CN111366864A - 一种基于固定压升区间的电池soh在线估计方法 - Google Patents
一种基于固定压升区间的电池soh在线估计方法 Download PDFInfo
- Publication number
- CN111366864A CN111366864A CN202010195525.0A CN202010195525A CN111366864A CN 111366864 A CN111366864 A CN 111366864A CN 202010195525 A CN202010195525 A CN 202010195525A CN 111366864 A CN111366864 A CN 111366864A
- Authority
- CN
- China
- Prior art keywords
- battery
- interval
- soh
- charging
- training
- 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
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
一种基于固定压升区间的电池SOH在线估计方法,属于新能源汽车动力电池技术领域。该方法中针对的训练集电池和测试集电池是相同种类、相同型号的电池。首先,对n个锂电池进行循环充放电实验,在恒流充电过程中选取锂电池充电的压升区间[Ua,Ub],构建训练集电池数据。其次,选取最优固定压升区间[Ua*,Ub*]。最后,利用优选的固定压升区间对测试集中的锂电池进行SOH的在线估计。本发明是一种在线SOH估计方法,具有计算量小、估计精度高、实时性高、可在线应用等优点;在电池充电过程中提取的健康特征,易于采集,无需额外的仪器或实验,且可适用于电池所有的充电工况;提取健康特征的SOC区间是电池充电时常用的充电区间,更具有适用性。
Description
技术领域
本申请属于新能源汽车动力电池技术领域,涉及电池SOH在线估计方法,尤其涉及一种基于固定压升区间的电池SOH在线估计方法。
背景技术
由于能源危机和环境污染的日益加剧,大力发展新能源汽车已成为政府和企业的必然趋势。锂离子电池因具有比能量高、比功率高、使用寿命长等优点,被普遍使用在新能源汽车上。在电池的长期使用过程中,电池会产生容量衰减、内阻增加等老化现象,其不正当的使用还会造成起火、爆炸等事故。为了保证电池高效安全的使用,电池管理系统(BMS)十分关键,而电池健康状态(SOH)估计是其核心功能之一。准确的进行电池SOH估计,可以评测电池的老化状态,还可以为电池的荷电状态(SOC)估计提供基础,提高电池的动力性和安全性。
目前,电池SOH估计方法主要有:测量法、模型法和数据驱动法。测量法一般需要特殊的仪器或者特殊的测量条件,很难实现在线应用。模型法主要包括经验模型、电化学模型和等效电路模型。经验模型需要大量的实验,每一种经验模型的电池应用范围较单一;电化学模型存在电池大量内部参数,计算量较大,不易求解;等效电路模型随着电池的使用和外部环境的变化,求解精度会变低。相比于测量法、模型法,数据驱动法具有适应性强、稳定性好、估计精度高等优点。
近些年,在采用数据驱动进行电池SOH估计的方法研究中,多从电池放电阶段中提取健康特征,而电池的放电工况是较为复杂且多变的,因此这些方法往往具有测量难度大、应用复杂等缺点。因此,提供一种合理可靠、简单便捷、估计准确的基于充电过程的电池SOH在线估计方法,是十分必要的。
发明内容
针对现有技术存在的问题,本发明提供一种全新的基于固定压升区间的电池SOH在线估计方法,以实现简单便捷、准确可靠地进行电池SOH估计。
为了达到上述目的,本发明采用的技术方案如下:
一种基于固定压升区间的电池SOH在线估计方法,该方法中针对的训练集电池和测试集电池是相同种类、相同型号的电池,包括以下步骤:
步骤一、构建训练集电池数据。
对n个锂电池进行循环充放电实验,在恒流充电过程中选取锂电池充电的压升区间[Ua,Ub];训练集电池数据包括:第i(i=1,2,...,n)个电池在其第j(j=1,2,...,m)个充电循环从下截止电压到上截止电压的所充电量Qi,j,第i个电池在其第j(j=1,2,...,m)个充电循环在压升区间[Ua,Ub]的所充电量第i个电池对作一次线性拟合得到的斜率ki和截距bi。
步骤二、选取最优固定压升区间[Ua*,Ub*]。
计算训练集中所有锂电池拟合得到的斜率的平均值为计算训练集中所有锂电池拟合得到的截距的平均值为通过公式计算训练集中第i个锂电池第j个充电循环的估算最大可用容量第i个电池的容量估算误差为Ri,其中容量估算误差的计算方法可以为均方根误差、平均绝对误差、最大绝对误差等;通过公式计算训练集中所有锂电池容量估算误差的和为R(Ua,Ub);
将Ua,Ub作为优化算法的输入变量,将R(Ua,Ub)作为优化算法的目标函数,根据电池的常用SOC区间制定优化算法的边界条件L(Ua,Ub),通过训练选取最优的固定压升区间[Ua*,Ub*]以及训练集电池在固定压升区间[Ua*,Ub*]下的斜率平均值和截距平均值所述的优化算法可以为蚁群算法、粒子群算法、遗传算法、模拟退火算法、动态规划算法等。
步骤三、利用优选的固定压升区间对测试集中的锂电池进行SOH的在线估计。
