CN112240980A - 基于学习算法的soc检测方法 - Google Patents

基于学习算法的soc检测方法 Download PDF

Info

Publication number
CN112240980A
CN112240980A CN202011506097.5A CN202011506097A CN112240980A CN 112240980 A CN112240980 A CN 112240980A CN 202011506097 A CN202011506097 A CN 202011506097A CN 112240980 A CN112240980 A CN 112240980A
Authority
CN
China
Prior art keywords
correction
battery
charge
state
detection method
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
Application number
CN202011506097.5A
Other languages
English (en)
Inventor
不公告发明人
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.)
Zhonghai Energy Storage Technology Beijing Co Ltd
Original Assignee
Zhonghai Energy Storage Technology Beijing Co Ltd
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 Zhonghai Energy Storage Technology Beijing Co Ltd filed Critical Zhonghai Energy Storage Technology Beijing Co Ltd
Priority to CN202011506097.5A priority Critical patent/CN112240980A/zh
Publication of CN112240980A publication Critical patent/CN112240980A/zh
Pending legal-status Critical Current

Links

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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提供一种基于学习算法的SOC检测方法，包括：设置两个配制参数完全相同的液流电池，标记为校正电池和测试电池，测试所述测试电池的荷电状态；用化学分析的方法检测所述校正电池的荷电状态；以测试电池的荷电状态数据为校正集，以校正电池的荷电状态数据为验证集，选取标样集；分析校正前所述校正集和验证集的差异，对两组荷电状态数据进行全局中心化处理，对处理后的矩阵进行正交运算，求出校正权重矢量，应用于目标荷电状态数值的校正。本发明提出的方法，测试电池的电压、电流、温度、充电或放电时间，采用化学法测得的荷电状态对测试结果进行校正，克服了温度、电池极化等等因素带来的偏差，获得了准确度更高的荷电状态结果。

