CN111679214A - 预测电池的荷电状态的装置及方法 - Google Patents
预测电池的荷电状态的装置及方法 Download PDFInfo
- Publication number
- CN111679214A CN111679214A CN202010592558.9A CN202010592558A CN111679214A CN 111679214 A CN111679214 A CN 111679214A CN 202010592558 A CN202010592558 A CN 202010592558A CN 111679214 A CN111679214 A CN 111679214A
- Authority
- CN
- China
- Prior art keywords
- battery
- pulse signal
- charge
- state
- amplitude
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 27
- 239000007822 coupling agent Substances 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供一种预测电池的荷电状态的装置和方法，所述装置包括：脉冲模块，用于向电池发射脉冲信号；温度测量模块，用于测量所述电池的温度；处理器，分别与所述脉冲模块和所述温度测量模块电性连接，用于根据经过所述电池的脉冲信号和所述电池的温度预测所述电池的荷电状态。根据本申请提供的预测电池的荷电状态的装置和方法，可以更加准确地预测电池的荷电状态。
Description
技术领域
本申请涉及电池技术领域，尤其涉及一种预测电池的荷电状态的装置及方法。
背景技术
一般而言，电池的荷电状态(State of Charge，SOC)与电池的电压、工作电流和温度等因素密切相关。测量电池的SOC的常用方法有传统的电流积分法(安时积分法)、电池内阻法、放电试验法、开路电压法、负载电压法，也有较为创新的Kalman滤波法、模糊逻辑理论法和神经网络法等。其中开路电压法与放电试验法不适用于运行中的电池SOC估算。电流积分法误差会不断累积，需要定时做精确标定。例如，锂离子电池SOC变化时，其内阻和电压变化很小，测量结果非常不准确。Kalman滤波法依赖于模型建立的准确程度，其算法复杂且计算量大。神经网络法需要提取大量全面的目标样本数据对系统进行训练，在外界复杂因素作用下可能不够准确。因此，亟需提供一种能准确预测电池的荷电状态的装置和方法。
发明内容
有鉴于此，有必要提供一种预测电池的荷电状态的装置及方法，可以更加准确地预测电池的荷电状态。
本申请一实施方式提供了一种预测电池的荷电状态的装置，所述装置包括：
脉冲模块，用于向电池发射脉冲信号；温度测量模块，用于测量所述电池的温度；处理器，分别与所述脉冲模块和所述温度测量模块电性连接，用于根据经过所述电池的脉冲信号和所述电池的温度预测所述电池的荷电状态。
根据本申请的一些实施方式，所述脉冲模块包括脉冲信号源、脉冲信号发射端和脉冲信号接收端，所述脉冲信号发射端的一端与所述脉冲信号源相连，另一端连接用于连接所述电池的一侧，所述脉冲信号接收端用于连接所述电池的另一侧。
根据本申请的一些实施方式，所述脉冲模块还包括耦合剂，所述耦合剂设置在所述脉冲信号发射端与所述电池的一侧之间，所述耦合剂还设置在所述脉冲信号接收端与所述电池的另一侧之间。
根据本申请的一些实施方式，所述处理器用于对经过所述电池的脉冲信号进行采样和滤波，并提取滤波后的脉冲信号的所有峰值点的第一幅值；所述处理器还用于取所有峰值点的第一幅值中的最大值作为第一有效拐点幅值，并输出所述第一有效拐点幅值对应的时间区间；所述处理器还用于提取所述时间区间内的脉冲信号的所有峰值点的第二幅值，并取所有峰值点的第二幅值中的最大值作为第二有效拐点幅值，以及根据所述第二有效拐点幅值和所述电池的温度与所述电池的荷电状态之间的对应关系，预测所述电池的荷电状态。
根据本申请的一些实施方式，所述处理器还用于比对所述第一有效拐点幅值与预设幅值的大小；当所述第一有效拐点幅值大于或等于所述预设幅值时，触发预警机制。
本申请一实施方式提供了一种预测电池的荷电状态的方法，所述预测电池的荷电状态的方法包括：接收经过电池的脉冲信号；接收所述电池的温度；根据经过所述电池的脉冲信号和所述电池的温度预测所述电池的荷电状态。
