
步骤2.2、本发明以微数据片段的倍率方差作为描述该片段数据复杂性的标准，因此需要将电流转化为倍率形式，计算公式为(1-1),其中I是电流，Ca是电芯额定容量，IC是倍率值：
Figure BDA0002334278740000061
步骤2.3、为消除放电倍率过高和过低对内阻辨识的影响，因此平均倍率较大和倍率较小的微数据片段不进行标记。计算微数据片段的平均倍率，倍率小于0.1C和倍率大于0.7C的数据片段不进行标记；
步骤2.4、计算剩余微数据片段的方差值，方差越大表示该小段数据越复杂，表现出的电池特性越充分，则内阻值辨识的越准确。对方差大于阈值M的数据片段进行标记，阈值M的取值范围为0.1-0.5。
电动汽车正常使用情况下，绝大部分的行车工况在0.1—0.7C之间，且由于行车工况复杂性，因此每一段完整放电数据中，会有许多的微数据片段被标记出来。
步骤3、内阻辨识：对标记的微数据片段进行内阻辨识，具体如下：
步骤3.1、被标记的微数据片段的时间范围是30s，由于存在大于M的方差，该数据片段的平均倍率会在0.5C以下，因此SOC变化率不会超过0.42％。由于SOC变化幅度小，在标记的微数据片段中，SOC引起的OCV变化可以忽略，即微数据片段中的OCV保持不变，所以该数据片段内，电池输出电压的变化是由放电倍率变化引起的。因此可以采用下述的公式做为等价电池模型：
V＝I*r+OCV
式中，r为电池当前内阻值，该内阻包含极化内阻与欧姆内阻影响，I是汽车电池的输出电流值，V是电池输出电压；
步骤3.2、基于上述公式，采用最小二乘法计算每一个被标记的微数据片段对应的内阻r，上述公式的拟合也会直接得到该数据片段的OCV值，但是这种OCV波动性较大，不能采用。
步骤4、OCV片段获取：对电池放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法，具体如下：步骤4.1、根据Ah积分公式，建立OCV的状态方程
Figure BDA0002334278740000071
式中，OCVk为需要计算的OCV变量，下标k表示时刻，OCVk-1为上一时刻的OCV变量；Ik-1为上一时刻电流为输入量，Δt为计算周期，Ca为额定容量值，SOH0为初始预估的SOH值，OCV(开路电压)是SOC的函数，HSOC是OCV相对于SOC的斜率，ηT为温度影响容量的系数；
步骤4.2、根据电池的等价电池模型，建立OCV计算的观测方程:
Vk＝OCVk+rk*Ik
式中，Vk是电池当前电压，Ik、rk分别为当前的电流和内阻；
步骤4.3、在一整段的放电数据中，只有被标记的数据有辨识得到的内阻值，非标记数据片段是不知道内阻值是多少的。在一段完整的放电数据滤波过程中，当滤波进行到非标记数据片段时，采用状态方程算法计算OCV，公式为：
Figure BDA0002334278740000072
式中，k表示时刻；
当滤波进行到标记数据片段时，采用Kalman的滤波公式计算OCV，公式为：
Figure BDA0002334278740000081
Figure BDA0002334278740000082
Figure BDA0002334278740000083
Figure BDA0002334278740000084
Figure BDA0002334278740000085
式中，Q为预估的状态方程的误差的协方差，R为预估的测量方程的误差的协方差，P0＝0，OCV0电压刚上电时的单体电压值，Vk是当前的单体电压采集值，rk是标记数据片段辨识的内阻值，Ik是当前的采集电流值，
Figure BDA0002334278740000086
和
Figure BDA0002334278740000087
分别表示OCVk和Pk的过渡值；一段完整的放电数据被滤波前后，如图2所示。
步骤4.4、重复步骤4.1～步骤4.3直到该单体电芯放电数据被滤波完成，得到不同电压区间范围的OCV数据段，如图3所示。
步骤5、计算SOH：将滤波得到的OCV片段，划分成固定的电压区间，统计每个区间的平均电量，将所有电压区间电量求和，以此得到当前电芯的容量值。具体如下：
步骤5.1、按照额定容量5％的间距，将电芯厂家提供的“容量-OCV曲线”划分成连续的20个区间范围V0-V1…V19-V20，每个电压范围之间的电量值为Cp1、Cp1、…Cp20。具体例子如表1所示，某一容量为150Ah的电池OCV曲线被划分为20个电压范围。当然不同电芯的OCV曲线划分的电压点也是不一样的。
