CN111983472A - 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置 - Google Patents

一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置 Download PDF

Info

Publication number
CN111983472A
CN111983472A CN202010857345.4A CN202010857345A CN111983472A CN 111983472 A CN111983472 A CN 111983472A CN 202010857345 A CN202010857345 A CN 202010857345A CN 111983472 A CN111983472 A CN 111983472A
Authority
CN
China
Prior art keywords
battery
value
safety
kalman filtering
temperature
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
Application number
CN202010857345.4A
Other languages
English (en)
Other versions
CN111983472B (zh
Inventor
于德亮
王文嵩
李然
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of 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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202010857345.4A priority Critical patent/CN111983472B/zh
Publication of CN111983472A publication Critical patent/CN111983472A/zh
Application granted granted Critical
Publication of CN111983472B publication Critical patent/CN111983472B/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]
    • G01R31/385—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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Abstract

一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置，属于电池安全度估算技术领域。本发明为了解决现有技术无法对动力电池的安全性进行量化表示和评估的问题。本发明构建电池的等效模型；采集电池的负载电流、负载电压，经所述等效模型得到极化电压和等效模型的锂电池内部电动势，经自适应卡尔曼滤波得到SOC百分比最大值和最优电压；采集电池温度，温度经卡尔曼滤波得到温度估计值；所述最优电池SOC、最优电压和温度估计值经模糊控制生成电池安全度；本发明实现了电池安全程度量化实时的表示。