根据本申请的一些实施方式，所述根据经过所述电池的脉冲信号和所述电池的温度预测所述电池的荷电状态包括：对经过所述电池的脉冲信号进行采样和滤波；提取滤波后的脉冲信号的所有峰值点的第一幅值，并设定所有峰值点的第一幅值中的最大值作为第一有效拐点幅值；输出所述第一有效拐点幅值对应的时间区间；提取所述时间区间内的脉冲信号的所有峰值点的第二幅值，并设定所有峰值点的第二幅值中的最大值作为第二有效拐点幅值；及根据所述第二有效拐点幅值和所述电池的温度与所述电池的荷电状态之间的对应关系，预测所述电池的荷电状态。
根据本申请的一些实施方式，所述方法还包括：比对所述第一有效拐点幅值与预设幅值的大小；当所述第一有效拐点幅值大于或等于所述预设幅值时，触发预警机制。
根据本申请的一些实施方式，所述对经过所述电池的脉冲信号进行采样和滤波包括：通过滑动平均滤波算法对经过所述电池的脉冲信号进行采样和滤波；将滤波处理后的所述脉冲信号导入预设滤波器模型中再次进行滤波处理。
根据本申请的一些实施方式，所述预设滤波器模型为：
e(n)＝d(n)-y(n)
其中，y(n)表示输出信号，x(n)表示输入信号，e(n)表示误差，d(n)表示期望信号。
根据本申请的一些实施方式，最小均方的权值更新法则为：w(n+1)＝w(n)+βe(n)x(n)，最小均方的收敛条件为
其中，R(n)＝E[x(n)xT(n)]。
本申请的实施方式提供的预测电池的荷电状态的装置及方法，通过接收穿透所述电池后的脉冲信号，并根据所述脉冲信号和测量的温度预测所述电池的荷电状态。从而可以依靠脉冲信号探测电池的结构变化，进而获得电池SOC；此外，进一步结合温度信息，可以更加准确的预测电池的荷电状态。
附图说明
图1是根据本申请一实施方式的预测电池的荷电状态的装置的结构示意图。
图2是根据本申请一实施方式的脉冲模块的示意图。
图3是根据本申请一实施方式的电池寿命预测方法的流程图。
图4是根据本申请一实施方式的电池寿命预测方法中步骤S3的细化流程图。
图5A是电池在充电状态下的Map图。
图5B是电池在放电状态下的Map图。
图6是根据本申请一实施方式的荷电状态预测系统的功能模块图。
主要元件符号说明
预测电池的荷电状态的装置 1
荷电状态预测系统 10
脉冲模块 11
脉冲信号源 110
脉冲信号发射端 111
耦合剂 112
脉冲信号接收端 113
温度测量模块 12
电池管理系统 13
模拟前端模块 130
处理器 14
通信模块 15
电池 2
负载 3
上位机 4
第一接收模块 101
第二接收模块 102
处理模块 103
如下具体实施方式将结合上述附图进一步详细说明本申请。
具体实施方式
下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。
请参阅图1，所述预测电池的荷电状态的装置1(为了便于描述，后文简称“预测装置1”)包括，但不仅限于，脉冲模块11、温度测量模块12和处理器14。所述脉冲模块11、温度测量模块12分别与所述处理器14电性连接。所述脉冲模块11、温度测量模块12还与电池2电性连接。所述电池2与一负载3电性连接。所述处理器14也与所述负载3电性连接。
在一个实施例中，所述电池2为可充电电池。例如，所述电池2为锂离子电池。所述电池2包括多个电芯(图中未示出)，所述电池2可以采用可循环再充电的方式反复充电。所述预测电池的荷电状态的装置1还包括电池管理系统13，所述电池2通过电池管理系统13与所述处理器14逻辑相连，从而通过所述电池管理系统实现充电、放电、以及功耗管理等功能。
在一个实施例中，所述负载3可以为电动摩托、电动单车、电动汽车、手机、平板电脑、个数数字助理、个人电脑，或者任何其他适合的可充电式设备。
在本实施方式中，如图2所示，所述脉冲模块11包括脉冲信号源110、脉冲信号发射端111、耦合剂112和脉冲信号接收端113。所述脉冲模块11用于向电池2发射脉冲信号。所述脉冲信号发射端111的一端与所述脉冲信号源110相连，另一端连接在所述电池2的一侧，所述电池2的另一侧与所述脉冲信号接收端113连接。为了降低脉冲信号发射和接收的衰减损失，需要排除脉冲信号发射端111和脉冲信号接收端113与被测电池2之间的空气。在本实施方式中，可以在所述脉冲信号发射端111与电池之间，以及在所述脉冲信号接收端113与电池2之间附着耦合剂112。所述耦合剂112包括润滑脂等常见耦合剂。
在本实施方式中，所述脉冲信号源110为激励信号生成单元，用于产生脉冲信号。所述脉冲信号包括，但不限于，电磁波和声波。在一实施方式中，所述脉冲信号的频率为200KHz左右。经过大量实验后发现，对于软包锂离子电池，200KHZ脉冲会出现明显的两个脉冲峰值。而对于其他活性材质不同的电池，所述脉冲信号的频率不应局限于200KHZ。