对测试集中的被测电池进行充电,计算被测电池第j(j=1,2,...,m)个充电循环在最优固定升压区间[Ua*,Ub*]的所充电量为通过公式得到被测电池在第j个使用循环的估算最大可用容量通过公式得到被测电池在第j个使用循环的估计SOH值,其中,C额定为所述电池的额定容量。
与现有技术相比,本发明具有以下优点:
(1)是一种在线SOH估计方法,具有计算量小、估计精度高、实时性高、可在线应用等优点。
(2)在电池充电过程中提取的健康特征,易于采集,无需额外的仪器或实验,且可适用于电池所有的充电工况。
(3)提取健康特征的SOC区间是电池充电时常用的充电区间,使本发明更具有适用性。
附图说明
图1为本发明提供的基于固定压升区间的电池SOH在线估计方法的原理图;
图2为本发明具体实施实例的SOH估计效果图;图2(a)为电池各个循环对应的实际容量和估计容量图;图2(b)为电池各个循环对应的SOH百分比估计误差图。
具体实施方式
以下结合附图与具体实施方式,对本发明进一步作详细说明。
一种基于固定压升区间的电池SOH在线估计方法,其原理图如图1所示,训练集电池和测试集电池是相同种类、相同型号的电池,该类型电池的容量为1.1Ah,负极材料为LiCoO2,上截止电压为4.2V,下截止电压为2.7V,包括以下步骤:
步骤一、构建训练集电池数据。
训练集电池包含4个锂离子单体电池#1、#2、#3、#4,对训练集电池循环老化实验,充电工况为先1/2C恒流充电,到达上截止电压后恒压充电至电流小于0.05A,#1的放电工况为1/2C恒流放电,#2、#3的放电工况为1C恒流放电,#4的放电工况为1/10C、1/5C、1/2C、1C、1.5C、2C交替恒流放电。
在恒流充电过程中选取锂电池充电的压升区间[Ua,Ub],统计电池i(i=1,2,...,4)在其第j(j=1,2,...,m)个充电循环从下截止电压到上截止电压的所充电量Qi,j,电池i在其第j(j=1,2,...,m)个充电循环在压升区间[Ua,Ub]的所充电量电池i对Qi,j(j=1,2,...,m)作一次线性拟合得到的斜率ki和截距bi。
步骤二,利用遗传算法选取最优固定压升区间[Ua*,Ub*]。
通过公式计算训练集中4个锂电池拟合得到的斜率的平均值为通过公式计算训练集中所有锂电池拟合得到的截距的平均值为通过公式计算训练集中锂电池i在第j个充电循环的估算最大可用容量为通过公式计算锂电池i的容量估算误差为Ri,此时Ri为均方根误差;通过公式计算训练集中所有锂电池容量估算误差的和为R(Ua,Ub)。利用遗传算法选取最优固定压升区间[Ua*,Ub*],把Ua,Ub作为遗传算法的输入变量,把R(Ua,Ub)作为遗传算法的目标函数,根据电池的常用SOC区间制定优化算法的边界条件L(Ua,Ub),则通过遗传算法的训练选取最优的固定压升区间[3.801,4.002],计算的训练集电池在固定压升区间[3.801,4.002]下的斜率平均值截距平均值
步骤三、利用优选的固定压升区间对测试集中的锂电池进行SOH的在线估计。
训练集电池包含3个锂离子单体电池#5、#6、#7,对训练集电池循环老化实验,充电工况为先1/2C恒流充电,到达上截止电压后恒压充电至电流小于0.05A,#5、#6的放电工况为1C恒流放电,#7的放电工况为1/10C、1/5C、1/2C、1C、1.5C、2C交替恒流放电。对测试集中的单体电池#5、#6、#7进行充电,计算单体电池#5、#6、#7在第j(j=1,2,...,m)个充电循环在所述的最优固定升压区间[Ua*,Ub*]的所充电量为通过公式得到单体电池#5、#6、#7在第j个使用循环的估算最大可用容量通过公式得到单体电池#5、#6、#7在第j个使用循环的SOH估计值,其中,C额定为所述电池的额定容量。
本发明中的方法对单体电池#5、#6、#7在各个电池使用循环的SOH估计效果,如图2所示。单体电池#5、#6、#7在各个循环估计的SOH与实际的SOH值的百分比误差均在3%以内,SOH估计的均方根误差的平均值为0.92,SOH估计的最大绝对值误差的平均值为0.69。结果表明,本专利中所述方法可以应用于在线估计,方法简单便捷,计算量小,且估计精度很高。
以上所述实施例仅表达本发明的实施方式,但并不能因此而理解为对本发明专利的范围的限制,应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些均属于本发明的保护范围。
Claims (3)
1.一种基于固定压升区间的电池SOH在线估计方法,其特征在于,该方法中针对的训练集电池和测试集电池是相同种类、相同型号的电池,包括以下步骤:
步骤一、构建训练集电池数据;
对n个锂电池进行循环充放电实验,在恒流充电过程中选取锂电池充电的压升区间[Ua,Ub];训练集电池数据包括:第i(i=1,2,...,n)个电池在其第j(j=1,2,...,m)个充电循环从下截止电压到上截止电压的所充电量Qi,j,第i个电池在其第j(j=1,2,...,m)个充电循环在压升区间[Ua,Ub]的所充电量第i个电池对作一次线性拟合得到的斜率ki和截距bi;
步骤二、选取最优固定压升区间[Ua*,Ub*];
计算训练集中所有锂电池拟合得到的斜率的平均值为计算训练集中所有锂电池拟合得到的截距的平均值为通过公式计算训练集中第i个锂电池第j个充电循环的估算最大可用容量第i个电池的容量估算误差为Ri,通过公式计算训练集中所有锂电池容量估算误差的和为R(Ua,Ub);
将Ua,Ub作为优化算法的输入变量,将R(Ua,Ub)作为优化算法的目标函数,根据电池的常用SOC区间制定优化算法的边界条件L(Ua,Ub),通过训练选取最优的固定压升区间[Ua*,Ub*]以及训练集电池在固定压升区间[Ua*,Ub*]下的斜率平均值和截距平均值