Description

一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方 法及估算装置
技术领域
本发明涉及电池安全度估算领域，特别是涉及一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置。
背景技术
随着全球市场电动汽车商品化步伐的日益加快，对高功率和高能量动力电池需求迅速增加，而电池的安全性也越来越受到人们的关注。尤其是近几年，锂电池自燃、爆炸等事故的新闻时有发生，锂电池的安全性愈发受到重视。目前，我国锂电池在技术研发层面尚处于初始阶段，在安全性方面依旧存在诸多问题。
安全性事故来自热失控，而导致热失控的诱因主要有两种，一是机械电气诱因(针刺、碰撞等事故导致)，二是电化学诱因(过充、快充、自发性短路等)，电池单体热失控之后传递给相邻单体，随后大面积蔓延，最终导致安全事故的发生。而热失控的发展也存在一定的阶段性，据相关的资料显示，SEI膜分解的初始温度大概是100摄氏度-130摄氏度，也把这个温度视为一连串热失控温度的起点，而温度达到300摄氏度时，电池的温度将会出现剧烈的提升，如果不采取相应的安全措施，毫无疑问，电池在达到温度顶峰时，会对使用者造成不可挽回的损失。但如何做到实时准确的安全估算，一直是锂离子动力电池组设计过程中存在的一个瓶颈性难题。
发明内容
为了解决上述问题，本发明提供了一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置，综合电池各方面因素，得到实时量化的电池安全度信息。
本发明一方面提供了一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法，包括如下步骤：
S1、构建电池的等效模型，所述等效模型包括极化部分、电池内阻、电池内部电动势和电池输出电压；
S2、采集电池的负载电流、负载电压，经所述等效模型得到极化电压和等效模型的锂电池内部电动势，经自适应卡尔曼滤波得到SOC百分比最大值和最优电压；
S3、采集电池温度，温度经卡尔曼滤波得到温度估计值；
S4、所述最优电池SOC、最优电压和温度估计值经模糊控制生成电池安全度。
进一步的，所述等效电路模型为：
Figure BDA0002646828360000021
其中，Up为极化电压，IL为负载电流，Uocv为电池电路模型的开路电压，UL为终端电压。
进一步的，步骤S2所述经卡尔曼滤波得到最优电池SOC和最优电压的方法包括如下步骤：
S21、根据锂电池内部电动势建立电池SOC关系，进而得到k+1时刻的电池SOC值；
Figure BDA0002646828360000022
Uocv(k)＝aSOC(k)+b；
其中，SOC(k0)为初始SOC，η为锂电池受到温度、放电速率影响的修正因数，QN为锂电池的额定容量；
S22、将锂离子电池的电流作为控制信号输入卡尔曼滤波的系统状态方程中，得到k时刻的工作电压估计值，所述状态方程为：
Figure BDA0002646828360000023
其中，D为过程噪声矩阵，q为过程噪声均值；
S23、通过下式得到k时刻系统电压的测量值；
Z(k)＝H·X(k)+G·U(k)+b+v(k)；
S24、根据所述k时刻系统电压的测量值进行状态估计协方差Pk预估；
Pk＝AkPk-1AT k+DQk-1DT；
其中，Q为过程噪声的方差；
S25、计算卡尔曼增益Kg(k)，输出k+1时刻的电池SOC估计值，并对误差协方差进行更新，具体为：
Kgk＝PkHT k(HkPkHT k+Rk-1)-1；
Figure BDA0002646828360000024
其中，R为测量噪声的方差，r为测量噪声的均值；
S26、步骤S25所述修正的SOC估计值作为步骤S21中所述的电池SOC初始值，重复进行步骤S21-S25，得到最优温度估计值；
S27、将单次充电最大SOC值与电池额定容量比较，得出当前电池状态的SOC老化程度，用百分比表示，即为SOC百分比最大值。
进一步的，所述过程噪声均值qk为：
Figure BDA0002646828360000031
过程噪声的方差为Qk：
Qk＝(1-dk-1)Qk-1+dk-1M(LkykyT kLT k+Pk-APk/k-1AT)MT；