在本实施方式中，所述脉冲信号源110产生的脉冲信号经过脉冲信号发射端111传送至所述电池2的一侧，并从所述电池2的一侧穿过电池2到达电池的另一侧。即在所述脉冲信号经过所述电池2后，所述脉冲信号接收端113接收所述脉冲信号。由于脉冲信号形成、传输和接收过程中不可避免的会伴有干扰信号，这些干扰信号影响了正常信号(即所述脉冲信号)的质量。由于电池荷电状态(State of Charge，SOC)精度存在较高要求，未经滤波的脉冲信号是无法用于电池SOC预测的。因此，在所述脉冲信号接收端113接收到所述脉冲信号后，需要对所述脉冲信号进行滤波处理和高速信号处理，将所述脉冲信号还原成模拟信号。在一实施方式中，所述滤波处理包括对所述脉冲信号进行带通滤波器滤波和高通滤波器滤波，所述高速信号处理包括高速ADC采样及FPGA的数字信号处理。从而对经过所述电池2的脉冲信号进行采样，并将所述脉冲信号还原成模拟信号。
所述温度测量模块12用于测量电池2的温度，并传送测量的温度信息至所述处理器14。所述温度测量模块12可以包括，但不限于热敏电阻(NTC)等常用温度测量元器件及常用的电路保护元器件。
所述电池管理系统13包括模拟前端模块130，所述模拟前端模块130用于对电池2的电压和电流进行采样，并对电池2进行故障保护和电池均衡。所述模拟前端模块130包括，但不限于BQ7630等常用电池监视器及平衡器及常用的电路保护元器件。
所述处理器14用于对经过所述电池2的脉冲信号进行采样和滤波；并提取滤波后的脉冲信号的所有峰值点的第一幅值；取所有峰值点的第一幅值中的最大值作为第一有效拐点幅值，并比对所述第一有效拐点幅值与预设幅值的大小；当所述第一有效拐点幅值小于所述预设幅值时，输出所述第一有效拐点幅值对应的时间区间；提取所述时间区间内的脉冲信号的所有峰值点的第二幅值；取所有峰值点的第二幅值中的最大值作为第二有效拐点幅值；根据所述第二有效拐点幅值和所述电池的温度与所述电池的荷电状态之间的对应关系，预测所述电池的荷电状态。
在一实施方式中，所述处理器14对经过所述电池2的脉冲信号进行采样和滤波包括：通过滑动平均滤波算法对所述脉冲信号进行采样和滤波，将滤波处理后的所述脉冲信号导入预设滤波器模型中再次进行滤波处理。所述滑动平均滤波算法对经过所述电池2的脉冲信号进行采样和滤波包括：将N个脉冲采样点导入一个长度固定为N的队列；每进行一次新的脉冲采样，将新的脉冲采样结果放进所述队列的队尾，并去掉原来队首的一个数脉冲采样结果；在采样M(如20)次后，将所述队列中的N个脉冲采样结果进行算术平均运算得到新的滤波结果。
由于滑动平均滤波算法对接近脉冲发射源的噪声成分滤除效果不佳，为了提高脉冲精度，进一步将脉冲信号导入所述处理器14中的预设滤波器模型进行滤波处理。所述预设滤波器模型为Matlab滤波器模型，所述预设滤波器模型如下：
w(n+1)＝w(n)+βe(n)x(n)
e(n)＝d(n)-y(n)
其中，y(n)是输出信号，x(n)是输入信号，e(n)表示误差，d(n)表示期望信号，w(n+1)＝w(n)+βe(n)x(n)表示最小均方权值更新法则。本申请为了设计最优化滤波器模型，调整参数使得估计误差的均方值最小，其算法代价函数：
J＝E[e(n)e*(n)]＝E[|e(n)|2]
取最佳滤波参数，即：
式中，Wopt(n)是最佳滤波器参数，可得：
wopt(n)＝R-1(n)p(n)
R-1(n)可由R(n)导出，其中：
R(n)＝E[x(n)xT(n)]
为了保证其收敛性，步长β需满足条件
式子中λmax为R的最大特征值，通过自相关矩阵的正定性得到：
λmax<tr[R]
又因为：
因此，最小均方(Least mean squares，LMS)收敛条件为：
在一实施方式中，所述处理器14在对经过所述电池2的脉冲信号进行采样和滤波前，还可以对所述经过电池2的脉冲信号进行限幅滤波处理。在本实施方式中，确认所述经过电池2的脉冲信号的幅值是否落入预设幅值范围；当所述脉冲信号的幅值大于所述预设幅值范围中的最大值或者小于所述预设幅值范围中的最小值，确认所述电池2的健康状态开始下降，需进行故障预警及采取响应保护措施。当所述脉冲信号的幅值落入所述预设幅值范围中时，确认所述电池2的健康良好。
在一实施方式中，所述预测装置1还包括通信模块15，所述通信模块15与所述处理器14电性连接。所述预测装置1可以通过所述通信模块15与上位机4通信连接。所述上位机4与所述预测装置1之间的通信方式不限于蓝牙、Zigbee、UART和CAN等常用的有线及无线通信方式。
在一实施方式中，所述处理器14还可以发送所述电池2的荷电状态至上位机4。所述上位机4包括常见的PC端、手机端和平板等终端。