Description

基于学习算法的SOC检测方法
技术领域
本发明属于储能技术领域，具体涉及一种对于液流电池荷电状态进行测试的方法。
背景技术
电池的荷电状态反映的是该电池剩余放电电量，对电池在交通工具等领域的应用十分重要。当前检测荷电状态的常规参数是电池的电压。在锂离子电池领域，有技术是通过充放电时间对电压参数进行修正，例如专利CN201710200054.6提出一种动力电池组的荷电状态计算方法及系统，通过安时积分法和开路电压法分别计算得到动力电池组的安时荷电状态和预估荷电状态，然后通过判断安时荷电状态和预估荷电状态的差值是否满足预设修正条件来对安时荷电状态进行修正。
液流电池又称氧化还原液流电池，其氧化还原电对是以电解液形式存在的。液体电解质的物性受温度影响很大；而氧化还原反应速度受多种因素影响，具体在液流电池内，情形更为复杂，电池极化电阻的影响因素不仅包括温度，还包括电池使用时间、电解液中杂质、电解液流动情况的影响，仅以充放电时间来修正电压值，还是不能获得准确的荷电状态。
在液流电池里，荷电状态是失电子物质和得电子物质的剩余量，例如，铁铬液流电池里，荷电状态（%）实际是电解液中二价铁离子和三价铬离子的剩余量占总铁或总铬的比例。从这个角度来说，用铁离子和铬离子含量确定的荷电状态是最准确的，而铁离子和铬离子含量可以用滴定、分光光度法等等。当然电池实际运行中是不能时时检测铁离子和铬离子含量的，但是用铁离子和铬离子含量求取荷电状态、再校正检测值，是准确度最高的校正方式。
发明内容
针对现有技术存在的不足之处，本发明的目的是提出一种基于学习算法的SOC检测方法，用于铁铬液流电池的荷电状态检测。
实现本发明上述目的的技术方案为：
一种基于学习算法的SOC检测方法，包括步骤：
S1：设置两个配制参数完全相同的液流电池，标记为校正电池和测试电池，测试所述测试电池的荷电状态；电压、电流、温度、充电或放电时间；用化学分析的方法检测所述校正电池的荷电状态；
S2：以测试电池的荷电状态数据为校正集，以校正电池的荷电状态数据为验证集，选取标样集；
S3：分析校正前所述校正集和验证集的差异，分析所述差异引起的荷电状态结果的差异性；
S4：对两组荷电状态数据进行全局中心化处理，对处理后的矩阵进行正交运算，求出校正权重矢量，应用于目标荷电状态数值的校正；
S5：分析校正后的荷电状态差异。
其中，测试所述测试电池的电压、电流、温度、充电或放电时间，求得荷电状态。
所述电压、电流、温度用传感器测定，并上传数据至电脑，放电时间是从荷电状态100%（此时电解液中TFe=Fe（II），TCr=Cr（III））为初始点计算，充电时间按开路电压0.5~1.1V为始。
其中，所述化学分析的方法为滴定法， Fe（II）的含量用重铬酸钾溶液滴定，Cr（III）的含量用用硫酸亚铁铵溶液滴定，总铁TFe和总铬TCr为加入值；
TFe-Fe（II）=Fe（III）； （1）
TCr-Cr（III）=Cr（II）； （2）
优选地，所述校正电池和测试电池均间隔同样的充电或放电时间测试荷电状态，间隔时间为2min~15min。
其中，步骤S2中通过剔除偏差大的数据选取标样集，剔除标准是≥5%。
其中，步骤S4中，对两个电池的标样集矩阵和校正电池荷电状态值进行全局中心化处理，处理后的矩阵A标样和所述的校正电池荷电状态值矩阵B校正进行正交运算，求出校正矩阵D=A标样 -1T （6），
T为权重向量；
C=A标样-B校正（B校正 TB校正）-1B校正 TA标样 （3）
对CCT进行主成分分析，计算主成分载荷，载荷矩阵E= A标样 TT/（TTT） （7）
检测电池的校正矩阵A校正=A-ADET （8）。
其中，步骤S5中，对数据进行一阶倒数处理，求平均差AD：
AD=
Figure 784481DEST_PATH_IMAGE001
（4）
式中，N为总检测次数，i为检测次数，Sc为测试电池的荷电状态数据，Sm为校正电池的荷电状态数据。
其中，校正的预测标准差RMSEP为
RMSEP=
Figure 727029DEST_PATH_IMAGE002
(5)。
进一步地，对待测电池检测电压、电流、温度、充电或放电时间，求出荷电状态估计值并用校正值补足。
上述计算方法优选用matlab语言计算。
本发明的有益效果在于：
本发明提出的基于学习算法的SOC检测方法，测试电池的电压、电流、温度、充电或放电时间，采用化学法测得的荷电状态对测试结果进行校正，克服了温度、电池极化等等因素带来的偏差，获得了准确度更高的荷电状态结果。
具体实施方式
以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例中，如无特殊说明，所采用的技术手段均为本领域已有的技术手段。
实施例1
一种基于学习算法的SOC检测方法，包括步骤：
S1：设置两个配制参数完全相同的液流电池（本实施例采用两个单电池），标记为校正电池和测试电池，测试所述测试电池的荷电状态；测试所述测试电池的电压、电流、温度、充电或放电时间，求得荷电状态。
用化学分析的方法检测所述校正电池的荷电状态；
S2：以测试电池的荷电状态数据为校正集，以校正电池的荷电状态数据为验证集，选取标样集，剔除偏差≥5%的数据；
S3：分析校正前所述校正集和验证集的差异，分析所述差异引起的荷电状态结果的差异性；
S4：对两组荷电状态数据进行全局中心化处理，对处理后的矩阵进行正交运算，求出校正权重矢量，应用于目标荷电状态数值的校正；
S5：分析校正后的荷电状态差异。
所述电压、电流、温度用传感器测定，并上传数据至电脑，放电时间是从荷电状态100%（即，电解液中TFe=Fe（II），TCr=Cr（III））为初始点计算，充电时间按开路电压0.5~1.0V为始。
本实施例中，所述化学分析的方法为滴定法， Fe（II）的含量用重铬酸钾溶液滴定，Cr（III）的含量用用硫酸亚铁铵溶液滴定，总铁TFe和总铬TCr为加入值，均为1.6mol/L；
所述校正电池和测试电池均间隔同样的充电或放电时间测试荷电状态，间隔时间为10min。
步骤S4中，对两个电池的标样集矩阵和校正电池荷电状态值进行全局中心化处理，处理后的矩阵A标样和所述的校正电池荷电状态值矩阵B校正进行正交运算，求出校正矩阵D=A标样 -1T （6），
T为权重向量；
C=A标样-B校正（B校正 TB校正）-1B校正 TA标样 （3），
对CCT进行主成分分析，计算主成分载荷，载荷矩阵E= A标样 TT/（TTT） （7）
检测电池的校正矩阵A校正=A-ADET （8）。
步骤S5中，对数据进行一阶倒数处理，求平均差AD：
AD=
Figure 164964DEST_PATH_IMAGE001
(4)
式中，N为总检测次数，i为检测次数，Sc为测试电池的荷电状态数据，Sm为校正电池的荷电状态数据。
其中，校正的预测标准差RMSEP为
RMSEP=
Figure 585581DEST_PATH_IMAGE003
（5）。
基于计算结果，对待测电池检测电压、电流、温度、充电或放电时间，求出荷电状态估计值并用校正值补足。
上述计算方法优选用matlab语言计算。
虽然，以上通过实施例对本发明进行了说明，但本领域技术人员应了解，在不偏离本发明精神和实质的前提下，对本发明所做的改进和变型，均应属于本发明的保护范围内。