测量噪声的均值为rk：
Figure BDA0002646828360000032
测量噪声的方差Rk为
Rk＝(1-dk-1)Rk-1+dk-1(ykyT k-HPk/k-1HT)。
进一步的，步骤S3所述温度经卡尔曼滤波得到温度估计值的具体步骤包括：
S31、根据预设的温度初始值得到k-1时刻的温度估计值；
S32、根据k-1时刻的温度估计值得到k时刻的温度估计值，具体为：
Figure BDA0002646828360000033
S33、通过下式计算k时刻温度测量值：
Z(k)＝h[k,X(k)]+v(k)：
S34、根据下式计算卡尔曼增益：
Figure BDA0002646828360000034
S35、结合所述步骤S33所述的k时刻温度测量值和步骤S34所述的卡尔曼增益，根据下式得到k时刻优化的温度，并输出；
Figure BDA0002646828360000035
S36，所述k时刻优化温度值最优值作为步骤S31中所述的温度初始值，重复进行步骤S31-S35，得到最优温度估计值。
进一步的，建立安全度对照表，所述安全度对照表由若干安全区间构成，安全区间对应当前时刻的电池安全情况；将得到的安全度数值与所述安全区间匹配，得到当前时刻的电池安全情况。。
本发明另一方面提供了一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算装置，包括：
估算模块，用以根据本发明第一方面所述的基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法估算电池当前状态的安全度；
显示模块，用以显示电池当前状态下的安全度信息。
进一步的，所述一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算装置包括区间匹配模块，用以建立安全度对照表，所述安全度对照表由若干安全区间构成，安全区间对应当前时刻的电池安全情况；将估算模块得到的安全度数值与所述安全区间匹配，得到当前时刻的电池安全情况。
本发明与现有技术相比，具有如下效果：
1、本申请根据锂离子动力电池在使用过程中影响异常故障发生的关键因素，结合自适应卡尔曼滤波得到最优电池SOC、电压以及温度，通过模糊控制实时输出了电池使用过程中量化的安全程度示。
2、本发明所述方法的无需进行样本训练，算法的计算量小且更加快速，对于电池系统的噪声干扰具有一定的鲁棒性，可方便更新计算结果，适用于锂离子电池安全度的在线估算。
3、采用自适应的扩展卡尔曼滤波方法计算电池的SOC，解决了线性卡尔曼滤波方法在电池的非线性系统中的局限性，以及一般的扩展卡尔曼滤波算法由于采样噪声的不确定引起的系统不稳定，发散现象，实现了电池SOC的优化。
4、使用了自适应的扩展卡尔曼滤波方法同时对所需参量进行估算，再通过模糊控制将其融合归一化为电池安全度，降低了传统数据采集测量方法的不准确性，且使安全度预测方法更加规范合理。
5、本方法适用于各种电池的安全度估算，适用性广且硬件电路易实现，应用场合较多。
附图说明
图1为本发明具体实施例的电池安全度估算方法流程图；
图2为本发明具体实施例的等效模型示意图；
图3为本发明具体实施例的自适应的卡尔曼滤波对参数的估算方法流程图；
图4为本发明具体实施例的模糊控制原理图；
图5为本发明具体实施例的电压、SOC与电池安全度的模糊控制关系图；
图6为本发明具体实施例的温度、SOC与电池安全度的模糊控制关系图；
图7为本发明具体实施例的由温度、SOC、电压判断得出电池安全度的模糊规则图；
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
电池的安全性指电池在使用过程中不燃烧、不爆炸、不产生有毒有害气体、不会对使用者造成伤害，为了预防电池事故发生、保障使用者生命安全具，本实施例综合各方面的因素，定量地描述其在使用过程中的安全程度称为电池安全度。
如图1所示，本实施例的一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法，包括如下步骤：
