CN112415412A - 估算电池soc值的方法和装置及车辆、存储介质 - Google Patents
估算电池soc值的方法和装置及车辆、存储介质 Download PDFInfo
- Publication number
- CN112415412A CN112415412A CN201910786233.1A CN201910786233A CN112415412A CN 112415412 A CN112415412 A CN 112415412A CN 201910786233 A CN201910786233 A CN 201910786233A CN 112415412 A CN112415412 A CN 112415412A
- Authority
- CN
- China
- Prior art keywords
- value
- battery
- state
- time
- estimating
- 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
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
Abstract
本发明公开了一种估算电池SOC值的方法、装置、介质和车辆,该方法包括:建立电池模型,电池模型采用二阶RC等效电路模型;根据二阶RC等效电路模型确定电池特性参数,并根据电池特性参数获得自适应平方根容积卡尔曼滤波的状态方程和观测方程,将二阶RC等效电路模型中的电池SOC值、两个RC网络上的电压值作为状态变量,将电池的端电流值作为输入变量,将电池的端电压值作为观测量;根据状态方程和观测方程,采用自适应平方根容积卡尔曼滤波方法估算电池的SOC值。本发明估算电池SOC值的方法,通过自适应平方根容积卡尔曼滤波方法降低误差迭代产生的发散现象,改善滤波效果,提高SOC值估算精度。
Description
技术领域
本发明涉及车辆制造领域,尤其是涉及一种估算电池SOC值的方法和估算电池SOC值的装置及车辆、计算机可读存储介质。
背景技术
随着国家政策对于新能源车辆的推广,新能源车的销量逐年上升,电驱动车辆受到越来越多的关注。剩余电量(State of Charge,SOC)评估是动力电池管理系统中最为重要的功能之一,系统中的许多功能决策都是基于剩余电量进行评估,例如续航里程,充放电管理,电池的使用寿命等,因此提高SOC估算精度,对于电池的管理有着重要意义。
常见的对于SOC值评估有经典的安时积分法、电荷积累法、开路电压法,以及作为研究热点的卡尔曼滤波法等,与经典SOC值估算方法相比,卡尔曼滤波器有助于修正初始值,减弱电磁干扰的影响。作为卡尔曼滤波的技术延伸,扩展卡尔曼滤波、无迹卡尔曼滤波、容积卡尔曼滤波的应用已成为SOC值估算的研究热点和难点。使用卡尔曼滤波对动力电池SOC值进行估计时,采用已知且均值为零的白噪声作为给定噪声值,但在实际中,外在干扰通常是未知的,给定噪声值与真实值之间存在偏差,由于卡尔曼算法是一种迭代循环不断的根据上一次的值估计下一时刻的值,因此会随着不断迭代导致误差逐渐增大,产生发散现象,降低SOC值估算的精度。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。
为此,本发明第一方面实施例提供了一种估算电池SOC值的方法,该方法可以降低误差迭代产生的发散现象,提高SOC值估算精度。
本发明第二方面实施例提供了一种非临时性计算机可读存储介质。
本发明第三方面实施例提供了一种估算电池SOC值的装置。
本发明第四方面实施例提供了一种车辆。