步骤三、利用优选的固定压升区间对测试集中的锂电池进行SOH的在线估计;
2.根据权利要求1所述的一种基于固定压升区间的电池SOH在线估计方法,其特征在于,所述步骤二中容量估算误差的计算方法为均方根误差、平均绝对误差、最大绝对误差。
3.根据权利要求1所述的一种基于固定压升区间的电池SOH在线估计方法,其特征在于,所述步骤二中优化算法为蚁群算法、粒子群算法、遗传算法、模拟退火算法、动态规划算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010195525.0A CN111366864B (zh) | 2020-03-19 | 2020-03-19 | 一种基于固定压升区间的电池soh在线估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010195525.0A CN111366864B (zh) | 2020-03-19 | 2020-03-19 | 一种基于固定压升区间的电池soh在线估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111366864A true CN111366864A (zh) | 2020-07-03 |
CN111366864B CN111366864B (zh) | 2021-05-07 |
Family
ID=71209032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010195525.0A Expired - Fee Related CN111366864B (zh) | 2020-03-19 | 2020-03-19 | 一种基于固定压升区间的电池soh在线估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111366864B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112467238A (zh) * | 2020-11-30 | 2021-03-09 | 湖南立方新能源科技有限责任公司 | 一种锂电池残余容量管理方法及管理系统 |
CN112946507A (zh) * | 2021-02-01 | 2021-06-11 | 中国电力科学研究院有限公司 | 储能电池健康状态在线检测方法、系统、设备和存储介质 |
CN113030739A (zh) * | 2021-02-22 | 2021-06-25 | 福建星云电子股份有限公司 | 一种在充电过程估算电池性能指标的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090099799A1 (en) * | 2007-10-10 | 2009-04-16 | Texas Instruments Incorporated | Systems, Methods and Circuits for Determining Micro-Short |
WO2012060597A2 (ko) * | 2010-11-02 | 2012-05-10 | 에스케이이노베이션 주식회사 | 배터리의 교환 시기 통보 장치 및 방법 |
CN103176136A (zh) * | 2011-12-23 | 2013-06-26 | 三星Sdi株式会社 | 用于估计二次电池的寿命的装置及其方法 |
CN106569136A (zh) * | 2016-10-19 | 2017-04-19 | 广州市香港科大霍英东研究院 | 一种电池健康状态在线估计方法及系统 |
CN108549030A (zh) * | 2018-03-14 | 2018-09-18 | 重庆邮电大学 | 基于电压关键特性的锂电池在线健康状态快速预测方法 |
CN110187281A (zh) * | 2019-05-22 | 2019-08-30 | 天津大学 | 基于充电阶段健康特征的锂电池健康状态估算的方法 |
CN110398697A (zh) * | 2019-07-23 | 2019-11-01 | 北京工业大学 | 一种基于充电过程的锂离子健康状态估计方法 |
CN110531281A (zh) * | 2019-09-09 | 2019-12-03 | 合肥工业大学 | 用于估计动力蓄电池单元的健康状态的方法及系统 |
-
2020
- 2020-03-19 CN CN202010195525.0A patent/CN111366864B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090099799A1 (en) * | 2007-10-10 | 2009-04-16 | Texas Instruments Incorporated | Systems, Methods and Circuits for Determining Micro-Short |
WO2012060597A2 (ko) * | 2010-11-02 | 2012-05-10 | 에스케이이노베이션 주식회사 | 배터리의 교환 시기 통보 장치 및 방법 |