S1、构建电池的等效模型，所述等效模型包括极化部分、电池内阻、电池内部电动势和电池输出电压；目前研究中应用的电池的等效模型有很多，常见的包括Rint模型，Thevenin模型，RC模型，PNGV模型和DP模型等。为了使电池SOC状态估计能够准确地适应环境温度变化的影响，本实施例建立了锂离子电池的一阶RC等效电路模型，如图2所示。
图中，R0为电路模型的内阻，Rp，Cp分别为锂电池使用过程中的极化电阻和极化电容，Uocv为锂电池内部电动势，UL为锂电池输出电压。电路模型的关系式如下：
Figure BDA0002646828360000051
其中，Up为极化电压，IL为负载电流，Uocv为电池电路模型的开路电压，UL为终端电压。
S2、采集电池的负载电流、负载电压，经所述等效模型得到极化电压和等效模型的锂电池内部电动势，经自适应卡尔曼滤波得到SOC百分比最大值和最优电压；
卡尔曼滤波的关键是会随着时间和量测的更新，不断地对状态变量进行更新，时间的更新是在估算的过程中，对当前时刻的状态变量进行预测；量测更新是观测变量的校正过程，一直对当前的观测信号进行反馈。Kalman滤波应用的前提是在线性模型条件下，对状态变量进行最优估计，此时能够通过滤波得到较好的状态变量估计结果。在电池系统中估算SOC时，需要建立适用于非线性系统的扩展卡尔曼滤波算法。
所述经卡尔曼滤波得到最优电池SOC和最优电压的方法包括如下步骤：
S21、根据锂电池内部电动势建立电池SOC关系，进而得到k+1时刻的电池SOC值；
Figure BDA0002646828360000052
Uocv(k)＝aSOC(k)+b；
其中，SOC(k0)为初始SOC，η为锂电池受到温度、放电速率影响的修正因数，QN为锂电池的额定容量；
S22、构建卡尔曼滤波系统方程：
Figure BDA0002646828360000061
其中，k为测量的离散时间点，X(k)为上一测量状态的最优估值，X(k+1)为当前测量状态的预测值，U(k)为系统的控制向量，w(k)为系统的过程噪声，v(k)为系统的观测噪声，Z(k)为传感器测量得出的测量值。A为状态矩阵，B为控制矩阵，H为观测矩阵，具体如下：
Figure BDA0002646828360000062
H＝[a 1]；
将锂离子电池的电流作为控制信号输入卡尔曼滤波的系统状态方程中，得到k时刻的工作电压估计值，所述状态方程为：
Figure BDA0002646828360000063
其中，D为过程噪声矩阵，q为过程噪声均值，x为状态参量，本实施例中的状态参量为电池的SOC和UP，控制向量为锂电池电流；
S23、通过下式得到k时刻系统电压的测量值；
Z(k)＝H·X(k)+G·U(k)+b+v(k)；
S24、根据所述k时刻系统电压的测量值进行状态估计协方差Pk预估；
Pk＝AkPk-1AT k+DQk-1DT；
其中，Q为过程噪声的方差；
S25、计算卡尔曼增益Kg(k)，输出k+1时刻的电池SOC估计值，并对误差协方差进行更新，具体为：
Kgk＝PkHT k(HkPkHT k+Rk-1)-1；
Figure BDA0002646828360000064
其中，R为测量噪声的方差，r为测量噪声的均值；
S26、步骤S25所述修正的SOC估计值作为步骤S21中所述的电池SOC初始值，重复进行步骤S21-S25，得到最优温度估计值；
S27、将单次充电最大SOC值与电池额定容量比较，得出当前电池状态的SOC老化程度，用百分比表示，即为SOC百分比最大值。
进一步的，所述过程噪声均值qk为：
Figure BDA0002646828360000071
过程噪声的方差为Qk：
Qk＝(1-dk-1)Qk-1+dk-1M(LkykyT kLT k+Pk-APk/k-1AT)MT；
测量噪声的均值为rk：
Figure BDA0002646828360000072
测量噪声的方差Rk为
Rk＝(1-dk-1)Rk-1+dk-1(ykyT k-HPk/k-1HT)。
S3、采集电池温度，温度经卡尔曼滤波得到温度估计值；
具体步骤包括：
S31、根据预设的温度初始值得到k-1时刻的温度估计值；
S32、根据k-1时刻的温度估计值得到k时刻的温度估计值，A的值取1，具体为：
Figure BDA0002646828360000073
S33、通过下式计算k时刻温度测量值：
Z(k)＝h[k,X(k)]+v(k)：
S34、根据下式计算卡尔曼增益：
