CN111948560A - 基于多因子评估模型的锂电池健康状态估算方法 - Google Patents
基于多因子评估模型的锂电池健康状态估算方法 Download PDFInfo
- Publication number
- CN111948560A CN111948560A CN202010751300.9A CN202010751300A CN111948560A CN 111948560 A CN111948560 A CN 111948560A CN 202010751300 A CN202010751300 A CN 202010751300A CN 111948560 A CN111948560 A CN 111948560A
- Authority
- CN
- China
- Prior art keywords
- internal resistance
- polarization
- state
- health
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 66
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 53
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 53
- 238000013210 evaluation model Methods 0.000 title claims abstract description 37
- 230000010287 polarization Effects 0.000 claims abstract description 182
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 36
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 18
- 238000007599 discharging Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 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]
- G01R31/392—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
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于多因子评估模型的锂电池健康状态估算方法,首先建立锂离子电池的一阶RC等效电路模型;得到开路电压与荷电状态的具体函数关系,构建开路电压OCV与不同荷电状态SOC值的SOC‑OCV关系表;然后分别建立以欧姆内阻、极化内阻和极化时间常数为状态变量的状态观测方程;迭代计算实时获得锂电池的欧姆内阻、极化内阻和极化电容;用训练获得的欧姆内阻、极化内阻和极化电容分别对应的权重系数,进行同类型全新电池的健康状态的评估。本发明解决了传统技术中仅采用欧姆内阻估算SOH准确度存在较大缺陷的问题,本发明利用卡尔曼滤波算法,在线估算电池的欧姆内阻、极化内阻和极化电容提高了健康状态的估算精度。
Description
技术领域
本发明属于锂电池健康状态估算技术领域,具体涉及一种基于多因子评估模型的锂电池健康状态估算方法。
背景技术
随着清洁能源的发展,锂电池在风、光储能、电动汽车等领域中获得了越来越多的应用。为了保证电池安全有效地运行,需要建立一套电池管理系统,实时监测电池的电压、电流、温度等参数,准确估算电池的荷电状态、健康状态(State of Health,SOH)等状态信息。其中,准确估算SOH可以实时掌握电池的使用信息,减少电能的滥用,及时更换电能利用率较低的电池。对于安全性能较高的电池管理系统,可以实现实时在线监控电池的SOH,掌握电池的安全性能,避免驾驶员因电池故障发生事故,同时提高电能利用率,达到降低出行成本的目标。
目前估算SOH的方法主要有:支持向量机法、神经网络法、卡尔曼滤波法(KalmanFilter,KF)等。支持向量机和神经网络法是机器学习类算法,它们基于数据驱动来估算健康状态,不考虑电池内部特性,从测量的数据中找出与健康状态的关系,估算精度取决于训练数据的针对性与全面性,算法实现起来较为复杂。卡尔曼滤波算法是基于电池等效模型的方法,通过等效电路模型中的特征参量与SOH建立关系,KF算法功能强大,原理较为简单,复杂度最低,是目前电池健康状态估算,使用最多的算法。
发明内容
本发明的目的是提供一种基于多因子评估模型的锂电池健康状态估算方法,解决了传统技术中仅采用欧姆内阻估算SOH准确度存在较大缺陷的问题,本发明利用卡尔曼滤波算法,在线估算电池的欧姆内阻、极化内阻和极化电容提高了健康状态的估算精度。
本发明所采用的技术方案是,一种基于多因子评估模型的锂电池健康状态估算方法,具体按照以下步骤实施:
步骤1、建立锂离子电池的一阶RC等效电路模型;
步骤2、通过脉冲充放电实验确定锂离子电池不同荷电状态处的开路电压,然后通过函数拟合得到开路电压与荷电状态的具体函数关系,构建开路电压OCV与不同荷电状态SOC值的SOC-OCV关系表;
步骤3、根据步骤1得到的锂离子电池的等效电路模型,分别建立以欧姆内阻、极化内阻和极化时间常数为状态变量的状态观测方程;