请参阅图3，图3为根据本申请一实施方式的电池寿命预测方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。所述电池寿命预测方法可以包括以下步骤：
步骤S1：接收经过电池的脉冲信号。
在本实施方式中，所述脉冲信号源110产生的脉冲信号经过脉冲信号发射端111传送至所述电池2的一侧，并从所述电池2的一侧穿过电池2到达电池2的另一侧。即在所述脉冲信号经过所述电池2后，所述脉冲信号接收端113接收所述脉冲信号，并发送经过所述电池的脉冲信号至所述处理器14。
步骤S2：接收所述电池的温度。
由于外界温度对电池2的荷电状态具有一定的影响。因此，在本实施方式中，考虑温度对所述荷电状态的影响，通过温度测量模块12测量电池2的温度，并发送至所述处理器14。
步骤S3：根据经过所述电池的脉冲信号和所述电池的温度预测所述电池的荷电状态。
在本实施方式中，通过接收穿透所述电池2后的脉冲信号，并根据所述脉冲信号和测量的温度预测所述电池的荷电状态。具体如何预测所述电池的荷电状态的方法请参图4所示的流程图。
请参阅图4，图4为根据本申请一实施方式的电池寿命预测方法中步骤S3的细化流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。所述电池寿命预测方法可以包括以下步骤：
步骤S30：对经过电池2的脉冲信号进行采样和滤波。
在本实施方式中，通过滑动平均滤波算法对经过电池2的脉冲信号进行采样和滤波，将滤波处理后的所述脉冲信号导入预设滤波器模型中再次进行滤波处理。
所述通过滑动平均滤波算法对经过电池2的脉冲信号进行采样和滤波包括：将N个脉冲采样点导入一个长度固定为N的队列；每进行一次新的脉冲采样，将新的脉冲采样结果放进所述队列的队尾，并去掉原来队首的一个数脉冲采样结果；在采样M(如20)次后，将所述队列中的N个脉冲采样结果进行算术平均运算得到新的滤波结果。所述预设滤波器模型在上文已描述，这里不再赘述。
在一实施方式中，在对所述经过电池2的脉冲信号进行采样和滤波之前，还对所述脉冲信号进行限幅滤波处理。具体的，确认经过所述电池2的脉冲信号的幅值是否落入预设幅值范围；当所述脉冲信号的幅值大于所述预设幅值范围中的最大值或者小于所述预设幅值范围中的最小值，确认所述电池2的健康状态开始下降，需进行故障预警及采取响应保护措施。当所述脉冲信号的幅值落入所述预设幅值范围中时，确认所述电池2的健康良好。
步骤S31：提取滤波后的脉冲信号的所有峰值点的第一幅值，并设定所有峰值点的第一幅值中的最大值作为第一有效拐点幅值。
可以理解的是，每个脉冲信号可以包括多个波峰，每个波峰具有一个峰值。在本实施方式中，提取所述脉冲信号的所有波峰的峰值点的幅值(即第一幅值)，并设定所有峰值点的第一幅值中的最大值作为第一有效拐点幅值。
步骤S32：比对所述第一有效拐点幅值是否小于预设幅值。
在本实施方式中，为了进行故障预警，比对所述第一有效拐点幅值是否小于预设幅值(如380)；当所述第一有效拐点幅值小于所述预设幅值时，确认电池2的健康状态良好，流程进入步骤S33；当所述第一有效拐点幅值大于或等于所述预设幅值时，确认电池2的健康状态下降，流程进入步骤S36。
步骤S33：输出所述第一有效拐点幅值对应的时间区间。
在本实施方式中，通过寻找脉冲信号的第一有效拐点确认所述脉冲信号中的第二有效拐点，需要先确认所述第二有效拐点所在的时间区间。在本实施方式中，输出所述第一有效拐点幅值d1对应的时间t1所在的时间区间t∈[t1+60，t1+120]，从而可以在所述时间区间内继续寻找有效拐点。
步骤S34：提取所述时间区间内的脉冲信号的所有峰值点的第二幅值，并设定所有峰值点的第二幅值中的最大值作为第二有效拐点幅值。
步骤S35：根据所述第二有效拐点幅值和所述电池的温度与所述电池2的荷电状态之间的对应关系，预测所述电池2的荷电状态。
由于不同充放电状态，不同SOC对应的第二有效拐点幅值规律并不相同，且考虑到外界温度的影响，因此需要建立三维Map图。所述三维Map图分为充电状态三维Map图和放电状态三维Map图，由试验标定得到，其中x轴表示SOC，y轴表示温度，z轴表示第二有效拐点幅值。在本实施方式中，将所述第二有效拐点幅值和所述电池的温度导入所述处理器14中预先存储的map图中，如图5A所示充电状态下的Map图和图5B所示的放电状态下的Map图。
需要说明的是，在一实施方式中，可以根据实施第二有效拐点幅值与所述电池2的荷电状态之间的对应关系，预测所述电池2的荷电状态。但是由于温度对电池2的荷电状态具有一定影响，本申请为了能够更加准确的预测电池2的荷电状态，通过根据所述第二有效拐点幅值和所述电池的温度与所述电池2的荷电状态之间的对应关系，预测所述电池2的荷电状态。