Figure BDA0002646828360000074
S35、结合所述步骤S33所述的k时刻温度测量值和步骤S34所述的卡尔曼增益，根据下式得到k时刻优化的温度，并输出；
Figure BDA0002646828360000075
S36，所述k时刻优化温度值最优值作为步骤S31中所述的温度初始值，重复进行步骤S31-S35，得到最优温度估计值。
S4、如图4所示，所述最优电池SOC、最优电压和温度估计值作输入参数，利用模糊控制对所述输入参数进行归一化处理，建立参量与电池安全度之间的关系，从而估计得出电池的实时安全度。最优电池SOC、最优电压和温度估计值经过模糊处理后各自分为L(低)、M(中)、H(高)三种等级，其中规定电池SOC最大值的安全范围为0.8～1.0，电压的安全范围为2～4.5V、温度的安全范围为-10～+80℃。图5、图6分别展示了任意两种输入参量与电池安全度估计值之间的隶属度关系。通过该三种输入参量综合判断，得出最终的电池安全度估计值，如图7所示为电池安全度判断的实例：当SOC最大值为0.869、电池电压为3.9V、电池温度为31.6℃，此时通过模糊控制器判断得出的电池安全度为0.801。
S5、建立安全度对照表，所述安全度对照表由若干安全区间构成，安全区间对应当前时刻的电池安全情况；将得到的安全度数值与所述安全区间匹配，得到当前时刻的电池安全情况。。
本实施例中规定了SOC百分比的范围为80％-100％，当最大SOC低于额定的80％时候，视作电池发生故障，需要更换或维修。电压的正常值设定为3.5V-3.8V，当电池电压高过4V或者低于2.5V时，视为低安全度状态。正常工作温度标准设定为25度左右，当电池温度高于60度或低于0度，则视为低安全度状态。安全度的指标定义为从0-1，1表示目前电池的安全度最高，0代表目前电池处于最低安全度。
本实施例依据上述安全区间建立了电池安全程度对应表，如表1所示，表格中会细化不同安全等级下的安全度百分比，表中，第一栏为电池的安全度区间，第二栏为安全度区间对应的电池的安全程度。当电池的安全度数值位于[0.8,1]范围内时，表明此时电池的状体良好，可以继续使用，当电池的安全度数值位于[0.6,0.8)范围内时，表明此时电池状态一般，需要使用者稍加留意，当电池的安全度数值位于[0.4，0.6)范围内时，表明此时电池存在潜在危险，在使用过程中需要使用者多加注意，当电池的安全度数值位于[0.2，0.4)范围内时，此时电池已经达到危险程度，此时应停止使用并将更换电池，当电池的安全度数值位于[0,0.2)范围内时，表面电池达到严重危险程度，表明已经出现燃烧爆炸情况或极易引起燃烧和爆炸，此时应根据实际需要采取紧急处理方式将电池拆卸并妥善转移。
表1电池安全度对应表
安全度区间 安全程度
0-0.2 严重危险
0.2-0.4 危险
0.4-0.6 潜在危险
0.6-0.8 一般
0.8-1 良好
本实施例的一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算装置，包括：
估算模块，用以根据实施例所述的基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法估算电池当前状态的安全度；
显示模块，用以显示电池当前状态下的安全度信息，及时提醒使用者注意电池的安全状态。
进一步的，所述一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算装置包括区间匹配模块，用以建立安全度对照表，所述安全度对照表由若干安全区间构成，安全区间对应当前时刻的电池安全情况；将估算模块得到的安全度数值与所述安全区间匹配，得到当前时刻的电池安全情况。
本实施例提供一种电子设备，包括处理器、存储器和显示器，存储器中存在用以实现本申请实施例所述的锂离子动力电池安全度估算方法的指令，处理器用以调用所述指令以执行本发明实施例所述的电池安全区估算方法，本实施例中的处理器可以为DSP或单片机等。
此外，上述的存储器中的指令可以通过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，即本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (8)