步骤5.2、将步骤4得到的OCV片段曲线，按照步骤5.1中的电压切分点V0-V20进行划分，计算OCV片段的电压区间的电量值，具体如下：
由于OCV片段曲线并不是完整的数据曲线，并不能得到20个电压区间，一般只能得到部分连续的电压区间。例如有的放电时间长，因而滤波后OCV片段的电压跨度大，因此该片段可能截取到电压区间是V5-V6…V17-V18；而有的放电数据比较短，因而滤波后OCV片段的电压跨度小，那么可能截取不到电压区间，或只能截取一两个电压区间。
步骤5.2.1、选取指定OCV片段划分的电压区间，并从步骤4得到的OCV放电数据中截取对应的数据，计算该电压区间的平均温度T和电压区间电量Cp_T；Cp_T计算方式为：该电压区间内所有电流的和乘以采样周期(单位h)。
步骤5.2.2、根据温度—容量比例表，将T温度下的电压区间电量Cp_T，等价到25度情况下电量值，等价结果记为Cp_new
Figure BDA0002334278740000091
式中，Rate_T是根据温度T查找温度—容量比例表获得的比值；
步骤5.2.3、利用下述平均电量计算公式1-3，更新该电压区间的容量值
Figure BDA0002334278740000092
式中，Num是该区间对应的电量计算次数，Cp_old是该电压区间原有的电量值，Cp_new是利用OCV片段计算的该电压区间的电量值，Cp是该电压片段新的电量值；当该电压区间电量值更新后，将对应的电量计算次数加1。
步骤5.2.4、重复步骤5.2.1～步骤5.2.3，直至OCV片段能截取的电压区间的电量被统计到对应的平均电量中；
步骤5.3、重复步骤5.2，直到所有的OCV片段被划分电压区间，同时所有的电压范围的电量被统计到如表2形式中，最终得到不同电压区间的平均电量统计结果表；
步骤5.4、将不同电压区间的平均电量相加得到Cp_total，Cp_total即为当前电芯在25度下的容量值，最后利用下述公式计算SOH(电池健康状态)：
Figure BDA0002334278740000093
实施例1
本实施例以5％容量区间将额定容量为150Ah的电芯的OCV划分成20个电压区间，即为表1所示。
表1初始OCV划分电压区间后形式
区间标号 起始电压点 结束电压点 区间电量值(Ah) 电量计算次数
Cp1 3.205 3.275 7.5 1
Cp2 3.275 3.316 7.5 1
Cp3 3.316 3.356 7.5 1
Cp4 3.356 3.388 7.5 1
Cp5 3.388 3.415 7.5 1
Cp6 3.415 3.430 7.5 1
Cp7 3.430 3.445 7.5 1
Cp8 3.445 3.462 7.5 1
Cp9 3.462 3.484 7.5 1
Cp10 3.484 3.520 7.5 1
Cp11 3.520 3.576 7.5 1
Cp12 3.576 3.624 7.5 1
Cp13 3.624 3.676 7.5 1
Cp14 3.676 3.730 7.5 1
Cp15 3.730 3.786 7.5 1
Cp16 3.786 3.845 7.5 1
Cp17 3.845 3.905 7.5 1
Cp18 3.905 3.964 7.5 1
Cp19 3.964 4.023 7.5 1
Cp20 4.023 4.156 7.5 1
步骤1、数据筛选：收集温度大于0℃的行车数据，具体如下：
步骤1.1、车联网时，将电芯实时的电压、电流数据实时上传到云端存储；
步骤1.2、从云端提取最近两个月的某汽车电芯数据(电流、单体电压、温度)，若一段完整放电数据中有小于0度的数据，则舍弃该整段数据。累计剩余数据的放电电量，假如累计电量超过额定容量*10，表示选取的电芯数据有效；若累计电量小于额定容量*10，则需要适当扩大时间范围。
步骤1.3、剔除温度小于0℃的放电数据；
步骤1.4、剔除BMS上报采集异常的数据。
步骤2、数据标记：将数据划分为30s的微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段，具体如下：
步骤2.1、将选取的电流数据，划分成30s范围的微片段；
步骤2.2、按照公式1-1将电流形式转化为倍率形式；
步骤2.3、计算微数据片段的平均倍率，平均倍率小于0.1C和倍率大于0.7C的微数据片段不需要被标记；
步骤2.4、计算每个微片段数据倍率方差，将方差大于0.2的微片段进行标记。