Claims (9)

1.一种基于学习算法的SOC检测方法，其特征在于，包括步骤：
S1：设置两个配制参数完全相同的液流电池，标记为校正电池和测试电池，测试所述测试电池的荷电状态；用化学分析的方法检测所述校正电池的荷电状态；
S2：以测试电池的荷电状态数据为校正集，以校正电池的荷电状态数据为验证集，选取标样集；
S3：分析校正前所述校正集和验证集的差异，分析所述差异引起的荷电状态结果的差异性；
S4：对两组荷电状态数据进行全局中心化处理，对处理后的矩阵进行正交运算，求出校正权重矢量，应用于目标荷电状态数值的校正；
S5：分析校正后的荷电状态差异。
2.根据权利要求1所述的基于学习算法的SOC检测方法，其特征在于，测试所述测试电池的电压、电流、温度、充电或放电时间，求得荷电状态。
3.根据权利要求1所述的基于学习算法的SOC检测方法，其特征在于，所述化学分析的方法为滴定法， Fe（II）的含量用重铬酸钾溶液滴定，Cr（III）的含量用用硫酸亚铁铵溶液滴定，总铁TFe和总铬TCr为加入值；
TFe-Fe（II）=Fe（III）； （1）
TCr-Cr（III）=Cr（II）； （2）。
4.根据权利要求1所述的基于学习算法的SOC检测方法，其特征在于，所述校正电池和测试电池均间隔同样的充电或放电时间测试荷电状态，间隔时间为2min~15min。
5.根据权利要求1所述的基于学习算法的SOC检测方法，其特征在于，步骤S2中通过剔除偏差大的数据选取标样集，剔除标准是≥5%。
6.根据权利要求1所述的基于学习算法的SOC检测方法，其特征在于，步骤S4中，对两个电池的标样集矩阵和校正电池荷电状态值进行全局中心化处理，处理后的矩阵A标样和所述的校正电池荷电状态值矩阵B校正进行正交运算，求出校正矩阵D=A标样 -1T （6），
T为权重向量；
C=A标样-B校正（B校正 TB校正）-1B校正 TA标样 （3）
对CCT进行主成分分析，计算主成分载荷，载荷矩阵E= A标样 TT/（TTT） （7）
检测电池的校正矩阵A校正=A-ADET （8）。
7.根据权利要求1所述的基于学习算法的SOC检测方法，其特征在于，步骤S5中，对数据进行一阶倒数处理，求平均差AD：
AD=
Figure 194542DEST_PATH_IMAGE001
（4）
式中，N为总检测次数，i为检测次数，Sc为测试电池的荷电状态数据，Sm为校正电池的荷电状态数据。
8.根据权利要求1所述的基于学习算法的SOC检测方法，其特征在于，校正的预测标准差RMSEP为
RMSEP=
Figure 77047DEST_PATH_IMAGE002
（5）。
9.根据权利要求1所述的基于学习算法的SOC检测方法，其特征在于，对待测电池检测电压、电流、温度、充电或放电时间，求出荷电状态估计值并用校正值补足。
CN202011506097.5A 2020-12-18 2020-12-18 基于学习算法的soc检测方法 Pending CN112240980A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011506097.5A CN112240980A (zh) 2020-12-18 2020-12-18 基于学习算法的soc检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011506097.5A CN112240980A (zh) 2020-12-18 2020-12-18 基于学习算法的soc检测方法