1.一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法，其特征在于，包括如下步骤：
S1、构建电池的等效模型，所述等效模型包括极化部分、电池内阻、电池内部电动势和电池输出电压；
S2、采集电池的负载电流、负载电压，经所述等效模型得到极化电压和等效模型的锂电池内部电动势，经自适应卡尔曼滤波得到SOC百分比最大值和最优电压；
S3、采集电池温度，温度经卡尔曼滤波得到温度估计值；
S4、所述最优电池SOC、最优电压和温度估计值经模糊控制生成电池安全度。
2.根据权利要求1所述一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法，其特征在于，所述等效电路模型为：
Figure FDA0002646828350000011
其中，Up为极化电压，IL为负载电流，Uocv为电池电路模型的开路电压，UL为终端电压。
3.根据权利要求2所述一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法，其特征在于，步骤S2所述经卡尔曼滤波得到最优电池SOC和最优电压的方法包括如下步骤：
S21、根据锂电池内部电动势建立电池SOC关系，进而得到k+1时刻的电池SOC值；
Figure FDA0002646828350000012
Uocv(k)＝aSOC(k)+b；
其中，SOC(k0)为初始SOC，η为锂电池受到温度、放电速率影响的修正因数，QN为锂电池的额定容量；
S22、构建卡尔曼滤波系统方程，将锂离子电池的电流作为控制信号输入卡尔曼滤波的系统状态方程中，得到k时刻的工作电压估计值，所述状态方程为：
Figure FDA0002646828350000013
其中，D为过程噪声矩阵，q为过程噪声均值；
S23、通过下式得到k时刻系统电压的测量值；
Z(k)＝H·X(k)+G·U(k)+b+v(k)；
S24、根据所述k时刻系统电压的测量值进行状态估计协方差Pk预估；
Pk＝AkPk-1AT k+DQk-1DT；
其中，Q为过程噪声的方差；
S25、计算卡尔曼增益Kg(k)，输出k+1时刻的电池SOC估计值，并对误差协方差进行更新，具体为：
Kgk＝PkHT k(HkPkHT k+Rk-1)-1；
Figure FDA0002646828350000021
其中，R为测量噪声的方差，r为测量噪声的均值；
S26、步骤S25所述修正的SOC估计值作为步骤S21中所述的电池SOC初始值，重复进行步骤S21-S25，得到最优温度估计值；
S27、将单次充电最大SOC值与电池额定容量比较，得出当前电池状态的SOC老化程度，用百分比表示，即为SOC百分比最大值。
4.根据权利要求3所述一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法，其特征在于，所述过程噪声均值qk为：
Figure FDA0002646828350000025
过程噪声的方差为Qk：
Qk＝(1-dk-1)Qk-1+dk-1M(LkykyT kLT k+Pk-APk/k-1AT)MT；
测量噪声的均值为rk：
Figure FDA0002646828350000022
测量噪声的方差Rk为
Rk＝(1-dk-1)Rk-1+dk-1(ykyT k-HPk/k-1HT)。
5.根据权利要求1所述一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法，其特征在于，步骤S3所述温度经卡尔曼滤波得到温度估计值的具体步骤包括：
S31、根据预设的温度初始值得到k-1时刻的温度估计值；
S32、根据k-1时刻的温度估计值得到k时刻的温度估计值，具体为：
Figure FDA0002646828350000023
S33、通过下式计算k时刻温度测量值：
Z(k)＝h[k,X(k)]+v(k)：
S34、根据下式计算卡尔曼增益：
Figure FDA0002646828350000024
S35、结合所述步骤S33所述的k时刻温度测量值和步骤S34所述的卡尔曼增益，根据下式得到k时刻优化的温度，并输出；
Figure FDA0002646828350000031
S36，所述k时刻优化温度值最优值作为步骤S31中所述的温度初始值，重复进行步骤S31-S35，得到最优温度估计值。
6.根据权利要求1所述一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法，其特征在于，所述基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法包括建立安全度对照表，所述安全度对照表由若干安全区间构成，安全区间对应当前时刻的电池安全情况；将得到的安全度数值与所述安全区间匹配，得到当前时刻的电池安全情况。。
7.一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算装置，其特征在于，包括：
估算模块，用以根据权利要求1-6任意权利要求所述的基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法估算电池当前状态的安全度；
显示模块，用以显示电池当前状态下的安全度信息。
8.根据权利要求6所述一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算装置，其特征在于，所述一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算装置包括区间匹配模块，用以建立安全度对照表，所述安全度对照表由若干安全区间构成，安全区间对应当前时刻的电池安全情况；将估算模块得到的安全度数值与所述安全区间匹配，得到当前时刻的电池安全情况。
CN202010857345.4A 2020-08-24 2020-08-24 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置 Active CN111983472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010857345.4A CN111983472B (zh) 2020-08-24 2020-08-24 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010857345.4A CN111983472B (zh) 2020-08-24 2020-08-24 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置