步骤S36：触发预警机制。例如，所述预警机制可以是软件报警模块，在电池2健康状况下降时，可以触发上位机4故障报警显示及常用硬件保护。
本申请提供的预测电池的荷电状态的方法，为电池SOC的预测提供了一种全新的思路，该方法不依赖于电学参数测量，而是依靠脉冲探测电池的负极结构变化，进而获得电池SOC。该方法简单直接，有效地解决电池的SOC估算不精准的问题，并对电池可能出现的故障及时作出预警。本申请还为脉冲信号提供一种软件滤波模型，提高了脉冲信号的采样精度。
请参阅图6，在本实施方式中，本申请还提供一种荷电状态预测系统10，运行于所述预测装置1中。所述荷电状态预测系统10可以被分割成一个或多个模块，所述一个或多个模块可存储在所述处理器14中，并由所述处理器14执行本申请实施例的预测电池的荷电状态的方法。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述荷电状态预测系统10在所述预测装置1中的执行过程。例如，所述荷电状态预测系统10可以被分割成图6中的第一接收模块101、第二接收模块102以及处理模块103。
所述第一接收模块101用于接收经过电池的脉冲信号；所述第二接收模块102用于接收所述电池的温度；所述处理模块103用于根据经过所述电池的脉冲信号和所述电池的温度预测所述电池的荷电状态。
所述荷电状态预测系统10可以为电池SOC的预测提供了一种全新的思路，该方法不依赖于电学参数测量，而是依靠脉冲探测电池的负极结构变化，进而获得电池SOC。该方法简单直接，有效地解决电池的SOC估算不精准的问题。具体内容可以参见上述预测电池的荷电状态的方法的实施例，在此不再详述。
在一实施方式中，所述处理器14可以是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-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。
所述荷电状态预测系统10中的模块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，本申请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，所述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(Read-Only Memory，ROM)等。
可以理解的是，以上所描述所述荷电状态预测系统10中的模块划分，为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能模块可以集成在相同处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在相同单元中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将本申请上述的实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。
Claims (11)
1.一种预测电池的荷电状态的装置，其特征在于，该装置包括：
脉冲模块，用于向电池发射脉冲信号；
温度测量模块，用于测量所述电池的温度；
处理器，分别与所述脉冲模块和所述温度测量模块电性连接，用于根据经过所述电池的脉冲信号和所述电池的温度预测所述电池的荷电状态。
2.如权利要求1所述的预测电池的荷电状态的装置，其特征在于，所述脉冲模块包括脉冲信号源、脉冲信号发射端和脉冲信号接收端，所述脉冲信号发射端的一端与所述脉冲信号源相连，另一端连接用于连接所述电池的一侧，所述脉冲信号接收端用于连接所述电池的另一侧。
3.如权利要求2所述的预测电池的荷电状态的装置，其特征在于，所述脉冲模块还包括耦合剂，所述耦合剂设置在所述脉冲信号发射端与所述电池的一侧之间，所述耦合剂还设置在所述脉冲信号接收端与所述电池的另一侧之间。
4.如权利要求1所述的预测电池的荷电状态的装置，其特征在于，
所述处理器用于对经过所述电池的脉冲信号进行采样和滤波，并提取滤波后的脉冲信号的所有峰值点的第一幅值；所述处理器还用于取所有峰值点的第一幅值中的最大值作为第一有效拐点幅值，并输出所述第一有效拐点幅值对应的时间区间；所述处理器还用于提取所述时间区间内的脉冲信号的所有峰值点的第二幅值，并取所有峰值点的第二幅值中的最大值作为第二有效拐点幅值，以及根据所述第二有效拐点幅值和所述电池的温度与所述电池的荷电状态之间的对应关系，预测所述电池的荷电状态。
