CN111781529B - 基于电动汽车云端数据的电池组单体容量估计方法和装置 - Google Patents

基于电动汽车云端数据的电池组单体容量估计方法和装置 Download PDF

Info

Publication number
CN111781529B
CN111781529B CN202010673045.0A CN202010673045A CN111781529B CN 111781529 B CN111781529 B CN 111781529B CN 202010673045 A CN202010673045 A CN 202010673045A CN 111781529 B CN111781529 B CN 111781529B
Authority
CN
China
Prior art keywords
monomer
capacity
battery pack
residual
battery
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
CN202010673045.0A
Other languages
English (en)
Other versions
CN111781529A (zh
Inventor
周正
厉凯
李家琦
陆一凡
郑岳久
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010673045.0A priority Critical patent/CN111781529B/zh
Publication of CN111781529A publication Critical patent/CN111781529A/zh
Application granted granted Critical
Publication of CN111781529B publication Critical patent/CN111781529B/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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明涉及一种基于电动汽车云端数据的电池组单体容量估计方法和装置，方法包括以下步骤：1)基于电动汽车云端充电数据，运用安时积分法，获取第一电池组容量，然后通过模糊卡尔曼滤波算法，修正所述第一电池组容量，得到第二电池组容量；2)基于电动汽车云端单体电压数据，估计单体剩余充电电量；3)基于电动汽车云端单体电压数据，估计单体剩余放电电量；4)根据所述第二电池组容量、单体剩余充电电量和单体剩余放电电量，计算电池组单体容量。与现有技术相比，本发明基于电动汽车云端海量数据，融合了模糊卡尔曼滤波以及RCC、RDC算法，进行电池单体容量的估计，有效提高单体容量的估计精度。