为解决上述问题,本发明第一方面实施例的估算电池SOC值的方法包括:建立电池模型,其中,所述电池模型采用二阶RC等效电路模型;根据所述二阶RC等效电路模型确定电池特性参数,并根据所述电池特性参数获得自适应平方根容积卡尔曼滤波的状态方程和观测方程,其中,将所述二阶RC等效电路模型中的电池SOC值、两个RC网络的电压值作为状态变量,将所述二阶RC等效电路模型中电池的端电流值作为输入变量,将所述电池的端电压值作为观测量;根据所述状态方程和所述观测方程,采用自适应平方根容积卡尔曼滤波方法估算电池的SOC值。
根据本发明实施例的估算电池SOC的方法,结合二阶RC等效电路模型的电池特性参数,采用自适应平方根容积卡尔曼滤波方法估算电池的SOC值,该滤波算法基于循环迭代的方式,可以实时估计电池系统的过程噪音误差,并通过实时更新的状态变量修正过程噪音,随着迭代次数的增加,系统误差逐渐减小,可以有效改善电池系统因迭代产生的过程噪音误差发散现象,改善滤波效果,提高SOC值估算精度。
在一些实施例中,采用自适应平方根容积卡尔曼滤波方法估算电池的SOC值包括,设定初始参数步骤,定初始状态值、初始状态误差协方差值、过程噪声的初始均值、过程噪声的初始误差协方差值;时间更新步骤,根据K-1时刻状态预测值获得K时刻的状态预测值,以及获得K时刻的状态误差协方差矩阵平方根的预测值;测量更新步骤,根据K时刻的状态预测值和K时刻的状态误差协方差矩阵平方根的预测值计算K时刻的测量预测值,根据K时刻的测量预测值计算自相关协方差矩阵的平方根值,以及根据K时刻的状态预测值和K时刻的测量预测值计算互相关协方差矩阵的平方根值;状态更新步骤,根据所述自相关协方差矩阵的平方根值和所述互相关协方差矩阵的平方根值计算卡尔曼滤波增益值,根据所述卡尔曼滤波增益值、K时刻的状态预测值、K时刻的测量预测值和K时刻的实际测量值计算K时刻的状态估计值,并计算K时刻的状态误差协方差矩阵平方根值;系统噪声在线估计步骤,基于Sage-Husa噪声估计器估算过程噪音的均值和误差协方差值;循环迭代所述时间更新步骤、所述测量更新步骤、所述状态更新步骤和所述系统噪声在线估计步骤,直至所述测量预测值与实际测量值的差值小于预设阈值,将所述状态估计值作为所述电池的SOC值。
根据本发明实施例的采用自适应平方根容积卡尔曼滤波方法估算电池的SOC值,通过循环迭代的方式,在每一次迭代的过程中利用改进的Sage-Husa极大后验估值器实时估计未知的过程噪声均值和方差,将实时更新的过程噪声均值和方差作为自适应平方根卡尔曼滤波算法下一次迭代的已知值来修正系统过程噪声,可以缩小估算误差,随着迭代次数的增加估算误差逐渐减小,直至等于或者小于预设阈值,因此可以改善在未知系统噪声条件下的滤波效果,提高SOC的估算精度。
具体地,所述根据K-1时刻状态预测值获得K时刻的状态预测值包括,获得K-1时刻的状态误差协方差值满足:其中,()T表示转置矩阵,为K-1时刻的状态误差协方差值,为K-1时刻的状态误差协方差矩阵平方根值;根据以下公式计算K-1时刻的容积点:其中,为K-1时刻的容积点,为K-1时刻的状态预测值,ξi满足其中,i=1,2,…,2n,n为状态变量维数,n=3;通过所述状态方程传递所述容积点获得:其中,f()为K时刻状态变量与K-1时刻的状态变量、K-1时刻的输入变量满足的函数;通过以下方程计算K时刻的状态预测值:其中,为K时刻的状态预测值,qK为K时刻的过程噪音的均值。
在一些实施例中,计算K时刻的测量预测值包括,通过以下公式计算K时刻的容积点:其中,i=1,2,…,6;通过测量方程传递K时刻的容积点获得如下:其中,i=1,2,…,6,h()为K时刻的状态变量、K时刻的输入变量与K时刻的观测量满足的函数;通过以下公式计算K时刻的测量预测值:其中,为K时刻的测量预测值。
在一些实施例中,通过以下公式计算所述自相关协方差矩阵的平方根值:
在一些实施例中,通过以下公式计算所述卡尔曼滤波增益值:
在一些实施例中,通过以下公式计算K时刻的状态误差协方差矩阵平方根值:
在一些实施例中,基于Sage-Husa噪声估计器估算过程噪音的均值和误差协方差值,包括:
通过以下公式计算所述过程噪音的误差协方差值:
在一些实施例中,所述状态方程为:
所述观测方程为:
Ut(k+1)=OCV(k+1)-U1(k+1)-U2(k+1)-R0It(k+1)+vk+1;
其中,SOC(k)为所述二阶RC等效电路模型中的电池SOC值,U1(k)和U2(k)为所述二阶RC等效电路模型中的两个RC网络的电压值,It(k)为所述二阶RC等效电路模型中电池的端电流值,wk和vk是互不相关的过程噪声和观测噪声值,R1和R2为所述电池的极化电阻值,R0为所述电池的欧姆电阻值,T为采样周期;
为解决上述问题,本发明第二方面实施例的非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现所述的估算电池SOC值的方法。
为解决上述问题,本发明第三方面实施例的估算电池SOC值的装置,包括:电流计,用于检测电池的电流值;电压检测器,用于检测所述电池的端电压值;Sage-Husa噪声估计器,用于估算过程噪音的均值和误差协方差值;平方根容积卡尔曼滤波器,用于执行所述的估算电池SOC值的方法。
根据本发明实施例的估算电池SOC值的装置,基于平方根容积卡尔曼滤波器和Sage-Husa噪声估计器,实现自适应平方根容积卡尔曼滤波算法,来估算电池SOC值,其中,通过电流计和电压检测器在每次循环迭代过程中实时检测当前系统电路中电池的端电流值与端电压值,能够确保所得电池参数的准确性,每循环迭代一次就调用一次Sage-Husa噪声估计器,对过程噪音的均值和误差协方差值进行实时估算和修正,随着迭代次数的增加,系统的过程噪音的均值和误差协方差值的误差会越来越小,可以有效改善误差发散现象,提高SOC估算精确性。
为解决上述问题,本发明第四方面实施例的车辆包括,电池和所述的估算电池SOC的装置。
本发明实施例的车辆,采用实施例所述的估计电池SOC值的装置,能够更准确的对剩余电量情况进行实时监控,合理控制车辆的行驶进程,能有效减少或避免因过度行驶对电池造成损耗,延长电池使用寿命。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1是根据本发明一个实施例的估算电池SOC的方法的流程图;
图2是根据本发明一个实施例的估算电池SOC的方法的等效电路图;
图3是根据本发明一个实施例的估算电池SOC的方法流程图;
图4是根据本发明一个实施例的估算电池SOC的装置的框图;
图5为根据本发明一个实施例的车辆的框图。
附图标记:
车辆1000;
估算电池SOC值的装置100,电池200;
电流计110,电压检测器120,Sage-Husa噪声估计器130,平方根溶剂卡尔曼滤波器140。
具体实施方式
为了能够更加详尽地了解本发明实施例的特点与技术内容,下面结合附图对本发明实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本发明实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
对于采用卡尔曼滤波估算电池SOC值,标准平方根容积卡尔曼滤波(Square-rootCubature Kalman Filter,SCKF)算法在系统噪声未知时变情况下,易出现滤波精度下降甚至出现发散的问题。考虑到,自适应平方根容积卡尔曼滤波(AdaptiveSquare-rootCubature Kalman Filter,ASCKF)算法在噪声统计特性未知情况下对雷达目标的位置和速度跟踪以及导航系统的应用,效果明显优于标准的SCKF算法,因此,可以将ASCKF算法应用于电池的SOC值估计,以获得更加精确的SOC值。
下面参考附图描述本发明实施例的估算电池SOC值的方法,该方法将ASCKF滤波方法应用于估算电池SOC值,可以降低误差迭代产生的发散现象,提高SOC值估算的精度。