步骤4、运用卡尔曼滤波算法,结合步骤2得到的开路电压OCV与不同荷电状态SOC值的SOC-OCV关系表,在线估算电池的欧姆内阻、极化内阻和极化时间常数,极化电容由时间常数计算得到,最终迭代计算实时获得锂电池的欧姆内阻、极化内阻和极化电容;
步骤5、建立基于欧姆内阻、极化内阻和极化电容的锂离子电池健康状态多因子评估模型;
步骤6、使用带约束条件的最小二乘算法,训练获得锂离子电池健康状态多因子评估模型中欧姆内阻、极化内阻和极化电容分别对应的权重系数;
步骤7、用训练获得的欧姆内阻、极化内阻和极化电容分别对应的权重系数,进行同类型全新电池的健康状态的评估。
本发明的特点还在于,
步骤1中锂离子电池的一阶RC等效电路模型具体如下:
包括极化内阻Rd与极化电容Cd构成的一个RC并联电路,RC并联电路其中一端与开路电压源连接后接入电压,RC并联电路另一端串联欧姆内阻Ro后接入电压;
步骤2中将开路电压按照充、放电方向分为两个部分,在锂电池充电或放电两个过程中因充电或放电电流方向不同而选择各自开路电压源,放电过程中开路电压为UOC,充电过程中开路电压为U’OC,由此分别得到充电过程的开路电压与荷电状态的关系,以及放电过程的开路电压与荷电状态的关系;
步骤3具体如下:
首先根据一阶RC等效电路模型,建立锂电池回路电压方程的表达式为:
其中,Ro为电池的欧姆内阻,Rd、Cd分别为电池的电化学极化内阻和极化电容,τd代表极化时间常数,其中,τd=Rd Cd,UOC为电池的开路电压,I为锂电池的工作电流,U为电池的工作电压;
根据回路电路方程进行离散化,建立锂电池回路电压离散状态方程:
其中,Ro为电池的欧姆内阻,Rd、Cd分别为电池的电化学极化内阻和极化电容,τd代表极化时间常数,其中,τd=Rd Cd,v(k)为欧姆内阻、极化内阻和时间常数的测量噪声,k代表当前时刻迭代计算步数;U(k)、U(k-1)为当前时刻和前一时刻的回路电压,I(k)、I(k-1)为当前时刻和前一时刻的工作电流,UOC(k)和UOC(k-1)为当前时刻和前一时刻的开路电压,T为采样时间;
电池的模型参数在短时间内被认为保持不变,所建立的以欧姆内阻、极化内阻和极化时间常数为状态变量的状态观测方程为:
其中,wk为欧姆内阻、极化内阻和极化电容在估算过程噪声;
步骤4具体如下:
步骤4.1、设置锂电池欧姆内阻、极化内阻、时间常数的初值和卡尔曼滤波算法中的状态误差协方差P的初值,选择系统噪声值为10-4;
步骤4.2、使用步骤2中开路电压与荷电状态的对应关系,得到等效电路模型不同荷电状态对应的开路电压值;对于不在对应关系表内的荷电状态值,采用左侧临近荷电状态处对应的参数值代替;
步骤4.3、由欧姆内阻、极化内阻和极化时间常数各自的状态方程,分别迭代计算欧姆内阻、极化内阻和时间常数的状态预测值和误差协方差预测值;
步骤4.4、计算欧姆内阻、极化内阻和极化时间常数的卡尔曼滤波增益Kk;
步骤4.5、将步骤4.3得到的欧姆内阻、极化内阻和极化时间常数的状态预测值代入步骤3中的状态观测方程得到观测量的预测值;
步骤4.6、由步骤4.4得到的欧姆内阻、极化内阻和时间常数各自的卡尔曼滤波增益得到当前时刻的状态估计量并更新误差协方差;
步骤4.7、调整欧姆内阻、极化内阻和极化时间常数估算的过程噪声协方差;
步骤4.8、将步骤4.3得到的状态预测值和误差协方差预测值和步骤4.4得到的卡尔曼滤波增益Kk、步骤4.5得到的观测量的预测值代入步骤4.2中,开始新一轮的循环迭代,同时获得锂电池欧姆内阻、极化内阻、极化电容和时间常数值;
步骤4.3具体如下:
状态预测值计算如下:
误差协方差预测值Pk/k-1计算如下:
Pk/k-1=Ak-1Pk-1Ak-1 T+Q
其中,Pk/k-1为当前时刻的状态预测值,Pk-1为前一时刻的状态误差协方差,Ak-1为前一时刻的参数矩阵,Q为当前时刻的过程噪声协方差;
步骤4.4中卡尔曼滤波增益Kk计算如下:
Kk=Pk/k-1Ck T(CkPk/k-1Ck T+R)-1
其中,Pk/k-1为当前时刻的状态预测值,Kk为当前时刻的卡尔曼滤波增益,R为测量噪声协方差,Ck为观测矩阵;
步骤4.6中当前时刻的状态估计量计算如下:
其中,yk为当前时刻观测值,Dk表示前馈矩阵。
更新误差协方差如下:
Pk=(I-KkCk)Pk/k-1
其中,I代表单位矩阵,Kk为当前时刻的卡尔曼滤波增益;
步骤5具体如下:
步骤5.1、根据步骤4中得到的欧姆内阻、极化内阻、极化电容三个变量分别描述电池的健康状态SOH,具体如下:
式中:ζSOH表示电池的健康状态值,X表示欧姆内阻、极化内阻和极化电容3种模型参数,具体为:Xold表示电池寿命结束时的模型参数;Xnow表示当前时刻模型参数;Xnew表示新电池模型参数,用此式,通过欧姆内阻、极化内阻与极化电容分别计算得到三组锂电池的健康状态值;
步骤5.2、建立锂电池健康状态多因子评估模型:锂离子电池的综合健康状态Hi为自变量γi1、γi2、γi3的线性函数,i表示第i个样本,建立的多因子评估模型为:
Hi=β1γi1+β2γi2+β3γi3
式中:γi1、γi2、γi3由式步骤5.1中的公式计算得到,γi1为欧姆内阻计算的健康状态;γi2为极化内阻计算的健康状态;γi3为极化电容计算的健康状态;β1为欧姆内阻对应健康状态的权重系数,β2为极化内阻对应健康状态的权重系数,β3为极化电容对应健康状态的权重系数。
步骤6具体如下:
步骤6.1、对步骤5.2得到的多因子评估模型进行求解,具体表示为:
式中,m表示样本总数,i=1~m,将式中计算的数据矩阵用γ表示,所求的权重系数用矩阵β表示,真实的锂离子电池健康状态用H表示,将上述关系式表示为:
步骤6.2、进一步化简得|γβ|=H,根据最小二乘算法的思想,最终得到锂离子电池健康状态的求解方程为:
γ表示由欧姆内阻、极化内阻与极化电容所估计的健康状态数据矩阵;β为欧姆内阻、极化内阻与极化电容所估计健康状态的权重系数矩阵;H表示锂电池真实健康状态值。
利用拉格朗日乘子法,加入约束条件得:
式中:λ、μ为拉格朗日乘子;c为罚因子,μj表示第j步骤时的拉格朗日乘子,进一步化简,得到乘子迭代公式为:
步骤6.3、迭代计算结束准则为:
式中:ε为计算精度;
最终的目标为求估计参数欧姆内阻所对应的权重系数、极化内阻所对应的权重系数和极化电容所对应的权重系数,当误差达到最小值时,即得到多因子模型分别对应的权重系数β1、β2和β3,从而为多因子评估SOH提供权重。
步骤7具体如下:
使用步骤6中得到的欧姆内阻权重系数、极化内阻权重系数和极化电容权重系数,代入步骤5中的多因子评估模型,进行同类型全新的锂离子电池健康状态的综合评估,实时获得锂电池健康状态SOH值。
本发明的有益效果是,一种基于多因子评估模型的锂电池健康状态估算方法,与传统估算方法相比,本发明的估算结果不依赖于欧姆内阻、极化内阻和时间常数初值,即使初值不准确,经过若干次迭代之后,也能快速收敛到真值。与传统只用欧姆内阻评估电池健康状态的方法相比。建立了多因子评估模型,在线估算电池的SOH。在线评估锂离子电池健康状态的方法比仅用欧姆内阻评估误差更小。与对等效电路模型参数取定值的做法相比,本发明采用卡尔曼滤能实时跟踪电池内部主要参数的变化,在电池内外条件改变的情况下也具有较高的估算精度。
附图说明
图1为锂电池一阶RC等效电路模型;
图2卡尔曼滤波算法在线估算欧姆内阻随寿命衰减的变化趋势;
图3卡尔曼滤波算法在线估算极化内阻随寿命衰减的变化趋势;
图4卡尔曼滤波算法在线估算极化电容随寿命衰减的变化趋势;
图5多因子评估和欧姆内阻单因子评估的误差对比;
图6单因子与多因子方法的电池健康状态评估结果分析。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于多因子评估模型的锂电池健康状态估算方法,具体按照以下步骤实施:
步骤1、建立锂离子电池的一阶RC等效电路模型,如图所示;
步骤1中锂离子电池的一阶RC等效电路模型具体如下:
包括极化内阻Rd与极化电容Cd构成的一个RC并联电路,RC并联电路其中一端与开路电压源连接后接入电压,RC并联电路另一端串联欧姆内阻Ro后接入电压。
步骤2、通过脉冲充放电实验确定锂离子电池不同荷电状态处的开路电压,然后通过函数拟合得到开路电压与荷电状态的具体函数关系,构建开路电压OCV与不同荷电状态SOC值的SOC-OCV关系表;
步骤2中将开路电压按照充、放电方向分为两个部分,在锂电池充电或放电两个过程中因充电或放电电流方向不同而选择各自开路电压源,放电过程中开路电压为UOC,充电过程中开路电压为U’OC,由此分别得到充电过程的开路电压与荷电状态的关系,以及放电过程的开路电压与荷电状态的关系。
步骤3、根据步骤1得到的锂离子电池的等效电路模型,分别建立以欧姆内阻、极化内阻和极化时间常数为状态变量的状态观测方程;
步骤3具体如下:
首先根据一阶RC等效电路模型,建立锂电池回路电压方程的表达式为:
其中,Ro为电池的欧姆内阻,Rd、Cd分别为电池的电化学极化内阻和极化电容,τd代表极化时间常数,其中,τd=Rd Cd,UOC为电池的开路电压,I为锂电池的工作电流,U为电池的工作电压;
根据回路电路方程进行离散化,建立锂电池回路电压离散状态方程:
其中,Ro为电池的欧姆内阻,Rd、Cd分别为电池的电化学极化内阻和极化电容,τd代表极化时间常数,其中,τd=Rd Cd,v(k)为欧姆内阻、极化内阻和时间常数的测量噪声,k代表当前时刻迭代计算步数;U(k)、U(k-1)为当前时刻和前一时刻的回路电压,I(k)、I(k-1)为当前时刻和前一时刻的工作电流,UOC(k)和UOC(k-1)为当前时刻和前一时刻的开路电压,T为采样时间;
电池的模型参数在短时间内被认为保持不变,所建立的以欧姆内阻、极化内阻和极化时间常数为状态变量的状态观测方程为:
其中,wk为欧姆内阻、极化内阻和极化电容在估算过程噪声。
步骤4、运用卡尔曼滤波算法,结合步骤2得到的开路电压OCV与不同荷电状态SOC值的SOC-OCV关系表,在线估算电池的欧姆内阻、极化内阻和极化时间常数,极化电容由时间常数计算得到,最终迭代计算实时获得锂电池的欧姆内阻、极化内阻和极化电容;
步骤4具体如下:
步骤4.1、设置锂电池欧姆内阻、极化内阻、时间常数的初值和卡尔曼滤波算法中的状态误差协方差P的初值,选择系统噪声值为10-4;
步骤4.2、使用步骤2中开路电压与荷电状态的对应关系,得到等效电路模型不同荷电状态对应的开路电压值;对于不在对应关系表内的荷电状态值,采用左侧临近荷电状态处对应的参数值代替;
步骤4.3、由欧姆内阻、极化内阻和极化时间常数各自的状态方程,分别迭代计算欧姆内阻、极化内阻和时间常数的状态预测值和误差协方差预测值;
步骤4.4、计算欧姆内阻、极化内阻和极化时间常数的卡尔曼滤波增益Kk;