Description

基于电动汽车云端数据的电池组单体容量估计方法和装置
技术领域
本发明涉及电池组单体容量估计领域，尤其是涉及基于电动汽车云端数据的电池组单体容量估计方法和装置。
背景技术
近年来随着电池技术的不断进步，电动汽车由于符合当今社会对于节能环保方面的需求，因此具有广阔的发展前景。
电动汽车电池组一般由多个电池单体串联叠置组成，相同规格的电池单体由于制造过程中存在工艺上的问题和材质的不均匀等问题，使其在出厂时便存在很微小的差别。此外，在电池组投入使用后，受电池组中各个单体的电解液密度、温度和通风条件、自放电程度及充放电过程等差别的影响，同一批次出厂的同一型号电池容量和内阻可能存在差异性。
如果电池组中的一个单体的容量稍微低于其他电池，那么经过多个充电/放电周期后，其充电状态将逐渐偏离其它单体。如果这个单体的充电状态没有周期性地与其它单体平衡，那么它最终将进入深度放电状态，从而导致损坏，并最终形成电池组故障，所以目前准确估计电池组中各个单体的状态至关重要。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确估计电池组中各个单体的状态的基于电动汽车云端数据的电池组单体容量估计方法和装置。
本发明的目的可以通过以下技术方案来实现：
一种基于电动汽车云端数据的电池组单体容量估计方法，包括以下步骤：
电池组容量估计步骤：基于电动汽车云端充电数据，运用安时积分法，获取第一电池组容量，然后通过模糊卡尔曼滤波算法，修正所述第一电池组容量，得到第二电池组容量；
单体剩余充电电量估计步骤：基于电动汽车云端单体电压数据，估计单体剩余充电电量；
单体剩余放电电量估计步骤：基于电动汽车云端单体电压数据，估计单体剩余放电电量；
电池组单体容量估计步骤：根据所述第二电池组容量、单体剩余充电电量和单体剩余放电电量，计算电池组单体容量。
进一步地，所述单体剩余放电电量估计步骤中，根据充电单体电压曲线一致性假设，估计单体剩余充电电量；
所述电池组单体容量估计步骤中，根据充电单体电压曲线一致性假设，估计单体剩余放电电量。
进一步地，所述电池组单体容量的计算表达式为：
Qi＝Qsys+RCCi+RDCi
式中，Qi为电池组中单体i的容量，Qsys为第二电池组容量，RCCi为电池组中单体i的单体剩余充电电量，RDCi为电池组中单体i的单体剩余放电电量。
进一步地，所述单体剩余充电电量估计步骤具体包括以下步骤：
S101：根据电动汽车云端单体电压数据，获取电池组的充电截止时间，并将电池组中第一个充电到充电截止电压的单体作为充电基准单体；
S102：从电池组中选取除充电基准单体的一单体作为被测单体，通过平移单体的充电单体电压曲线，从而获取被测单体的剩余充电时间，进而计算被测单体的单体剩余充电电量。
进一步地，通过插值法计算被测单体的单体剩余充电电量。
进一步地，所述单体剩余充电电量的计算表达式为：
Figure BDA0002583035820000021
式中，RCCi为单体i的单体剩余充电电量，I为充电电流，Δti,C为单体i的剩余充电时间，tCE为充电截止时间。
进一步地，所述单体剩余放电电量估计步骤具体包括以下步骤：
S201：根据电动汽车云端单体电压数据，获取电池组的放电截止时间，并将电池组中第一个放电到放电截止电压的单体作为放电基准单体；
S202：从电池组中选取除放电基准单体的一单体作为被测单体，通过平移单体的充电单体电压曲线，从而获取被测单体的剩余放电时间，进而计算被测单体的单体剩余放电电量。
进一步地，所述单体剩余放电电量的计算表达式为：
Figure BDA0002583035820000031
式中，RDCi为单体i的单体剩余放电电量，I为充电电流，Δti,D为单体i的剩余放电时间，tDE为放电截止时间。
进一步地，电池组容量估计步骤中，所述第一电池组容量的计算表达式为：
Figure BDA0002583035820000032
式中，QP为第一电池组容量，t1为一充电段的充电起始时间，t2为该充电段的充电结束时间，I(t)为该充电段中t时刻的电流值。
进一步地，电池组容量估计步骤中，所述模糊卡尔曼滤波算法的状态方程的表达式为：
xn+1＝xn+ωn
式中，xn为第n次迭代的第二电池组容量，xn+1为第n+1次迭代的第二电池组容量，ωn为第n次迭代的输入噪声；
所述模糊卡尔曼滤波算法的系统输出方程的表达式为：
yn＝xn+υn
式中，yn为第n次迭代的第一电池组容量，υn为第n次迭代的输出噪声；
所述模糊卡尔曼滤波算法的状态估计时间更新表达式为：
Figure BDA0002583035820000033
式中，
Figure BDA0002583035820000034
为第n次迭代中利用上一状态预测的结果，/>
Figure BDA0002583035820000035
为第n-1次迭代中对上一状态修正后最优的结果；
所述模糊卡尔曼滤波算法的误差协方差时间更新表达式为：
Figure BDA0002583035820000036
式中，
Figure BDA0002583035820000037
为/>
Figure BDA0002583035820000038
对应的协方差，/>
Figure BDA0002583035820000039
为/>
Figure BDA00025830358200000310
对应的协方差，Q为ωn的协方差；
所述模糊卡尔曼滤波算法的卡尔曼增益更新表达式为：
Figure BDA00025830358200000311
式中，Ln为第n次迭代中当前状态卡尔曼增益，R为υn的协方差；
所述模糊卡尔曼滤波算法的状态估计测量更新表达式为：
Figure BDA0002583035820000041
所述模糊卡尔曼滤波算法的误差协方差测量更新表达式为：
Figure BDA0002583035820000042