图1是根据本发明的一个实施例的估算电池SOC值的方法的流程图,如图1所示,本发明实施例的估算电池SOC值的方法至少包括步骤S1、S2、S3,下面对每个步骤过程进行说明。
S1,建立电池模型。
具体地,对于电池模型,在机理建模选择上可以采用电化学模型、热力学模型、耦合模型、等效电路模型等。相较之下等效电路模型无需对电池内部的电化学反应有着深入的分析,是通过电路来描述电池的开路电压、直流内阻、极化内阻,以实现对电池外特性的表征。
电池的等效电路模型可以包括一阶、多阶RC电路,在本发明实施例中,为了将ASCKF滤波方法应用于电池SOC值估算,电池模型采用二阶RC等效电路模型,根据二阶RC等效电路模型的特性,能够减小温度对电池性能的影响,获得更精确的电池特性参数。
图2为本发明实施例估算电池SOC值的方法的二阶RC等效电路图。
如图2所示,其中,Uoc(SOC)为电池的开路电压值,Ut为电池的端电压值,It为电池的端电流值,Ro为电池的欧姆内阻值,R1,R2和C1,C2分别为电池的极化电阻值和极化电容值。
S2,根据二阶RC等效电路模型确定电池特性参数,并根据电池特性参数获得ASCKF算法的状态方程和观测方程。
在使用卡尔曼滤波算法之前,电池系统的空间方程离散形式可以表示为:
xk=f(xk-1,uk-1)+wk-1, 公式(1)
yk=h(xk,uk)+vk, 公式(2)
公式(1)为系统的状态方程,反映上一时刻K-1的状态对当前时刻K的状态的映射。
公式(2)为系统的观测方程,根据系统状态和输入可得观测的输出。
其中,xk为k时刻的状态向量,yk为k时刻的观测向量,uk为k时刻系统的输入,wk,vk分别是系统过程噪声和观测噪声。
基于如图2所示的二阶RC等效电路模型以及公式(1)和公式(2),可以根据欧姆定律和电池的特性确定二阶RC等效电路的各项参数,通过测试和数据拟合等,可以获得模型离散化后的状态方程和观测方程。
例如,在一些实施例中,基于二阶RC等效电路模型的状态方程和观测方程表达为:
Ut(k+1)=OCV(k+1)-U1(k+1)-U2(k+1)-R0It(k+1)+vk+1, 公式(4)
公式(3)为由二阶RC等效电路模型离散化后的系统状态方程。
公式(4)为由二阶RC等效电路模型离散化后的系统观测方程。
在本实施例中,将二阶RC等效电路模型中的电池SOC值、两个RC网络上的电压值作为状态变量SOC(k)、U1(k)和U2(k),将二阶RC等效电路模型中电池的端电流值作为输入变量It(k),当充电时It(k)<0,放电时It(k)>0,将电池的端电压值作为观测量U1(k)和U2(k)。即基于该电池模型的状态变量xk和输入变量uk分别为:
其中,wk和vk为互不相关的过程噪声和观测噪声,R1和R2为电池的极化电阻,R0为电池的欧姆电阻,T为采样周期,τ为电池的极化电阻与极化电容的乘积,η为电池的自放电率,Qn为电池容量,和分别为根据电池特性参数建立的参数矩阵。
S3,根据状态方程和观测方程,采用自适应平方根容积卡尔曼滤波方法估算电池的SOC值。
具体地,ASCKF算法采用循环迭代的方式,在每次迭代的过程中实时估计未知的过程噪声均值和方差,并且将实时更新的系统状态再次带入下一次的计算,以在下一次迭代中修正系统过程噪声,如此一来,随着迭代次数的增加,系统过程噪声误差会逐渐减小,可以有效的改善SCKF算法在未知系统噪声误差因迭代逐渐增大产生的发散现象,改善滤波效果。
在本发明实施例中,在状态方程和观测方程中,将电池SOC值作为状态变量,将电池的端电流值作为输入变量,通过ASCKF算法实时估计电池系统中未知的过程噪声均值和方差,实时更新的过程噪声统计特征,并根据改善的状态变量和相应误差协方差值在滤波过程中修正过程噪声统计特性,因此,对于未知过程噪声的电池系统,采用ASCKF算法来估算电池SOC值,可以逐渐减小过程噪声误差,改善迭代产生的误差发散现象,提高电池SOC值估算的精度。