步骤3所述的内阻辨识：对标记的微数据片段进行内阻辨识，具体如下：
选取某指定节电池的电压、温度、电流数据，对该电芯数据进行操作，在标记的微片段数据中进行方程拟合，拟合形式为V＝r*I+OCV，其中I是微片段的采集电流，V是微数据片段中该节电池对应的采集电压点，通过拟合可以得到所有被标记的微数据片段的内阻值r。
步骤4、OCV片段获取：对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法，具体如下：
步骤4.1、根据Ah积分公式，建立OCV的状态方程
Figure BDA0002334278740000111
式中，OCVk为需要计算的OCV变量，下标k表示时刻，OCVk-1为上一时刻的OCV变量；Ik-1为上一时刻电流的输入量，Δt为计算周期，Ca为额定容量值，SOH0是初始预估的SOH值，OCV(开路电压)是SOC的函数，HSOC是OCV相对于SOC的斜率，ηT为温度影响容量的系数；
步骤4.2、根据电池的等价电池模型，建立OCV计算的观测方程：
Vk＝OCVk+Rk*Ik
Vk是电池当前电压，Ik、Rk分别为当前的电流和内阻；
步骤4.3、当滤波进行到非标记数据片段时，采用状态方程算法计算OCV，公式为：
Figure BDA0002334278740000112
当滤波进行到标记数据片段时，采用Kalman的滤波公式计算OCV，公式为：
Figure BDA0002334278740000113
Figure BDA0002334278740000114
Figure BDA0002334278740000115
Figure BDA0002334278740000116
Figure BDA0002334278740000117
步骤4.4、重复步骤4.1～步骤4.3，直到该单体电芯放电数据被滤波完成，得到多条OCV片段。
步骤5、计算SOH：将滤波得到的OCV片段，划分成固定的电压区间，统计每个区间的平均电量，将所有电压区间电量求和，以此得到当前电芯的容量值。具体如下：
步骤5.1、根据电芯厂家提供的OCV曲线制作表1，按照表1中起始和终结电压，将所有OCV片段，划分成多个电压区间，累计每个电压区间的电量；
步骤5.2、将步骤4得到的OCV片段曲线，按照步骤5.1中的电压切分点V0-V20进行划分，计算OCV片段的电压区间的容量值，具体如下：
步骤5.2.1、选取指定OCV片段划分的电压区间，并从步骤4得到的OCV放电数据中截取对应的数据，计算该电压区间的平均温度T和电压区间电量Cp_T；Cp_T计算方式为：该电压区间内所有电流的和乘以采样周期(单位h)。
步骤5.2.3、计算目标电压区间的平均温度，查表3获得该温度下容量相比于25度情况下的比值，按照公式1-2，将该温度下的区间电量等价为25度时的电量值，例如在电压区间[3.520,3.576]，累计电量Cp_T为6.86Ah，平均温度为10度，根据表3，10度对应的比例为96％，则10度下，6.86Ah电量对应25度的电量为6.86/0.96＝7.146Ah。
表3不同温度下容量相比于25度时容量的比值
温度 -30 -20 -10 0 10 25 45 55
百分比 78％ 85％ 90％ 96％ 98％ 100％ 103％ 104％
步骤5.2.3、将电压区间电量等价到25度环境下的电量值后，按照公式(1-3)更新电压区间电量，然后电量计算次数加1；
步骤5.2.4、重复步骤5.2.1～步骤5.2.3，直至OCV片段能截取的电压区间的电量被统计到对应的平均电量中；
步骤5.3、重复步骤5.2，直到所有的OCV片段被划分电压区间，同时所有的电压范围的电量被统计到如表2形式中，最终得到不同电压区间的平均电量统计结果表：
表2不同电压区间的平均电量统计结果
区间标号 起始电压点 结束电压点 区间电量值(Ah) 电量计算次数
Cp1 3.205 3.275 7.5 1
Cp2 3.275 3.316 7.28 5
Cp3 3.316 3.356 7.35 5
Cp4 3.356 3.388 7.06 8
Cp5 3.388 3.415 6.99 9
Cp6 3.415 3.430 7.2 8
Cp7 3.430 3.445 7.55 9
Cp8 3.445 3.462 6.88 13
Cp9 3.462 3.484 6.53 12
Cp10 3.484 3.520 6.65 9