本发明还提供一种基于电动汽车云端数据的电池组单体容量估计装置，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的方法的步骤。
与现有技术相比，本发明具有以下优点：
(1)本发明基于电动汽车云端充电数据，运用安时积分法初步估计电池组容量，通过模糊卡尔曼滤波获得符合真实衰减趋势的电池组容量估计结果，并结合云端数据中的单体电压数据，计算电池组中各个单体的RCC、RDC，实现基于云端大数据离线估计单体容量，更加符合真实衰减情况，估计结果更加准确；
(2)本发明基于充电单体电压曲线一致性假设，计算每个单体的RCCi和RDCi，最后求和获得每个单体的容量，基于电动汽车云端海量数据以及离线的巨大算力，融合了模糊卡尔曼滤波以及RCC、RDC算法从长时间尺度估计电池单体的容量，有效减小容量估计的误差，提高单体容量的估计精度，实现基于电动汽车云端数据的电池组单体容量估计。
附图说明
图1为基于电动汽车云端数据的电池组单体容量估计方法的流程示意图；
图2为本发明实施例所选取模糊控制规则图；
图3为单体剩余充电电量估计和单体剩余放电电量估计的原理示意图；
图4为基于安时积分估计直接获得的单体容量结果示意图；
图5为加入模糊卡尔曼滤波的单体容量结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种基于电动汽车云端数据的电池组单体容量估计方法，本实施例提供一种基于电动汽车云端数据的电池组单体容量估计方法，融合了模糊卡尔曼滤波算法以及RCC、RDC算法，基于云端海量数据以及离线的巨大算力从长时间尺度估计电池单体的容量，有效提高电池组单体容量估计的准确性。
在基于云端数据的电动汽车电池组单体容量估计过程中，单体的容量估计精度取决于电池组容量(Qsys)估计精度和单体的剩余充电容量(RCCi)和剩余放电容量(RDCi)的计算精度，RCCi和RDCi计算精度主要取决于云端数据的采样精度。Qsys估计精度取决于所选取充电段始末SOC以及安时积分法计算所得的容量值的精度。通过模糊综合评估所选取充电数据段的起始SOC(SOCmin)、终止SOC(SOCmax)以及安时积分计算的容量结果(QP)的精度，为卡尔曼滤波选择合适的输出噪声，获得符合电动汽车电池组容量衰减趋势的估计结果，然后结合云端各个单体电压数据，基于文献“LiFePO4battery pack capacity estimationfor electric vehicles based oncharging cell voltage curve transformation”(Zheng,Yuejiu,et al.Journal of powersources 226(2013):33-41.)中提出的充电单体电压曲线(CCVC)一致性假设，计算每个单体的RCCi和RDCi，最后求和获得每个单体的容量(Qi)，有效减小容量估计的误差，实现基于电动汽车云端数据的电池组单体容量估计。
具体地，该基于电动汽车云端数据的电池组单体容量估计方法包括以下步骤：
S1：通过电动汽车云端数据筛选除动能回收以外的充电过程；
S2：运用安时积分法基于充电过程对电池组容量进行初步估计，电池组初步估计结果为QP；
相当于，获取电动汽车云端充电数据，并基于电动汽车云端充电数据，运用安时积分法，获取第一电池组容量；
S3：利用模糊卡尔曼滤波对电池组容量初步估计结果QP进行最优化修正，得到电池组容量的最优估计结果，记为Qsys；
相当于，通过模糊卡尔曼滤波算法，修正所述第一电池组容量，得到第二电池组容量；
S4：基于云端单体充电电压数据，计算各个单体的RCC和RDC；
相当于，获取电动汽车云端单体电压数据，并基于电动汽车云端单体电压数据，根据充电单体电压曲线一致性假设，估计单体剩余充电电量；
获取电动汽车云端单体电压数据，并基于电动汽车云端单体电压数据，根据充电单体电压曲线一致性假设，估计单体剩余放电电量；
S5：求得电池组容量Qsys、各单体剩余充电容量RCCi以及剩余放电容量RDCi后，由下式计算各电池组单体容量。
相当于，根据第二电池组容量、单体剩余充电电量和单体剩余放电电量，计算电池组单体容量；
电池组单体容量的计算表达式为：
Qi＝Qsys+RCCi+RDCi
式中，Qi为电池组中单体i的容量，Qsys为第二电池组容量，RCCi为电池组中单体i的单体剩余充电电量，RDCi为电池组中单体i的单体剩余放电电量。
上述步骤间无先后次数限制。获取各电池组单体容量后，可根据各电池组单体充电状态的偏离程度，判断是否采取相应的措施，对电池组单体进行调整，调整措施可以为更换电池组单体。
下面对各步骤进行具体描述。
1、安时积分法
通过安时积分法计算第一电池组容量的表达式为：
Figure BDA0002583035820000061
式中，QP为第一电池组容量，t1为一充电段的充电起始时间，t2为该充电段的充电结束时间，I(t)为该充电段中t时刻的电流值。
2、模糊卡尔曼滤波算法
模糊卡尔曼滤波算法的状态方程的表达式为：
xn+1＝xn+ωn
式中，xn为第n次迭代的第二电池组容量，xn+1为第n+1次迭代的第二电池组容量，ωn为第n次迭代的输入噪声；
模糊卡尔曼滤波算法的系统输出方程的表达式为：
yn＝xn+υn
式中，yn为第n次迭代的第一电池组容量，υn为第n次迭代的输出噪声；
xn为要估计的容量Qsys，作为系统状态向量，不能通过测量直接获取；yn为计算得到的容量值QP，作为可测量的系统输出；ωn和υn分别为不可通过测量获得的输入噪声、输出噪声，由于单次充电间隔之间的电池组容量变化较小，故ωn取一个较小值即可满足滤波要求。对于υn的值利用模糊逻辑思想确定。
卡尔曼滤波迭代公式如下：
状态估计时间更新表达式为：
Figure BDA0002583035820000071
式中，n≥2，
Figure BDA0002583035820000072