Publications (2)

Publication Number Publication Date
CN111983472A true CN111983472A (zh) 2020-11-24
CN111983472B CN111983472B (zh) 2022-11-25

Family

ID=73443812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010857345.4A Active CN111983472B (zh) 2020-08-24 2020-08-24 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置

Country Status (1)

Country Link
CN (1) CN111983472B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114497818A (zh) * 2022-01-26 2022-05-13 中南大学 一种低温环境下锂离子电池的内部快速加热方法
CN116315189A (zh) * 2023-05-25 2023-06-23 澄瑞电力科技(上海)股份公司 一种基于数据融合的电池包热失控预测方法和系统
CN117330964A (zh) * 2023-12-01 2024-01-02 聊城大学 一种基于适应度值的锂电池荷电状态三区间融合估计方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090254290A1 (en) * 2008-04-03 2009-10-08 Hyundai Motor Company Method for estimating remaining capacity of battery
KR20100019249A (ko) * 2008-08-08 2010-02-18 주식회사 엘지화학 배터리 전압 거동을 이용한 배터리 용량 퇴화 추정 장치 및방법
US20110148424A1 (en) * 2009-12-22 2011-06-23 Industrial Technology Research Institute Apparatus for estimating battery state of health
CN104933264A (zh) * 2015-07-07 2015-09-23 电子科技大学 一种电动汽车再生制动分配系数的确定方法
CN106249173A (zh) * 2016-10-10 2016-12-21 哈尔滨理工大学 一种电池健康度soh估算方法
CN107037366A (zh) * 2016-12-02 2017-08-11 江苏富威能源有限公司 一种电力动车锂离子电池控制系统
CN107290688A (zh) * 2017-08-24 2017-10-24 合肥工业大学 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法
CN109490790A (zh) * 2019-01-23 2019-03-19 哈尔滨理工大学 采用补偿脉冲法的锂动力电池功率特性测试方法及装置
CN109633454A (zh) * 2019-01-13 2019-04-16 浙江大学 一种实现锂离子电池等效温度在线估计的方法
CN109895657A (zh) * 2019-03-22 2019-06-18 芜湖职业技术学院 一种动力电池soc估计装置、汽车及方法
JP2019164959A (ja) * 2018-03-20 2019-09-26 株式会社東芝 電池安全性評価装置、電池安全性評価方法、プログラム、制御回路及び蓄電システム
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

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090254290A1 (en) * 2008-04-03 2009-10-08 Hyundai Motor Company Method for estimating remaining capacity of battery
KR20100019249A (ko) * 2008-08-08 2010-02-18 주식회사 엘지화학 배터리 전압 거동을 이용한 배터리 용량 퇴화 추정 장치 및방법
US20110148424A1 (en) * 2009-12-22 2011-06-23 Industrial Technology Research Institute Apparatus for estimating battery state of health
CN104933264A (zh) * 2015-07-07 2015-09-23 电子科技大学 一种电动汽车再生制动分配系数的确定方法
CN106249173A (zh) * 2016-10-10 2016-12-21 哈尔滨理工大学 一种电池健康度soh估算方法
CN107037366A (zh) * 2016-12-02 2017-08-11 江苏富威能源有限公司 一种电力动车锂离子电池控制系统
CN107290688A (zh) * 2017-08-24 2017-10-24 合肥工业大学 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法
JP2019164959A (ja) * 2018-03-20 2019-09-26 株式会社東芝 電池安全性評価装置、電池安全性評価方法、プログラム、制御回路及び蓄電システム
CN109633454A (zh) * 2019-01-13 2019-04-16 浙江大学 一种实现锂离子电池等效温度在线估计的方法
CN109490790A (zh) * 2019-01-23 2019-03-19 哈尔滨理工大学 采用补偿脉冲法的锂动力电池功率特性测试方法及装置
CN109895657A (zh) * 2019-03-22 2019-06-18 芜湖职业技术学院 一种动力电池soc估计装置、汽车及方法
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 (6)