Cp11 3.520 3.576 6.82 6
Cp12 3.576 3.624 7.09 5
Cp13 3.624 3.676 6.9 5
Cp14 3.676 3.730 6.88 3
Cp15 3.730 3.786 7.2 3
Cp16 3.786 3.845 7.2 3
Cp17 3.845 3.905 7.3 3
Cp18 3.905 3.964 7.2 2
Cp19 3.964 4.023 7.5 1
Cp20 4.023 4.156 75 1
步骤5.4、将表2中的电压区间电量求和，结果为142Ah，该结果为当前电芯在25度下的容量值；最后按照公式(1-4)计算SOH，结果为142/150*100％＝94.7％。

Claims (6)

1.一种基于微片段数据和电压滤波的SOH统计方法，其特征在于，包括以下步骤：
步骤1、数据筛选：收集温度大于0℃的行车数据；
步骤2、数据标记：将数据划分为微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段；
步骤3、内阻辨识：对标记的微数据片段进行内阻辨识；
步骤4、OCV片段获取：对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法；
步骤5、计算SOH：将滤波得到的OCV片段，划分成固定的电压区间，统计每个区间的平均电量，将前述获取的每个区间的平均电量求和，以此得到当前电芯的容量值，并计算电池健康状态SOH。
2.根据权利要求1所述的基于微片段数据和电压滤波的SOH统计方法，其特征在于，步骤1所述的数据筛选：收集温度大于0℃的行车数据，具体如下：
步骤1.1、车联网时，将电芯实时的电压、电流数据实时上传到云端存储；
步骤1.2、选取近两个月总放电量应超过10*额定容量的数据，若两个月总放电量不足10*额定容量，则扩大选取的时间范围；
步骤1.3、剔除温度小于0℃的放电数据；
步骤1.4、剔除BMS上报采集异常的数据。
3.根据权利要求1所述的基于微片段数据和电压滤波的SOH统计方法，其特征在于，步骤2所述的数据标记：将数据划分为微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段，具体如下：
步骤2.1、初始放电时间5min以内的数据不需要被标记，将放电的电流数据划分为30s的微数据片段；
步骤2.2、将电流转化为倍率形式，计算公式为(1-1)，其中I是电流，Ca是电芯额定容量，IC是倍率值：
Figure FDA0003454531630000011
步骤2.3、计算微数据片段的平均倍率，平均倍率小于0.1C和倍率大于0.7C的微数据片段不需要被标记；
步骤2.4、计算剩余微数据片段的方差值，对方差大于阈值M的数据片段进行标记，阈值M的取值范围为0.1-0.5。
4.根据权利要求1所述的基于微片段数据和电压滤波的SOH统计方法，其特征在于，步骤3所述的内阻辨识：对标记的微数据片段进行内阻辨识，具体如下：
步骤3.1、在标记的微数据片段中，SOC引起的OCV变化能够忽略，即微数据片段中的OCV保持不变，所以该数据片段内，电池输出电压的变化是由放电倍率变化引起的，因此得到等价电池模型为：
V＝I*r+OCV
式中，r为电池当前内阻值，该内阻包含极化内阻与欧姆内阻影响；I为汽车电池输出的电流值，OCV是锂电池的开路电压，V为电池输出电压；
步骤3.2、基于上述公式，采用最小二乘法计算每一个被标记的微数据片段对应的内阻r。
5.根据权利要求1所述的基于微片段数据和电压滤波的SOH统计方法，其特征在于，步骤4所述的OCV片段获取：对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法，具体如下：
步骤4.1、根据Ah积分公式，建立OCV的状态方程
Figure FDA0003454531630000021
式中，OCVk为需要计算的OCV变量，下标k表示时刻，OCVk-1为上一时刻的OCV变量；Ik-1为上一时刻电流的输入量，Δt为计算周期，Ca为电芯额定容量，SOH0是初始预估的SOH值，OCV是SOC的函数，HSOC是OCV相对于SOC的斜率，ηT为温度影响容量的系数；
步骤4.2、根据电池的等价电池模型，建立OCV计算的观测方程：
Vk＝OCVk+Rk*Ik
Vk是电池当前电压，Ik、Rk分别为当前的电流和当前的内阻；