为第n次迭代中利用上一状态预测的结果，/>
Figure BDA0002583035820000073
为第n-1次迭代中对上一状态修正后最优的结果；
误差协方差时间更新表达式为：
Figure BDA0002583035820000074
式中，
Figure BDA0002583035820000075
为/>
Figure BDA0002583035820000076
对应的协方差，/>
Figure BDA0002583035820000077
为/>
Figure BDA0002583035820000078
对应的协方差，Q为ωn的协方差；
卡尔曼增益更新表达式为：
Figure BDA0002583035820000079
式中，Ln为第n次迭代中当前状态卡尔曼增益，R为υn的协方差；
状态估计测量更新表达式为：
Figure BDA00025830358200000710
误差协方差测量更新表达式为：
Figure BDA00025830358200000711
本实施例中模糊卡尔曼滤波的初始值设置为：
Figure BDA00025830358200000712
P0＝1，Q＝0.032，R由图2所示的模糊规则控制，其中eQ表示初步估计结果QP的相对误差，SOC为荷电状态值。通过模糊卡尔曼滤波过程获得符合电动汽车电池组真实衰减趋势的容量估计结果。
3、单体剩余充电电量计算(RCC算法)
单体剩余充电电量估计步骤具体包括以下步骤：
S101：根据电动汽车云端单体电压数据，获取电池组的充电截止时间，并将电池组中第一个充电到充电截止电压的单体作为充电基准单体；
S102：从电池组中选取除充电基准单体的一单体作为被测单体，将充电基准单体的充电单体电压曲线平移，从而获取被测单体的剩余充电时间，进而计算被测单体的单体剩余充电电量。
单体剩余充电电量的计算表达式为：
Figure BDA0002583035820000081
式中，RCCi为单体i的单体剩余充电电量，I为充电电流，Δti,C为单体i的剩余充电时间，tCE为充电截止时间。
相当于，假设在有n个单体的电池组中，单体j(1≤j≤n)是第一个充电到充电截止电压的单体，充电截止时间为tCE，并且在之后电池管理系统(BMS)停止充电以防过充。基于CCVC一致性假设，单体j的CCVC平移可以得到其它单体i(i≠j)的CCVC，在时间tCE之后，如果单体i能单独被充电，则从充电截至时间tCE到单体i被充电至充电截止电压时的时间为单体i的剩余充电时间(Δti,C)，那么单体i的CCVC曲线的结束点Pi在单体j的CCVC上插值的点的时间为tCE-Δti,C，充电电流为I。
具体实施：
如图3所示，具体实施时有4个单体的电池组的一次充电单体电压曲线如图3所示，单体1是第一个充电到充电截止电压的单体，充电截止时间为tCE，并且在之后电池管理系统(BMS)停止充电以防过充。以单体1的CCVC为基准，根据CCVC一致性假设，把单体1的CCVC向右平移可以得到单体4的CCVC。在时间tCE之后，如果单体4能单独被充电，那么它随后的CCVC如时间tCE至tCE+Δt4,C的单体4的虚线所示。Δt4,C单体4的剩余充电时间，也是tCE时刻与通过把tCE时刻单体4的电压插值到单体1的CCVC上(如图3(b)中的圆圈所示)所对应时刻的差值。
4、单体剩余放电电量(RDC算法)
单体剩余放电电量估计步骤具体包括以下步骤：
S201：根据电动汽车云端单体电压数据，获取电池组的放电截止时间，并将电池组中第一个放电到放电截止电压的单体作为放电基准单体；
S202：从电池组中选取除放电基准单体的一单体作为被测单体，将放电基准单体的充电单体电压曲线平移，从而获取被测单体的剩余放电时间，进而计算被测单体的单体剩余放电电量。
单体剩余放电电量的计算表达式为：
Figure BDA0002583035820000091
式中，RDCi为单体i的单体剩余放电电量，I为充电电流，Δti,D为单体i的剩余放电时间，tDE为放电截止时间。
相当于，假设在有n个单体的电池组中，单体j(1≤j≤n)是第一个放电到放电截止电压的单体，放电截止时间为tDE，并且在之后BMS停止放电以防过放。基于CCVC一致性假设，单体j的CCVC平移可以得到其它单体i(i≠j)的CCVC，在时间tDE之后，如果单体i能单独被放电，则从放电截至时间tDE到单体i被放电至放电截止电压时的时间为单体i的剩余放电时间(Δti,D)，那么单体i的CCVC曲线的起始点Si在单体j的CCVC上插值的点的时间为tDE+Δti,D，充电电流为I。
具体实施：
如图3所示，单体4是第一个放电到放电截止电压的单体，放电截止时间为tDE，并且在之后BMS停止放电以防过放。把单体4的CCVC作为基准。根据CCVC一致性理论，把单体4的CCVC向左平移可以得到单体1的CCVC。在时间tDE之后，如果单体1能单独被放电，那么它随后的CCVC如时间tDE-Δt1,D至tDE的单体1的虚线所示。Δt1,D是单体1的剩余放电时间，也是tDE时刻与通过把tDE时刻单体1的电压插值到单体4的CCVC上(如图3(c)中的圆圈所示)所对应时刻的差值。
图5表示模糊卡尔曼修正的电池组容量Qsys获得的电池单体的容量估计结果，横轴为容量Q，纵轴为电量E，相同灰度的点代表在同一次充电过程中不同单体的容量估计结果。可见相较于图4中基于安时积分估计的电池组容量直接获得的单体容量结果，本发明提出的方法获得的电池单体容量估计结果更加符合真实的容量衰减趋势，估计结果更加准确。
本实施例还提供一种基于电动汽车云端数据的电池组单体容量估计装置，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的基于电动汽车云端数据的电池组单体容量估计方法的步骤。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (6)