5.如权利要求4所述的预测电池的荷电状态的装置，其特征在于，所述处理器还用于比对所述第一有效拐点幅值与预设幅值的大小；当所述第一有效拐点幅值大于或等于所述预设幅值时，触发预警机制。
6.一种预测电池的荷电状态的方法，其特征在于，所述预测电池的荷电状态的方法包括：
接收经过电池的脉冲信号；
接收所述电池的温度；
根据经过所述电池的脉冲信号和所述电池的温度预测所述电池的荷电状态。
7.如权利要求6所述的预测电池的荷电状态的方法，其特征在于，所述根据经过所述电池的脉冲信号和所述电池的温度预测所述电池的荷电状态包括：
对经过所述电池的脉冲信号进行采样和滤波；
提取滤波后的脉冲信号的所有峰值点的第一幅值，并设定所有峰值点的第一幅值中的最大值作为第一有效拐点幅值；
输出所述第一有效拐点幅值对应的时间区间；
提取所述时间区间内的脉冲信号的所有峰值点的第二幅值，并设定所有峰值点的第二幅值中的最大值作为第二有效拐点幅值；及
根据所述第二有效拐点幅值和所述电池的温度与所述电池的荷电状态之间的对应关系，预测所述电池的荷电状态。
8.如权利要求7所述的预测电池的荷电状态的方法，其特征在于，所述方法还包括：
比对所述第一有效拐点幅值与预设幅值的大小；
当所述第一有效拐点幅值大于或等于所述预设幅值时，触发预警机制。
9.如权利要求7所述的预测电池的荷电状态的方法，其特征在于，所述对经过所述电池的脉冲信号进行采样和滤波包括：
通过滑动平均滤波算法对经过所述电池的脉冲信号进行采样和滤波；
将滤波处理后的所述脉冲信号导入预设滤波器模型中再次进行滤波处理。
10.如权利要求9所述的预测电池的荷电状态的方法，其特征在于，所述预设滤波器模型为：
e(n)＝d(n)-y(n)
其中，y(n)表示输出信号，x(n)表示输入信号，e(n)表示误差，d(n)表示期望信号。
11.如权利要求10所述的预测电池的荷电状态的方法，其特征在于：最小均方的权值更新法则为：w(n+1)＝w(n)+βe(n)x(n)，最小均方的收敛条件为
其中，R(n)＝E[x(n)xT(n)]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010592558.9A CN111679214B (zh) | 2020-06-24 | 2020-06-24 | 预测电池的荷电状态的装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010592558.9A CN111679214B (zh) | 2020-06-24 | 2020-06-24 | 预测电池的荷电状态的装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111679214A true CN111679214A (zh) | 2020-09-18 |
| CN111679214B CN111679214B (zh) | 2023-06-20 |
Family
ID=72437137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010592558.9A Active CN111679214B (zh) | 2020-06-24 | 2020-06-24 | 预测电池的荷电状态的装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111679214B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014049401A (ja) * | 2012-09-04 | 2014-03-17 | Nissan Motor Co Ltd | 電池状態推定装置、当該電池状態推定装置を備えた車両、及び、電池状態推定方法 |
| KR20140049331A (ko) * | 2012-10-17 | 2014-04-25 | 현대모비스 주식회사 | 초음파 센서를 이용한 배터리 충전상태 연산방법 |
| CN107394848A (zh) * | 2017-08-25 | 2017-11-24 | 湖北尚纬新能源技术有限公司 | 基于非接触式储能电池监测的控制装置 |
| CN206848211U (zh) * | 2017-03-01 | 2018-01-05 | 侬泰轲（上海）检测科技有限责任公司 | 一种超声检测系统 |