步骤4.3、在一段完整的放电数据滤波过程中，当滤波进行到非标记数据片段时，采用状态方程算法计算OCV，公式为：
Figure FDA0003454531630000022
式中，k表示时刻；
当滤波进行到标记数据片段时，采用Kalman的滤波公式计算OCV，公式为：
Figure FDA0003454531630000031
Figure FDA0003454531630000032
Figure FDA0003454531630000033
Figure FDA0003454531630000034
Figure FDA0003454531630000035
式中，Q为预估的状态方程的误差的协方差，R为预估的测量方程的误差的协方差，P0＝0，OCV0电压刚上电时的单体电压值，Vk是当前的单体电压采集值，rk是标记数据片段辨识的内阻值，Ik是当前的采集电流值，
Figure FDA0003454531630000036
和
Figure FDA0003454531630000037
分别表示OCVk和Pk的过渡值；
步骤4.4、重复步骤4.1～步骤4.3直到电芯放电数据被滤波完成，得到不同区间范围的OCV数据段。
6.根据权利要求1所述的基于微片段数据和电压滤波的SOH统计方法，其特征在于，步骤5所述的计算SOH：将滤波得到的OCV片段，划分成固定的电压区间，统计每个区间的平均电量，将所有电压区间电量求和，以此得到当前电芯的容量值，具体如下：
步骤5.1、按照额定容量5％的间距，将电芯厂家提供的“容量-OCV曲线”划分成连续的20个区间范围V0-V1…V19-V20，每个电压范围之间的电量值为Cp1、Cp1、…Cp20；
步骤5.2、将步骤4得到的OCV片段曲线，按照步骤5.1中的电压切分点V0-V20进行划分，计算OCV片段的电压区间的容量值，具体如下：
步骤5.2.1、选取指定OCV片段划分的电压区间，并从步骤4得到的OCV放电数据中截取对应的数据，计算该电压区间的平均温度T和电压区间电量Cp_T；Cp_T计算方式为：该电压区间内所有电流的和乘以采样周期；
步骤5.2.2、根据温度-容量比例表，将T温度下的电压区间电量Cp_T，等价到25度情况下电量值，等价结果记为Cp_new：
Figure FDA0003454531630000041
式中，Rate_T是根据温度T查找温度-容量比例表获得的比值；
步骤5.2.3、利用平均电量计算公式(1-3)，更新该电压区间的电量值：
Figure FDA0003454531630000042
式中，Num是该区间对应的电量计算次数，Cp_old是该电压区间原有的电量值，Cp_new是利用OCV片段计算的该电压区间的电量值，Cp是该电压片段新的电量值；当该电压区间电量值更新后，将对应的电量计算次数加1；
步骤5.2.4、重复步骤5.2.1～步骤5.2.3，直至OCV片段能截取的电压区间的电量被统计到对应的平均电量中；
步骤5.3、重复步骤5.2，直到所有的OCV片段被划分电压区间，同时所有的电压范围的电量被统计入表中，最终得到不同电压区间的平均电量统计结果表；
步骤5.4、将不同电压区间的平均电量相加得到Cp_total，Cp_total即为当前电芯在25度下的容量值，最后利用下述公式计算电池健康状态SOH：
Figure FDA0003454531630000043
其中，Ca是电芯额定容量。
CN201911349341.9A 2019-12-24 2019-12-24 一种基于微片段数据和电压滤波的soh统计方法 Active CN111044907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911349341.9A CN111044907B (zh) 2019-12-24 2019-12-24 一种基于微片段数据和电压滤波的soh统计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911349341.9A CN111044907B (zh) 2019-12-24 2019-12-24 一种基于微片段数据和电压滤波的soh统计方法

Publications (2)

Publication Number Publication Date
CN111044907A CN111044907A (zh) 2020-04-21
CN111044907B true CN111044907B (zh) 2022-06-14