1.一种基于电动汽车云端数据的电池组单体容量估计方法，其特征在于，包括以下步骤：
电池组容量估计步骤：基于电动汽车云端充电数据，运用安时积分法，获取第一电池组容量，然后通过模糊卡尔曼滤波算法，修正所述第一电池组容量，得到第二电池组容量；
单体剩余充电电量估计步骤：基于电动汽车云端单体电压数据，估计单体剩余充电电量；
单体剩余放电电量估计步骤：基于电动汽车云端单体电压数据，估计单体剩余放电电量；
电池组单体容量估计步骤：根据所述第二电池组容量、单体剩余充电电量和单体剩余放电电量，计算电池组单体容量；
所述单体剩余充电电量估计步骤具体包括以下步骤：
S101：根据电动汽车云端单体电压数据，获取电池组的充电截止时间，并将电池组中第一个充电到充电截止电压的单体作为充电基准单体；
S102：从电池组中选取除充电基准单体的一单体作为被测单体，通过平移单体的充电单体电压曲线，从而获取被测单体的剩余充电时间，进而计算被测单体的单体剩余充电电量；
所述单体剩余充电电量的计算表达式为：
Figure FDA0004182317430000011
式中，RCCi为单体i的单体剩余充电电量，I为充电电流，Δti,C为单体i的剩余充电时间，tCE为充电截止时间；
所述单体剩余放电电量估计步骤具体包括以下步骤：
S201：根据电动汽车云端单体电压数据，获取电池组的放电截止时间，并将电池组中第一个放电到放电截止电压的单体作为放电基准单体；
S202：从电池组中选取除放电基准单体的一单体作为被测单体，通过平移单体的充电单体电压曲线，从而获取被测单体的剩余放电时间，进而计算被测单体的单体剩余放电电量；
所述单体剩余放电电量的计算表达式为：
Figure FDA0004182317430000021
式中，RDCi为单体i的单体剩余放电电量，I为充电电流，Δti,D为单体i的剩余放电时间，tDE为放电截止时间。
2.根据权利要求1所述的一种基于电动汽车云端数据的电池组单体容量估计方法，其特征在于，所述单体剩余放电电量估计步骤中，根据充电单体电压曲线一致性假设，估计单体剩余充电电量；
所述电池组单体容量估计步骤中，根据充电单体电压曲线一致性假设，估计单体剩余放电电量。
3.根据权利要求1所述的一种基于电动汽车云端数据的电池组单体容量估计方法，其特征在于，所述电池组单体容量的计算表达式为：
Qi＝Qsys+RCCi+RDCi
式中，Qi为电池组中单体i的容量，Qsys为第二电池组容量，RCCi为电池组中单体i的单体剩余充电电量，RDCi为电池组中单体i的单体剩余放电电量。
4.根据权利要求1所述的一种基于电动汽车云端数据的电池组单体容量估计方法，其特征在于，电池组容量估计步骤中，所述第一电池组容量的计算表达式为：
Figure FDA0004182317430000022
式中，QP为第一电池组容量，t1为一充电段的充电起始时间，t2为该充电段的充电结束时间，I(t)为该充电段中t时刻的电流值。
5.根据权利要求1所述的一种基于电动汽车云端数据的电池组单体容量估计方法，其特征在于，电池组容量估计步骤中，所述模糊卡尔曼滤波算法的状态方程的表达式为：
xn+1＝xn+ωn
式中，xn为第n次迭代的第二电池组容量，xn+1为第n+1次迭代的第二电池组容量，ωn为第n次迭代的输入噪声；
所述模糊卡尔曼滤波算法的系统输出方程的表达式为：
yn＝xn+υn
式中，yn为第n次迭代的第一电池组容量，υn为第n次迭代的输出噪声；
所述模糊卡尔曼滤波算法的状态估计时间更新表达式为：
Figure FDA0004182317430000031
式中，
Figure FDA0004182317430000032
为第n次迭代中利用上一状态预测的结果，/>
Figure FDA0004182317430000033
为第n-1次迭代中对上一状态修正后最优的结果；
所述模糊卡尔曼滤波算法的误差协方差时间更新表达式为：
Figure FDA0004182317430000034
式中，
Figure FDA0004182317430000035
为/>
Figure FDA0004182317430000036
对应的协方差，/>
Figure FDA0004182317430000037
为/>
Figure FDA0004182317430000038
对应的协方差，Q为ωn的协方差；
所述模糊卡尔曼滤波算法的卡尔曼增益更新表达式为：
Figure FDA0004182317430000039
式中，Ln为第n次迭代中当前状态卡尔曼增益，R为υn的协方差；
所述模糊卡尔曼滤波算法的状态估计测量更新表达式为：
Figure FDA00041823174300000310
所述模糊卡尔曼滤波算法的误差协方差测量更新表达式为：
Figure FDA00041823174300000311
6.一种基于电动汽车云端数据的电池组单体容量估计装置，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如权利要求1～5任一所述的方法的步骤。
CN202010673045.0A 2020-07-14 2020-07-14 基于电动汽车云端数据的电池组单体容量估计方法和装置 Active CN111781529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010673045.0A CN111781529B (zh) 2020-07-14 2020-07-14 基于电动汽车云端数据的电池组单体容量估计方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010673045.0A CN111781529B (zh) 2020-07-14 2020-07-14 基于电动汽车云端数据的电池组单体容量估计方法和装置