步骤4.5、将步骤4.3得到的欧姆内阻、极化内阻和极化时间常数的状态预测值代入步骤3中的状态观测方程得到观测量的预测值;
步骤4.6、由步骤4.4得到的欧姆内阻、极化内阻和时间常数各自的卡尔曼滤波增益得到当前时刻的状态估计量并更新误差协方差;
步骤4.7、调整欧姆内阻、极化内阻和极化时间常数估算的过程噪声协方差;
步骤4.8、将步骤4.3得到的状态预测值和误差协方差预测值和步骤4.4得到的卡尔曼滤波增益Kk、步骤4.5得到的观测量的预测值代入步骤4.2中,开始新一轮的循环迭代,同时获得锂电池欧姆内阻、极化内阻、极化电容和时间常数值。
步骤4.3具体如下:
状态预测值计算如下:
误差协方差预测值Pk/k-1计算如下:
Pk/k-1=Ak-1Pk-1Ak-1 T+Q
其中,Pk/k-1为当前时刻的状态预测值,Pk-1为前一时刻的状态误差协方差,Ak-1为前一时刻的参数矩阵,Q为当前时刻的过程噪声协方差。
步骤4.4中卡尔曼滤波增益Kk计算如下:
Kk=Pk/k-1Ck T(CkPk/k-1Ck T+R)-1
其中,Pk/k-1为当前时刻的状态预测值,Kk为当前时刻的卡尔曼滤波增益,R为测量噪声协方差,Ck为观测矩阵;
步骤4.6中当前时刻的状态估计量计算如下:
其中,yk为当前时刻观测值,Dk表示前馈矩阵;
更新误差协方差如下:
Pk=(I-KkCk)Pk/k-1
其中,I代表单位矩阵,Kk为当前时刻的卡尔曼滤波增益。
步骤5、建立基于欧姆内阻、极化内阻和极化电容的锂离子电池健康状态多因子评估模型;
步骤5具体如下:
步骤5.1、根据步骤4中得到的欧姆内阻、极化内阻、极化电容三个变量分别描述电池的健康状态SOH,具体如下:
式中:ζSOH表示电池的健康状态值,X表示欧姆内阻、极化内阻和极化电容3种模型参数,具体为:Xold表示电池寿命结束时的模型参数;Xnow表示当前时刻模型参数;Xnew表示新电池模型参数,用此式,通过欧姆内阻、极化内阻与极化电容分别计算得到三组锂电池的健康状态值;
步骤5.2、建立锂电池健康状态多因子评估模型:锂离子电池的综合健康状态Hi为自变量γi1、γi2、γi3的线性函数,i表示第i个样本,建立的多因子评估模型为:
Hi=β1γi1+β2γi2+β3γi3
式中:γi1、γi2、γi3由式步骤5.1中的公式计算得到,γi1为欧姆内阻计算的健康状态;γi2为极化内阻计算的健康状态;γi3为极化电容计算的健康状态;β1为欧姆内阻对应健康状态的权重系数,β2为极化内阻对应健康状态的权重系数,β3为极化电容对应健康状态的权重系数。
步骤6、使用带约束条件的最小二乘算法,训练获得锂离子电池健康状态多因子评估模型中欧姆内阻、极化内阻和极化电容分别对应的权重系数;
步骤6具体如下:
步骤6.1、对步骤5.2得到的多因子评估模型进行求解,具体表示为:
式中,m表示样本总数,i=1~m,将式中计算的数据矩阵用γ表示,所求的权重系数用矩阵β表示,真实的锂离子电池健康状态用H表示,将上述关系式表示为:
步骤6.2、进一步化简得|γβ|=H,根据最小二乘算法的思想,最终得到锂离子电池健康状态的求解方程为:
γ表示由欧姆内阻、极化内阻与极化电容所估计的健康状态数据矩阵;β为欧姆内阻、极化内阻与极化电容所估计健康状态的权重系数矩阵;H表示锂电池真实健康状态值。
利用拉格朗日乘子法,加入约束条件得:
式中:λ、μ为拉格朗日乘子;c为罚因子,μj表示第j步骤时的拉格朗日乘子,进一步化简,得到乘子迭代公式为:
步骤6.3、迭代计算结束准则为:
式中:ε为计算精度;
最终的目标为求估计参数欧姆内阻所对应的权重系数、极化内阻所对应的权重系数和极化电容所对应的权重系数,当误差达到最小值时,即得到多因子模型分别对应的权重系数β1、β2和β3,从而为多因子评估SOH提供权重。
步骤7、用训练获得的欧姆内阻、极化内阻和极化电容分别对应的权重系数,进行同类型全新电池的健康状态的评估。
步骤7具体如下:
使用步骤6中得到的欧姆内阻权重系数、极化内阻权重系数和极化电容权重系数,代入步骤5中的多因子评估模型,进行同类型全新的锂离子电池健康状态的综合评估,实时获得锂电池健康状态SOH值。
为了验证本发明估算欧姆内阻、极化内阻和极化电容,以某种标称容量为3.3Ah的三元锂电池为研究对象,进行老化实验,如图2~4所示,分别获得6组不同健康状态的锂电池样品,即健康状态(SOH)分别为100%、95%、90%、87%、83%与80%。通过基于一阶RC等效电路模型的卡尔曼滤波法实时获得了欧姆内阻、极化内阻、极化电容的值,可以看出卡尔曼滤波算法在参数初值不准的情况下可以收敛到真值;将以上获得的三组数值代入本发明提出的多因子评估模型进行估算,对比了基于单因子(欧姆内阻)与本发明多因子估算方法的误差如图5所示,结果显示,采用多因子评估电池健康状态比仅用欧姆内阻评估准确度更高;最后,利用本发明中多因子评估方法对同类型的全新离电池进行SOH评估,结果与单因子方法对比如图6所示,结果显示与单因子估算方法相比,多因子估算的SOH结果更接近真实值,并且误差分散小,说明本发明方法对同类型电池具有良好的适用性。
Claims (10)
1.一种基于多因子评估模型的锂电池健康状态估算方法,其特征在于,具体按照以下步骤实施:
步骤1、建立锂离子电池的一阶RC等效电路模型;
步骤2、通过脉冲充放电实验确定锂离子电池不同荷电状态处的开路电压,然后通过函数拟合得到开路电压与荷电状态的具体函数关系,构建开路电压OCV与不同荷电状态SOC值的SOC-OCV关系表;