Family

ID=70239078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911349341.9A Active CN111044907B (zh) 2019-12-24 2019-12-24 一种基于微片段数据和电压滤波的soh统计方法

Country Status (1)

Country Link
CN (1) CN111044907B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115144778A (zh) * 2022-09-02 2022-10-04 力高(山东)新能源技术有限公司 一种大数据估算电池内阻的方法
CN116256648A (zh) * 2023-05-16 2023-06-13 合肥力高动力科技有限公司 一种基于充电数据的锂电池soh估计方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003157912A (ja) * 2001-08-13 2003-05-30 Hitachi Maxell Ltd 電池容量検出方法および装置
CN104809333A (zh) * 2015-04-03 2015-07-29 百度在线网络技术（北京）有限公司 基于Kalman滤波器的容量预测方法和系统
CN105301509A (zh) * 2015-11-12 2016-02-03 清华大学 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
CN105548898A (zh) * 2015-12-25 2016-05-04 华南理工大学 一种离线数据分段矫正的锂电池soc估计方法
CN107003359A (zh) * 2014-11-28 2017-08-01 雷诺有限合伙公司 电池组的电池单元的容量的自动估计方法
CN109164391A (zh) * 2018-07-12 2019-01-08 杭州神驹科技有限公司 一种动力电池荷电状态在线估算方法及系统
CN110168389A (zh) * 2017-09-28 2019-08-23 株式会社Lg化学 用于获得锂离子电池单体的劣化信息的装置和方法
CN110273737A (zh) * 2019-04-10 2019-09-24 武汉理工大学 柴油机后处理系统催化器热失效容错控制方法及其装置
CN110596606A (zh) * 2019-08-23 2019-12-20 中国科学院电工研究所 一种锂电池剩余电量估计方法、系统及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150349385A1 (en) * 2014-04-01 2015-12-03 Medtronic, Inc. Method and System for Predicting Useful Life of a Rechargeable Battery
US20190170826A1 (en) * 2017-12-06 2019-06-06 Cadex Electronics Inc. Battery state-of-health determination upon charging
CN109375111A (zh) * 2018-10-12 2019-02-22 杭州电子科技大学 一种基于uhf的电池剩余电量估计方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003157912A (ja) * 2001-08-13 2003-05-30 Hitachi Maxell Ltd 電池容量検出方法および装置
CN107003359A (zh) * 2014-11-28 2017-08-01 雷诺有限合伙公司 电池组的电池单元的容量的自动估计方法
CN104809333A (zh) * 2015-04-03 2015-07-29 百度在线网络技术（北京）有限公司 基于Kalman滤波器的容量预测方法和系统
CN105301509A (zh) * 2015-11-12 2016-02-03 清华大学 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