Publications (2)

Publication Number Publication Date
CN111781529A CN111781529A (zh) 2020-10-16
CN111781529B true CN111781529B (zh) 2023-06-27

Family

ID=72767671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010673045.0A Active CN111781529B (zh) 2020-07-14 2020-07-14 基于电动汽车云端数据的电池组单体容量估计方法和装置

Country Status (1)

Country Link
CN (1) CN111781529B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115469239B (zh) * 2022-06-29 2023-09-08 四川新能源汽车创新中心有限公司 电池系统的电荷状态一致性评价方法、装置及电子设备
CN115407217B (zh) * 2022-11-01 2023-01-10 北京航空航天大学 一种电动汽车锂电池荷电状态在线估计方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854470A (zh) * 2012-08-31 2013-01-02 哈尔滨工业大学 一种用于动力电池组soc估计实际可用容量的测量方法
CN103399278A (zh) * 2013-07-31 2013-11-20 清华大学 电池单体的容量和荷电状态的估计方法
CN105717455A (zh) * 2016-01-30 2016-06-29 清华大学 电池组的电池单体soc和容量估计算法的选择方法
CN107748336A (zh) * 2017-11-06 2018-03-02 清华大学 锂离子电池的荷电状态在线估计方法及系统
CN109164398A (zh) * 2018-08-03 2019-01-08 北京交通大学 一种锂离子电池组中单体电池容量估算方法
WO2019054231A1 (ja) * 2017-09-12 2019-03-21 株式会社 東芝 蓄電池制御装置及びその方法
CN109664795A (zh) * 2019-01-11 2019-04-23 北京经纬恒润科技有限公司 电池组被动均衡方法和电池管理系统
CN110320473A (zh) * 2019-07-26 2019-10-11 上海理工大学 一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法
CN110703113A (zh) * 2019-10-14 2020-01-17 重庆大学 一种基于高斯过程回归的动力电池组soc估计方法
CN111239611A (zh) * 2019-10-21 2020-06-05 浙江零跑科技有限公司 一种基于单体电池容量校准packsoc的计算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170115355A1 (en) * 2015-10-23 2017-04-27 Oxfordian, Llc Maximum capacity estimator for battery state of health and state of charge determinations