* Cited by examiner, † Cited by third party
Title
CONG-SHENG HUANG 等: "Estimating Battery Pack SOC Using A Cell-to-Pack Gain Updating Algorithm", 《IECON 2018-44 ANNUAL CONFERENCE OF THE IEEE INDUSTRIAL ELECTRONICS SOCIETY》 *
DELIANG YU 等: "Research on Anti-Lock Braking Control Strategy of Distributed-Driven Electric Vehicle", 《IEEE ACESS》 *
张等: "基于自适应卡尔曼滤波的锂离子电池SOC估计", 《汽车技术》 *
彭湃等: "基于自适应卡尔曼滤波的锂电池SOC估计", 《电源技术》 *
李然: "锂动力电池健康度评价与估算方法的研", 《中国优秀博士学位论文全文数据库（博士） 工程科技Ⅱ辑》 *
管庆鹏: "增程式氢燃料电池汽车动力性匹配与氢安全评价研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114497818A (zh) * 2022-01-26 2022-05-13 中南大学 一种低温环境下锂离子电池的内部快速加热方法
CN114497818B (zh) * 2022-01-26 2023-10-24 中南大学 一种低温环境下锂离子电池的内部快速加热方法
CN116315189A (zh) * 2023-05-25 2023-06-23 澄瑞电力科技(上海)股份公司 一种基于数据融合的电池包热失控预测方法和系统
CN116315189B (zh) * 2023-05-25 2023-08-11 澄瑞电力科技(上海)股份公司 一种基于数据融合的电池包热失控预测方法和系统
CN117330964A (zh) * 2023-12-01 2024-01-02 聊城大学 一种基于适应度值的锂电池荷电状态三区间融合估计方法

Also Published As

Publication number Publication date
CN111983472B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN111983472B (zh) 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置
Shen et al. Accurate state of charge estimation with model mismatch for li-ion batteries: A joint moving horizon estimation approach
Zhang et al. An improved unscented particle filter approach for lithium-ion battery remaining useful life prediction
Cen et al. Lithium‐ion battery SOC/SOH adaptive estimation via simplified single particle model
Ouyang et al. Coestimation of state-of-charge and state-of-health for power batteries based on multithread dynamic optimization method
TWI384246B (zh) 藉電池電壓變化模式估測開路電壓以估測電池電阻特徵之裝置及方法
Sun et al. A method for estimating the aging state of lithium‐ion batteries based on a multi‐linear integrated model
Takyi‐Aninakwa et al. A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries
CN109143097B (zh) 一种计及温度和循环次数的锂离子电池soc估计方法
JP2011053215A (ja) 電気化学システムの計測不能な特性を推定する改良された方法
CN112615075A (zh) 电池快速充电方法及计算机设备
CN111983471B (zh) 一种基于双卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置
Ren et al. Novel co‐estimation strategy based on forgetting factor dual particle filter algorithm for the state of charge and state of health of the lithium‐ion battery
You et al. Charging strategy optimization at low temperatures for li-ion batteries based on multi-factor coupling aging model
Yuan et al. Study on the relationship between open-circuit voltage, time constant and polarization resistance of lithium-ion batteries
TW202132800A (zh) 一種基於模型預測控制之電池充電方法
Li et al. A novel Co-estimation framework of state-of-charge, state-of-power and capacity for lithium-ion batteries using multi-parameters fusion method
CN111983475B (zh) 一种基于隐马尔科夫的锂离子动力电池安全度评估方法及装置
CN111967191A (zh) 一种基于模糊贝叶斯网络的锂离子动力电池安全度评估方法及装置
CN116047339A (zh) 基于热电耦合模型的锂离子电池组soc估计方法及装置
CN111983467B (zh) 基于二阶rc等效电路模型的电池安全度估算方法及估算装置
Gaga et al. Methods for estimating lithium-ion battery state of charge for use in electric vehicles: a review
Zhu et al. An improved coulomb counting method based on non-destructive charge and discharge differentiation for the SOC estimation of NCM lithium-ion battery
CN113419185A (zh) 一种锂离子动力蓄电池的单体容量检测方法和系统
CN111983476B (zh) 一种基于卡尔曼滤波法的电池安全度估算方法及装置

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