CN105548898A (zh) * 2015-12-25 2016-05-04 华南理工大学 一种离线数据分段矫正的锂电池soc估计方法
CN110168389A (zh) * 2017-09-28 2019-08-23 株式会社Lg化学 用于获得锂离子电池单体的劣化信息的装置和方法
CN109164391A (zh) * 2018-07-12 2019-01-08 杭州神驹科技有限公司 一种动力电池荷电状态在线估算方法及系统
CN110273737A (zh) * 2019-04-10 2019-09-24 武汉理工大学 柴油机后处理系统催化器热失效容错控制方法及其装置
CN110596606A (zh) * 2019-08-23 2019-12-20 中国科学院电工研究所 一种锂电池剩余电量估计方法、系统及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An improved adaptive estimator for state-of-charge estimation of lithium-ion batteries;Wenjie Zhang et.al;《Journal of Power Sources》;20181231;第402卷;第422-433页 *
基于KF的锂离子电池SOC估计的模型误差研究;穆嘉毅;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20191115(第11期);第C035-366页 *
基于数据片段的电动车锂电池参数辨识方法;高玮;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20190915(第09期);第C035-20页 *

Also Published As

Publication number Publication date
CN111044907A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN108037460B (zh) 一种批产锂离子电池容量实时评估方法
CN108732503B (zh) 一种电池健康状态与电池容量检测方法及装置
CN110031770B (zh) 一种快速得到电池包中所有单体电池容量的方法
CN108717164B (zh) 电池的荷电状态soc标定方法及系统
CN108318775B (zh) 在线诊断电池短路故障的方法及装置
WO2016134496A1 (zh) 锂离子电池荷电状态估算方法和装置
CN116298979A (zh) 锂离子电池的健康状态的估算方法及系统
CN106716158A (zh) 电池荷电状态估算方法和装置
CN108490366B (zh) 电动汽车退役电池模块健康状态的快速评估方法
CN104535932A (zh) 一种锂离子电池荷电状态估计方法
CN109031133B (zh) 一种动力电池的soc修正方法
CN109358293B (zh) 基于ipf的锂离子电池soc估计方法
CN111190109B (zh) 一种无电流传感器的锂电池荷电状态估计方法
CN112540318B (zh) 一种起动内燃机的铅酸蓄电池健康状态估算方法
CN113109729B (zh) 基于加速老化试验与实车工况的车用动力电池soh评估方法
CN111044907B (zh) 一种基于微片段数据和电压滤波的soh统计方法
CN110795851A (zh) 一种考虑环境温度影响的锂离子电池建模方法
CN110045291B (zh) 一种锂电池容量估计方法
CN107817448B (zh) 一种适用于复杂工况的在线实时监测电池电量的方法
CN109975717B (zh) 一种动力电池内阻的在线计算方法
CN108169687A (zh) 一种基于云平台的蓄电池soc估算方法
CN104833917A (zh) 用于锂蓄电池中荷电状态实时估算的标称电池电阻的确定
CN112485693A (zh) 一种基于温度概率密度函数的电池健康状态快速评估方法
CN112698217B (zh) 基于粒子群优化算法的电池单体容量估计方法
CN114371408A (zh) 电池荷电状态的估算方法、充电曲线的提取方法及装置

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