| CN207409617U (zh) * | 2017-09-08 | 2018-05-25 | 侬泰轲（昆山）检测科技有限公司 | 一种电池的封装结构 |
| CN108963356A (zh) * | 2018-06-12 | 2018-12-07 | 无锡智安能科技有限公司 | 一种获取锂离子电池内部状态分布的装置及其方法 |
| CN109216772A (zh) * | 2017-07-07 | 2019-01-15 | 潘永东 | 一种用于监测锂电池内部状态的封装结构及封装方法 |
| CN109283121A (zh) * | 2018-10-11 | 2019-01-29 | 迈克医疗电子有限公司 | 脉冲识别方法和装置、分析仪器、存储介质 |
| CN109646005A (zh) * | 2018-12-10 | 2019-04-19 | 中国科学院电子学研究所 | 用力肺活量计算方法、装置、电子设备及存储介质 |
| CN107102189B (zh) * | 2017-04-14 | 2019-05-17 | 西南交通大学 | 基于s函数的变步长lms谐波电流检测方法 |
| CN110118938A (zh) * | 2019-04-11 | 2019-08-13 | 华中科技大学 | 基于超声波频谱分析锂电池内部状态的方法及装置 |
| CN111044909A (zh) * | 2019-12-31 | 2020-04-21 | 北京理工大学 | 电池的状态预测方法及装置 |
-
2020
- 2020-06-24 CN CN202010592558.9A patent/CN111679214B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014049401A (ja) * | 2012-09-04 | 2014-03-17 | Nissan Motor Co Ltd | 電池状態推定装置、当該電池状態推定装置を備えた車両、及び、電池状態推定方法 |
| KR20140049331A (ko) * | 2012-10-17 | 2014-04-25 | 현대모비스 주식회사 | 초음파 센서를 이용한 배터리 충전상태 연산방법 |
| CN206848211U (zh) * | 2017-03-01 | 2018-01-05 | 侬泰轲（上海）检测科技有限责任公司 | 一种超声检测系统 |
| CN107102189B (zh) * | 2017-04-14 | 2019-05-17 | 西南交通大学 | 基于s函数的变步长lms谐波电流检测方法 |
| CN109216772A (zh) * | 2017-07-07 | 2019-01-15 | 潘永东 | 一种用于监测锂电池内部状态的封装结构及封装方法 |
| CN107394848A (zh) * | 2017-08-25 | 2017-11-24 | 湖北尚纬新能源技术有限公司 | 基于非接触式储能电池监测的控制装置 |
| CN207409617U (zh) * | 2017-09-08 | 2018-05-25 | 侬泰轲（昆山）检测科技有限公司 | 一种电池的封装结构 |
| CN108963356A (zh) * | 2018-06-12 | 2018-12-07 | 无锡智安能科技有限公司 | 一种获取锂离子电池内部状态分布的装置及其方法 |
| CN109283121A (zh) * | 2018-10-11 | 2019-01-29 | 迈克医疗电子有限公司 | 脉冲识别方法和装置、分析仪器、存储介质 |
| CN109646005A (zh) * | 2018-12-10 | 2019-04-19 | 中国科学院电子学研究所 | 用力肺活量计算方法、装置、电子设备及存储介质 |
| CN110118938A (zh) * | 2019-04-11 | 2019-08-13 | 华中科技大学 | 基于超声波频谱分析锂电池内部状态的方法及装置 |
| CN111044909A (zh) * | 2019-12-31 | 2020-04-21 | 北京理工大学 | 电池的状态预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 钜大LARGE: "超声就能确定电池SOC状态?", 《百度，网页：HTTP://WWW.JUDA.CN/NEWS/28477.HTML》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111679214B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11728525B2 (en) | Battery adaptive charging | |