步骤3、根据步骤1得到的锂离子电池的等效电路模型,分别建立以欧姆内阻、极化内阻和极化时间常数为状态变量的状态观测方程;
步骤4、运用卡尔曼滤波算法,结合步骤2得到的开路电压OCV与不同荷电状态SOC值的SOC-OCV关系表,在线估算电池的欧姆内阻、极化内阻和极化时间常数,极化电容由时间常数计算得到,最终迭代计算实时获得锂电池的欧姆内阻、极化内阻和极化电容;
步骤5、建立基于欧姆内阻、极化内阻和极化电容的锂离子电池健康状态多因子评估模型;
步骤6、使用带约束条件的最小二乘算法,训练获得锂离子电池健康状态多因子评估模型中欧姆内阻、极化内阻和极化电容分别对应的权重系数;
步骤7、用训练获得的欧姆内阻、极化内阻和极化电容分别对应的权重系数,进行同类型全新电池的健康状态的评估。
2.根据权利要求1所述的一种基于多因子评估模型的锂电池健康状态估算方法,其特征在于,所述步骤1中锂离子电池的一阶RC等效电路模型具体如下:
包括极化内阻Rd与极化电容Cd构成的一个RC并联电路,RC并联电路其中一端与开路电压源连接后接入电压,RC并联电路另一端串联欧姆内阻Ro后接入电压。
3.根据权利要求2所述的一种基于多因子评估模型的锂电池健康状态估算方法,其特征在于,所述步骤2中将开路电压按照充、放电方向分为两个部分,在锂电池充电或放电两个过程中因充电或放电电流方向不同而选择各自开路电压源,放电过程中开路电压为UOC,充电过程中开路电压为U’OC,由此分别得到充电过程的开路电压与荷电状态的关系,以及放电过程的开路电压与荷电状态的关系。
4.根据权利要求3所述的一种基于多因子评估模型的锂电池健康状态估算方法,其特征在于,所述步骤3具体如下:
首先根据一阶RC等效电路模型,建立锂电池回路电压方程的表达式为:
其中,Ro为电池的欧姆内阻,Rd、Cd分别为电池的电化学极化内阻和极化电容,τd代表极化时间常数,其中,τd=RdCd,UOC为电池的开路电压,I为锂电池的工作电流,U为电池的工作电压;
根据回路电路方程进行离散化,建立锂电池回路电压离散状态方程:
其中,Ro为电池的欧姆内阻,Rd、Cd分别为电池的电化学极化内阻和极化电容,τd代表极化时间常数,其中,τd=RdCd,v(k)为欧姆内阻、极化内阻和时间常数的测量噪声,k代表当前时刻迭代计算步数;U(k)、U(k-1)为当前时刻和前一时刻的回路电压,I(k)、I(k-1)为当前时刻和前一时刻的工作电流,UOC(k)和UOC(k-1)为当前时刻和前一时刻的开路电压,T为采样时间;
电池的模型参数在短时间内被认为保持不变,所建立的以欧姆内阻、极化内阻和极化时间常数为状态变量的状态观测方程为:
其中,wk为欧姆内阻、极化内阻和极化电容在估算过程噪声。
5.根据权利要求4所述的一种基于多因子评估模型的锂电池健康状态估算方法,其特征在于,所述步骤4具体如下:
步骤4.1、设置锂电池欧姆内阻、极化内阻、时间常数的初值和卡尔曼滤波算法中的状态误差协方差P的初值,选择系统噪声值为10-4;
步骤4.2、使用步骤2中开路电压与荷电状态的对应关系,得到等效电路模型不同荷电状态对应的开路电压值;对于不在对应关系表内的荷电状态值,采用左侧临近荷电状态处对应的参数值代替;
步骤4.3、由欧姆内阻、极化内阻和极化时间常数各自的状态方程,分别迭代计算欧姆内阻、极化内阻和时间常数的状态预测值和误差协方差预测值;
步骤4.4、计算欧姆内阻、极化内阻和极化时间常数的卡尔曼滤波增益Kk;
步骤4.5、将步骤4.3得到的欧姆内阻、极化内阻和极化时间常数的状态预测值代入步骤3中的状态观测方程得到观测量的预测值;
步骤4.6、由步骤4.4得到的欧姆内阻、极化内阻和时间常数各自的卡尔曼滤波增益得到当前时刻的状态估计量并更新误差协方差;
步骤4.7、调整欧姆内阻、极化内阻和极化时间常数估算的过程噪声协方差;
步骤4.8、将步骤4.3得到的状态预测值和误差协方差预测值和步骤4.4得到的卡尔曼滤波增益Kk、步骤4.5得到的观测量的预测值代入步骤4.2中,开始新一轮的循环迭代,同时获得锂电池欧姆内阻、极化内阻、极化电容和时间常数值。
8.根据权利要求7所述的一种基于多因子评估模型的锂电池健康状态估算方法,其特征在于,所述步骤5具体如下:
步骤5.1、根据步骤4中得到的欧姆内阻、极化内阻、极化电容三个变量分别描述电池的健康状态SOH,具体如下:
式中:ζSOH表示电池的健康状态值,X表示欧姆内阻、极化内阻和极化电容3种模型参数,具体为:Xold表示电池寿命结束时的模型参数;Xnow表示当前时刻模型参数;Xnew表示新电池模型参数,用此式,通过欧姆内阻、极化内阻与极化电容分别计算得到三组锂电池的健康状态值;
步骤5.2、建立锂电池健康状态多因子评估模型:锂离子电池的综合健康状态Hi为自变量γi1、γi2、γi3的线性函数,i表示第i个样本,建立的多因子评估模型为:
Hi=β1γi1+β2γi2+β3γi3
式中:γi1、γi2、γi3由式步骤5.1中的公式计算得到,γi1为欧姆内阻计算的健康状态;γi2为极化内阻计算的健康状态;γi3为极化电容计算的健康状态;β1为欧姆内阻对应健康状态的权重系数,β2为极化内阻对应健康状态的权重系数,β3为极化电容对应健康状态的权重系数。
9.根据权利要求8所述的一种基于多因子评估模型的锂电池健康状态估算方法,其特征在于,所述步骤6具体如下:
步骤6.1、对步骤5.2得到的多因子评估模型进行求解,具体表示为:
式中,m表示样本总数,i=1~m,将式中计算的数据矩阵用γ表示,所求的权重系数用矩阵β表示,真实的锂离子电池健康状态用H表示,将上述关系式表示为:
步骤6.2、进一步化简得|γβ|=H,根据最小二乘算法的思想,最终得到锂离子电池健康状态的求解方程为:
γ表示由欧姆内阻、极化内阻与极化电容所估计的健康状态数据矩阵;β为欧姆内阻、极化内阻与极化电容所估计健康状态的权重系数矩阵;H表示锂电池真实健康状态值。
利用拉格朗日乘子法,加入约束条件得:
式中:λ、μ为拉格朗日乘子;c为罚因子,μj表示第j步骤时的拉格朗日乘子,进一步化简,得到乘子迭代公式为:
步骤6.3、迭代计算结束准则为:
式中:ε为计算精度;
最终的目标为求估计参数欧姆内阻所对应的权重系数、极化内阻所对应的权重系数和极化电容所对应的权重系数,当误差达到最小值时,即得到多因子模型分别对应的权重系数β1、β2和β3,从而为多因子评估SOH提供权重。
10.根据权利要求9所述的一种基于多因子评估模型的锂电池健康状态估算方法,其特征在于,所述步骤7具体如下:
使用步骤6中得到的欧姆内阻权重系数、极化内阻权重系数和极化电容权重系数,代入步骤5中的多因子评估模型,进行同类型全新的锂离子电池健康状态的综合评估,实时获得锂电池健康状态SOH值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010751300.9A CN111948560A (zh) | 2020-07-30 | 2020-07-30 | 基于多因子评估模型的锂电池健康状态估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010751300.9A CN111948560A (zh) | 2020-07-30 | 2020-07-30 | 基于多因子评估模型的锂电池健康状态估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111948560A true CN111948560A (zh) | 2020-11-17 |
Family
ID=73338628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010751300.9A Pending CN111948560A (zh) | 2020-07-30 | 2020-07-30 | 基于多因子评估模型的锂电池健康状态估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111948560A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112505573A (zh) * | 2020-11-23 | 2021-03-16 | 贵州电网有限责任公司 | 一种退役动力电池的一致性评价指标计算方法 |
CN112540318A (zh) * | 2020-12-22 | 2021-03-23 | 武汉理工大学 | 一种起动内燃机的铅酸蓄电池健康状态估算方法 |
CN113064093A (zh) * | 2021-03-22 | 2021-07-02 | 山东建筑大学 | 储能电池荷电状态与健康状态联合估算方法及系统 |
CN113466712A (zh) * | 2021-07-13 | 2021-10-01 | 北京西清能源科技有限公司 | 一种电池剩余容量的获取方法 |
CN113740752A (zh) * | 2021-08-27 | 2021-12-03 | 济南大学 | 一种基于电池模型参数的锂电池寿命预测方法 |
CN113805086A (zh) * | 2021-09-16 | 2021-12-17 | 安徽师范大学 | 一种锂离子电池内阻的快速估算方法 |
CN113859022A (zh) * | 2021-08-24 | 2021-12-31 | 安徽绿舟科技有限公司 | 基于策略的换电站内部异常质检与冗余可用的系统及方法 |
CN114091975A (zh) * | 2021-12-08 | 2022-02-25 | 绍兴建元电力集团有限公司 | 一种储能电站运行寿命的评估方法 |
CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 上海正泰电源系统有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
CN114236242A (zh) * | 2021-11-23 | 2022-03-25 | 广西电网有限责任公司北海供电局 | 基于复合频率的蓄电池内阻测试仪及测试方法 |
CN116068449A (zh) * | 2023-03-23 | 2023-05-05 | 中国科学技术大学 | 一种物理模型约束深度神经网络的锂电池评估系统及方法 |
WO2023169134A1 (zh) * | 2022-03-07 | 2023-09-14 | 宁德时代新能源科技股份有限公司 | 电池soh值计算模型生成方法、计算方法、装置和系统 |
CN117517980A (zh) * | 2024-01-04 | 2024-02-06 | 烟台海博电气设备有限公司 | 锂电池健康状态实时监测方法及系统 |