Publications (1)

Publication Number Publication Date
CN112240980A true CN112240980A (zh) 2021-01-19

Family

ID=74175346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011506097.5A Pending CN112240980A (zh) 2020-12-18 2020-12-18 基于学习算法的soc检测方法

Country Status (1)

Country Link
CN (1) CN112240980A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102313712A (zh) * 2011-05-30 2012-01-11 中国农业大学 一种纤维类物料不同分光方式近红外光谱差异的校正方法
WO2013144195A1 (de) * 2012-03-28 2013-10-03 Avl List Gmbh Verfahren zur bestimmung der kapazität einer energiespeichervorrichtung
CN105425164A (zh) * 2015-12-25 2016-03-23 华北电力科学研究院有限责任公司 全钒液流电池荷电状态在线监测方法及系统
CN105929334A (zh) * 2016-04-07 2016-09-07 华北电力大学（保定） 一种全钒液流电池正极电解液荷电状态测定方法
CN108680867A (zh) * 2018-05-21 2018-10-19 合肥工业大学 一种基于容量修正的全钒液流电池soc在线校准方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102313712A (zh) * 2011-05-30 2012-01-11 中国农业大学 一种纤维类物料不同分光方式近红外光谱差异的校正方法
WO2013144195A1 (de) * 2012-03-28 2013-10-03 Avl List Gmbh Verfahren zur bestimmung der kapazität einer energiespeichervorrichtung
CN105425164A (zh) * 2015-12-25 2016-03-23 华北电力科学研究院有限责任公司 全钒液流电池荷电状态在线监测方法及系统
CN105929334A (zh) * 2016-04-07 2016-09-07 华北电力大学（保定） 一种全钒液流电池正极电解液荷电状态测定方法
CN108680867A (zh) * 2018-05-21 2018-10-19 合肥工业大学 一种基于容量修正的全钒液流电池soc在线校准方法

Similar Documents

Publication Publication Date Title
CN109946623B (zh) 一种锂电池的soc在线估测方法
CN110501652B (zh) 一种退役锂电池可用容量快速评估方法及评估装置
Linghu et al. Estimation for state-of-charge of lithium-ion battery based on an adaptive high-degree cubature Kalman filter
Lin et al. A study on the impact of open circuit voltage tests on state of charge estimation for lithium-ion batteries
CN107422269B (zh) 一种锂电池在线soc测量方法
Lin et al. A novel multi-model probability battery state of charge estimation approach for electric vehicles using H-infinity algorithm
Kindermann et al. Long-term equalization effects in Li-ion batteries due to local state of charge inhomogeneities and their impact on impedance measurements
Zhang et al. An improved adaptive estimator for state-of-charge estimation of lithium-ion batteries
Kang et al. A new neural network model for the state-of-charge estimation in the battery degradation process
CN111596212B (zh) 一种基于电化学变量监测的电池内部故障诊断方法及装置
Xia et al. State of charge estimation of lithium-ion batteries based on an improved parameter identification method
CN107015163B (zh) 一种电池容量的获取方法和装置
CN107607880A (zh) 一种基于阻抗谱的锂离子电池内部健康特征提取方法
CN112069739B (zh) 电池分数阶模型参数辨识方法
CN111060820A (zh) 一种基于二阶rc模型的锂电池soc、sop估计方法
CN108872861B (zh) 一种在线评估电池健康状态的方法
CN109596993B (zh) 锂离子电池荷电状态检测的方法
CN107132481B (zh) 一种识别电池组中单体一致的方法及系统
CN111856282B (zh) 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法
CN109444749A (zh) 用于锂电池容量测量的温度补偿系统及方法、存储介质
CN115494400B (zh) 一种基于集成学习的锂电池析锂状态在线监控方法
CN114089191A (zh) 一种复合锂离子电池健康状况估计方法
CN111044924B (zh) 一种全工况电池剩余容量确定方法及系统
Qu et al. A joint grey relational analysis based state of health estimation for lithium ion batteries considering temperature effects
CN114660123A (zh) 一种电池析锂检测方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210119