根据本发明实施例的估算电池SOC值的方法,采用自适应平方根容积卡尔曼滤波方法,可以实时估计电池系统的过程噪音误差,并通过实时更新的状态变量修正过程噪音,因而可以改善迭代产生的过程噪音误差发散现象,减小电池SOC值估算过程中的过程噪音误差,提高电池SOC值估算的精准性。
下面对本发明实施例通过ASCKF算法估算电池SOC值的过程进一步说明。
本发明实施例的ASCKF算法,在Sage-Husa噪声估计器基础上结合容积规则,将该算法应用在电池SOC值估算中,可以在滤波过程中实时估计和修正噪声统计特性,以减少状态估计误差,提高电池SOC值估算的准确性。
在一些实施例中,如图3所示,根据本发明实施例的采用ASCKF方法估计电池的SOC值包括步骤S-1、步骤S-2、步骤S-3、步骤S-4、步骤S-5和步骤S-6。
步骤S-1设定初始参数,设定初始状态值、初始状态误差协方差值、过程噪声的初始均值、过程噪声的初始误差协方差值。
ASCKF方法对初始值的准确性要求较低,例如,可以根据上述的系统状态方程和观测方程公式,结合二阶RC等效电路模型,设定初始状态值、初始状态误差协方差值、过程噪声的初始均值、过程噪声的初始误差协方差值分别为:
步骤S-2更新时间,根据K-1时刻状态预测值获得K时刻的状态预测值,以及获得K时刻的状态误差协方差矩阵平方根的预测值。
具体地,根据步骤S-1中的误差协方差矩阵可得K-1时刻的状态误差协方差值为:
进一步地,根据公式(6)可以计算K-1时刻的容积点为:
进一步地,根据公式(7)和通过状态方程传递容积点可得:
其中,f()为K时刻状态变量与K-1时刻的状态变量和输入变量满足的函数,参照公式(1)所示。
进一步地,根据公式(8)可以计算K时刻的状态预测值为:
进一步地,根据公式(8)和公式(9)可以计算K时刻的状态误差协方差矩阵平方根的预测值:
步骤S-3测量更新,根据K时刻的状态预测值和K时刻的状态误差协方差矩阵平方根的预测值计算K时刻的测量预测值,根据K时刻的测量预测值计算自相关协方差矩阵的平方根值,以及根据K时刻的状态预测值和K时刻的测量预测值计算互相关协方差矩阵的平方根值。
具体地,根据公式(7)和公式(9)可以计算K时刻的容积点为:
其中,i=1,2,…,6。
进一步地,根据公式(11)和测量方程传递K时刻的容积点可得:
其中,i=1,2,…,6,h()为K时刻的状态变量、K时刻的输入变量与观测量满足的函数。
进一步地,根据公式(12)可以计算K时刻的测量预测值为:
进一步地,根据公式(12)和公式(13)可以计算自相关协方差矩阵的平方根值为:
进一步地,根据公式(9)和公式(11)可以计算互相关协方差矩阵的平方根值为:
步骤S-4状态更新,根据自相关协方差矩阵的平方根值和互相关协方差矩阵的平方根值计算卡尔曼滤波增益值,根据卡尔曼滤波增益值、K时刻的状态预测值、K时刻的测量预测值和K时刻的实际测量值计算K时刻的状态估计值,并计算K时刻的状态误差协方差矩阵平方根值。
具体地,根据公式(14)和公式(15)可以计算计算卡尔曼滤波增益值为:
其中,WK为卡尔曼滤波增益值。
进一步地根据公式(9)、公式(13)和公式(16)可以计算K时刻的状态估计值为:
其中,zK为K时刻的实际测量值。
进一步地,根据公式(12)、公式(13)和公式(16)可以计算K时刻的状态误差协方差矩阵平方根值为:
步骤S-5系统噪声在线估计,基于Sage-Husa噪声估计器估算过程噪音的均值和误差协方差值。
具体地,根据公式(9)和公式(16)可以计算过程噪音均值和过程噪音误差协方差值为:
步骤S-6循环迭代,循环迭代步骤S-2、步骤S-3、步骤S-4和步骤S-5,直至测量预测值与实际测量值的差值小于预设阈值,例如测量预测值与实际测量值相等,认为此时过程噪声的误差已经非常小,则将此时的状态估计值作为电池的SOC值。