CN113138344B (zh) * | 2021-04-23 | 2024-03-05 | 安徽理工大学 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
WO2024064082A1 (en) * | 2022-09-20 | 2024-03-28 | Texas Instruments Incorporated | Battery gauge circuit |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107589379A (zh) * | 2017-08-30 | 2018-01-16 | 电子科技大学 | 一种在线估计锂电池soc和阻抗的方法 |
CN108196200A (zh) * | 2018-01-28 | 2018-06-22 | 复旦大学 | 一种锂电池健康和荷电状态的联合模拟评估方法 |
CN110058160A (zh) * | 2019-04-29 | 2019-07-26 | 西安理工大学 | 基于srekf的锂电池健康状态的预测方法 |
CN111007400A (zh) * | 2019-11-22 | 2020-04-14 | 西安工程大学 | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 |
-
2020
- 2020-07-30 CN CN202010751300.9A patent/CN111948560A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107589379A (zh) * | 2017-08-30 | 2018-01-16 | 电子科技大学 | 一种在线估计锂电池soc和阻抗的方法 |
CN108196200A (zh) * | 2018-01-28 | 2018-06-22 | 复旦大学 | 一种锂电池健康和荷电状态的联合模拟评估方法 |
CN110058160A (zh) * | 2019-04-29 | 2019-07-26 | 西安理工大学 | 基于srekf的锂电池健康状态的预测方法 |
CN111007400A (zh) * | 2019-11-22 | 2020-04-14 | 西安工程大学 | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 |
Non-Patent Citations (1)
Title |
---|
陈猛等: "锂离子电池健康状态多因子在线估计方法", 《西安交通大学学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112505573A (zh) * | 2020-11-23 | 2021-03-16 | 贵州电网有限责任公司 | 一种退役动力电池的一致性评价指标计算方法 |
CN112540318A (zh) * | 2020-12-22 | 2021-03-23 | 武汉理工大学 | 一种起动内燃机的铅酸蓄电池健康状态估算方法 |
CN112540318B (zh) * | 2020-12-22 | 2022-01-04 | 武汉理工大学 | 一种起动内燃机的铅酸蓄电池健康状态估算方法 |
CN113064093A (zh) * | 2021-03-22 | 2021-07-02 | 山东建筑大学 | 储能电池荷电状态与健康状态联合估算方法及系统 |
CN113064093B (zh) * | 2021-03-22 | 2024-03-08 | 百思科新能源技术(青岛)有限公司 | 储能电池荷电状态与健康状态联合估算方法及系统 |
CN113138344B (zh) * | 2021-04-23 | 2024-03-05 | 安徽理工大学 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
CN113466712A (zh) * | 2021-07-13 | 2021-10-01 | 北京西清能源科技有限公司 | 一种电池剩余容量的获取方法 |
CN113859022A (zh) * | 2021-08-24 | 2021-12-31 | 安徽绿舟科技有限公司 | 基于策略的换电站内部异常质检与冗余可用的系统及方法 |
CN113740752A (zh) * | 2021-08-27 | 2021-12-03 | 济南大学 | 一种基于电池模型参数的锂电池寿命预测方法 |
CN113805086A (zh) * | 2021-09-16 | 2021-12-17 | 安徽师范大学 | 一种锂离子电池内阻的快速估算方法 |
CN113805086B (zh) * | 2021-09-16 | 2024-04-30 | 安徽师范大学 | 一种锂离子电池内阻的快速估算方法 |
CN114236242A (zh) * | 2021-11-23 | 2022-03-25 | 广西电网有限责任公司北海供电局 | 基于复合频率的蓄电池内阻测试仪及测试方法 |
CN114091975B (zh) * | 2021-12-08 | 2022-06-21 | 绍兴建元电力集团有限公司 | 一种储能电站运行寿命的评估方法 |