CN103176136A (zh) * | 2011-12-23 | 2013-06-26 | 三星Sdi株式会社 | 用于估计二次电池的寿命的装置及其方法 |
CN106569136A (zh) * | 2016-10-19 | 2017-04-19 | 广州市香港科大霍英东研究院 | 一种电池健康状态在线估计方法及系统 |
CN108549030A (zh) * | 2018-03-14 | 2018-09-18 | 重庆邮电大学 | 基于电压关键特性的锂电池在线健康状态快速预测方法 |
CN110187281A (zh) * | 2019-05-22 | 2019-08-30 | 天津大学 | 基于充电阶段健康特征的锂电池健康状态估算的方法 |
CN110398697A (zh) * | 2019-07-23 | 2019-11-01 | 北京工业大学 | 一种基于充电过程的锂离子健康状态估计方法 |
CN110531281A (zh) * | 2019-09-09 | 2019-12-03 | 合肥工业大学 | 用于估计动力蓄电池单元的健康状态的方法及系统 |
Non-Patent Citations (2)
Title |
---|
XUNING FENG ET AL.: "Online State-of-Health Estimation for Li-Ion Battery", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
林甜甜 等: "基于等幅度充电时间的锂离子电池", 《装备环境工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112467238A (zh) * | 2020-11-30 | 2021-03-09 | 湖南立方新能源科技有限责任公司 | 一种锂电池残余容量管理方法及管理系统 |
CN112946507A (zh) * | 2021-02-01 | 2021-06-11 | 中国电力科学研究院有限公司 | 储能电池健康状态在线检测方法、系统、设备和存储介质 |
CN112946507B (zh) * | 2021-02-01 | 2023-10-27 | 中国电力科学研究院有限公司 | 储能电池健康状态在线检测方法、系统、设备和存储介质 |
CN113030739A (zh) * | 2021-02-22 | 2021-06-25 | 福建星云电子股份有限公司 | 一种在充电过程估算电池性能指标的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111366864B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109031145B (zh) | 一种考虑不一致性的串并联电池组模型及实现方法 | |
CN106291372B (zh) | 一种新的锂离子动力电池剩余寿命预测方法 | |
CN106909716B (zh) | 计及容量损耗的磷酸铁锂电池建模及soc估计方法 | |
Jiaqiang et al. | Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge | |
CN107861075B (zh) | 一种确定动力电池sop的方法 | |
CN112436202B (zh) | 一种防止锂离子电池负极析锂的阶梯式电流充电方法 | |
CN111366864B (zh) | 一种基于固定压升区间的电池soh在线估计方法 | |
CN105356528A (zh) | 电池管理系统 | |
CN105071453A (zh) | 一种电池管理系统 | |
CN111239629B (zh) | 一种退役锂电池的梯次利用状态区间划分方法 | |
CN103163480A (zh) | 锂电池健康状态的评估方法 | |
CN105866700B (zh) | 一种锂离子电池快速筛选的方法 | |
CN104502859A (zh) | 电池荷电量及电池健康状态的检测、诊断方法 | |
CN102565710A (zh) | 用于估计蓄电池健康状态的方法和装置 | |
CN105467328A (zh) | 一种锂离子电池荷电状态估计方法 | |
CN111948546A (zh) | 一种锂电池健康度评估方法及系统 | |
CN107831444A (zh) | 一种锂离子电池健康状态估计方法 | |
CN107843846A (zh) | 一种锂离子电池健康状态估计方法 | |
CN111064253A (zh) | 一种基于平均离散Fréchet距离的电池健康度快速评估方法 | |
CN105242212A (zh) | 用于电池梯次利用的磷酸铁锂电池健康状态特征参数提取方法 | |
CN109581243A (zh) | 估算电池的soc的方法和装置 | |
CN111123136A (zh) | 一种锂离子电池健康状态在线测量装置及在线测量方法 | |
WO2022242058A1 (zh) | 针对现实新能源汽车的电池健康状态估计方法 | |
CN108417916B (zh) | 考虑电池不一致与老化共同演化的电池分选参数确定方法 | |
CN103135057A (zh) | 一种电池自放电性能的快速测量方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210507 |