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854470A (zh) * 2012-08-31 2013-01-02 哈尔滨工业大学 一种用于动力电池组soc估计实际可用容量的测量方法
CN103399278A (zh) * 2013-07-31 2013-11-20 清华大学 电池单体的容量和荷电状态的估计方法
CN105717455A (zh) * 2016-01-30 2016-06-29 清华大学 电池组的电池单体soc和容量估计算法的选择方法
WO2019054231A1 (ja) * 2017-09-12 2019-03-21 株式会社 東芝 蓄電池制御装置及びその方法
CN107748336A (zh) * 2017-11-06 2018-03-02 清华大学 锂离子电池的荷电状态在线估计方法及系统
CN109164398A (zh) * 2018-08-03 2019-01-08 北京交通大学 一种锂离子电池组中单体电池容量估算方法
CN109664795A (zh) * 2019-01-11 2019-04-23 北京经纬恒润科技有限公司 电池组被动均衡方法和电池管理系统
CN110320473A (zh) * 2019-07-26 2019-10-11 上海理工大学 一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法
CN110703113A (zh) * 2019-10-14 2020-01-17 重庆大学 一种基于高斯过程回归的动力电池组soc估计方法
CN111239611A (zh) * 2019-10-21 2020-06-05 浙江零跑科技有限公司 一种基于单体电池容量校准packsoc的计算方法

Also Published As

Publication number Publication date
CN111781529A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
Xiong et al. A data-driven based adaptive state of charge estimator of lithium-ion polymer battery used in electric vehicles
KR102476166B1 (ko) 배터리의 하전 상태 보정 방법, 장치, 시스템 및 저장 매체
Li et al. A multi-model probability SOC fusion estimation approach using an improved adaptive unscented Kalman filter technique
CN107402353B (zh) 一种对锂离子电池的荷电状态进行滤波估计的方法及系统
CN111060820B (zh) 一种基于二阶rc模型的锂电池soc和sop估计方法
CN110909443A (zh) 一种高精度电池组充电剩余时间估算方法及系统
CN110011374B (zh) 一种电池充放电电流的控制方法、系统及终端设备
CN107632272B (zh) 一种基于电芯温度预测的电池放电荷电状态精确估计方法
JP5798067B2 (ja) 二次電池の状態推定装置
CN110320473B (zh) 一种基于卡尔曼滤波及模糊逻辑汽车锂电池容量估计方法
CN111781529B (zh) 基于电动汽车云端数据的电池组单体容量估计方法和装置
CN109633473B (zh) 一种分布式电池组荷电状态估计算法
CN107153163A (zh) 一种基于自适应ukf的锂电池soc估算方法
Farag et al. A comparative study of Li-ion battery models and nonlinear dual estimation strategies
US20200067146A1 (en) Method, system and device for active balance control of battery pack
CN114740357A (zh) 一种并联电池组支路电流、荷电状态和功率状态的联合估计方法
KR20220029109A (ko) 배터리 상태 추정 방법 및 장치
CN109387784B (zh) 多维度状态估算效准soc的方法以及动态修正soc的方法
CN112816893B (zh) 一种基于电池组单体剩余充电电量快速估计电池组容量方法
Sandoval-Chileño et al. Robust State of Charge estimation for Li-ion batteries based on Extended State Observers
CN114859251B (zh) 电池充电剩余时间计算方法及装置、车辆
CN114545265A (zh) 基于电化学模型的电池荷电状态的估算方法及装置
CN112816891A (zh) 一种基于电池组内单体充电曲线差异的电池容量和soc估计方法
CN116754959A (zh) 一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法
CN112666475A (zh) 一种电动车的电池组的荷电状态估算方法

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