| JP5349810B2 (ja) | 蓄電装置の異常検出装置及び方法並びにプログラム | |
| CN110658464B (zh) | 确定电池健康状态的方法、存储介质以及系统 | |
| JPWO2019171688A1 (ja) | 二次電池の残存性能評価方法、二次電池の残存性能評価プログラム、演算装置、及び残存性能評価システム | |
| US9645200B2 (en) | Battery power measuring method, measuring device and battery-powered equipment | |
| KR20200023672A (ko) | 딥러닝을 이용한 전지 진단 방법 | |
| CN113189495B (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
| KR20160030643A (ko) | 배터리 잔존수명 실시간 추정 장치 및 방법 | |
| JP2022545033A (ja) | 電池診断装置および方法 | |
| Zhu et al. | The SOH estimation of LiFePO4 battery based on internal resistance with Grey Markov Chain | |
| Wang et al. | Active acoustic emission sensing for fast co-estimation of state of charge and state of health of the lithium-ion battery | |
| CN109490790B (zh) | 采用补偿脉冲法的锂动力电池功率特性测试方法及装置 | |
| Xiao et al. | Rapid measurement method for lithium‐ion battery state of health estimation based on least squares support vector regression | |
| KR20230080112A (ko) | 배터리 현재 상태 예측을 위한 배터리 진단 장치 | |
| US20240222721A1 (en) | Battery adaptive charging using battery physical phenomena | |
| Pan et al. | An integration and selection scheme for capacity estimation of Li-ion battery based on different state-of-charge intervals | |
| CN106599333B (zh) | 一种电源soh的估算方法 | |
| Wang et al. | Modeling, parameterization, and benchmarking of a lithium ion electric bicycle battery | |
| CN111679214B (zh) | 预测电池的荷电状态的装置及方法 | |
| CN116203437A (zh) | 剩余放电时间的显示方法、电子设备和储能设备 | |
| Gagneur et al. | Lithium-ion state of charge observer with open circuit voltage hysteresis model | |
| Vatani et al. | Cycling lifetime prediction model for lithium-ion batteries based on artificial neural networks | |
| JP2023516720A (ja) | バッテリーのための過電圧特性評価装置及び過電圧特性評価方法 | |
| KR101145993B1 (ko) | 배터리의 잔여용량 측정방법 | |
| JP2014238302A (ja) | 二次電池のインピーダンスの評価方法、および二次電池のインピーダンスの評価装置 |
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 |