CN114091975A (zh) * | 2021-12-08 | 2022-02-25 | 绍兴建元电力集团有限公司 | 一种储能电站运行寿命的评估方法 |
CN114236401B (zh) * | 2021-12-20 | 2023-11-28 | 上海正泰电源系统有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 上海正泰电源系统有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
WO2023169134A1 (zh) * | 2022-03-07 | 2023-09-14 | 宁德时代新能源科技股份有限公司 | 电池soh值计算模型生成方法、计算方法、装置和系统 |
WO2024064082A1 (en) * | 2022-09-20 | 2024-03-28 | Texas Instruments Incorporated | Battery gauge circuit |
CN116068449A (zh) * | 2023-03-23 | 2023-05-05 | 中国科学技术大学 | 一种物理模型约束深度神经网络的锂电池评估系统及方法 |
CN117517980A (zh) * | 2024-01-04 | 2024-02-06 | 烟台海博电气设备有限公司 | 锂电池健康状态实时监测方法及系统 |
CN117517980B (zh) * | 2024-01-04 | 2024-03-22 | 烟台海博电气设备有限公司 | 锂电池健康状态实时监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111948560A (zh) | 基于多因子评估模型的锂电池健康状态估算方法 | |
CN110261779B (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
Yang et al. | A novel method on estimating the degradation and state of charge of lithium-ion batteries used for electrical vehicles | |
Sun et al. | A systematic state-of-charge estimation framework for multi-cell battery pack in electric vehicles using bias correction technique | |
Eddahech et al. | Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks | |
CN110457789B (zh) | 一种锂离子电池剩余寿命预测方法 | |
CN110554324B (zh) | 一种soc和soh联合估计方法 | |
CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
CN110850298B (zh) | 基于数据驱动的锂电池soh估计方法及系统 | |
CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
Wang et al. | Adaptive state-of-charge estimation method for an aeronautical lithium-ion battery pack based on a reduced particle-unscented kalman filter | |
CN112989690B (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
CN112557906A (zh) | 一种动力电池全生命周期内soc和容量在线联合估计方法 | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
CN114660464A (zh) | 一种锂离子电池荷电状态估算方法 | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
CN112462282A (zh) | 基于机理模型的用于确定电池组实时荷电状态的方法 | |
CN115598535A (zh) | 一种考虑健康状态的电池荷电状态估计方法及系统 | |
CN114720881A (zh) | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
Wang et al. | Modeling, parameterization, and benchmarking of a lithium ion electric bicycle battery | |
CN116718920A (zh) | 基于rnn优化扩展卡尔曼滤波的锂电池soc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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201117 |