由于ASCKF算法难以同时对过程噪声Qk和测量噪声Rk进行估计,因此,针对不同应用可以假定过程噪声Qk和测量噪声Rk其中一个为已知值,对另一未知噪声进行在线估计可一定程度上提高滤波精度,本发明实施例假定测量噪声Rk已知,对过程噪声Qk进行在线估计。
由本文测量方程为非线性形式,测量噪声的均值和误差协方差估计如下式:
传统的电池SOC值估计方法有安时积分法,标准的SCKF方法以及无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)方法等,通过上述基于Sage-Husa噪声估计器与ASCKF方法相结合估算SOC值的过程分析可知,与比安时积分法相比,更有助于修正初始值,对初始值的准确性要求较低;与SCKF方法相比,不受噪声误差迭代产生发散的影响,随着迭代次数的增加,电池的SOC值估计反而更精确;与UKF方法相比,在高维系统中有良好的数值稳定性与滤波精度,无需设置准确参数和选择合适的采样策略。因此,相较于相关方法,本发明实施例的估算电池SOC值的方法更具准确性和可靠性,也为动力电池管理系统中充放电管理,电池均衡等的优化提供了更精确的参数。
根据本发明实施例的估算电池的SOC值的方法,采用ASCKF算法,通过循环迭代的方式,在每一次迭代的过程中利用改进的Sage-Husa极大后验估值器实时估计未知的过程噪声均值和方差,将实时更新的过程噪声均值和方差带入到ASCKF算法下一次迭代中来修正系统过程噪声统计特性,随着循环迭代次数的增加,不断修正过程噪声均值和方差,使得测量预测值与实际测量值的差值在不断缩小,直至小于预设阈值,因此,可以明显改善未知系统噪声误差因迭代逐渐增大产生的发散现象,有效的改善了在未知系统噪声条件下的滤波效果,提高SOC值估算的精度。
本发明实施例还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该计算机程序被执行时可以实现上面实施例的估算电池SOC值的方法。
下面参考附图描述本发明实施例的估算电池SOC值的装置,如图4所示,本发明实施例的估算电池SOC值的装置100包括电流计110、电压检测器120、Sage-Husa噪声估计器130和平方根容积卡尔曼滤波器140。
其中,电流计110和电压检测器120用于检测电池的电流和端电压值,在每次循环迭代过程中实时检测当前系统电路中电池的端电流值与端电压值,保证测量数据的准确性;Sage-Husa噪声估计器130用于估算过程噪音的均值和误差协方差值,在估算电池SOC值的方法执行的过程中,每循环迭代一次就调用一次Sage-Husa噪声估计器130,以对过程噪音的均值和误差协方差值进行实时估算,保证每一次迭代的过程噪音的均值和误差协方差值的误差最小,确保估算的精度;平方根容积卡尔曼滤波器140,用于执行上面实施例的估算电池SOC值的方法,估算电池SOC值的具体过程,可以参照上面实施例的说明。
根据本发明实施例的估算电池SOC值的装置100,基于平方根容积卡尔曼滤波器140和Sage-Husa噪声估计器130,实现自适应平方根容积卡尔曼滤波算法,来估算电池SOC值,其中,通过电流计110和电压检测器120在每次循环迭代过程中实时检测当前系统电路中电池的端电流值与端电压值,能够确保所得电池参数的准确性,每循环迭代一次就调用一次Sage-Husa噪声估计器130,对过程噪音的均值和误差协方差值进行实时估算和修正,随着迭代次数的增加,系统的过程噪音的均值和误差协方差值的误差会越来越小,直到等于或小于预设阈值,达到最佳估计效果度。
下面参考附图描述本发明实施例的车辆,如图5所示,车辆1000包括估算电池SOC值的装置100和电池200,其中,估算电池SOC值的装置100的组合和估算SOC值的过程可以参照上面实施例的描述。
本发明实施例的车辆1000,采用估计电池SOC值的装置100能够更准确的对电池200剩余电量情况进行实时监控,合理控制车辆1000的行驶进程,能有效减少或者避免因过度行驶对电池200造成的损耗,延长了电池200的使用寿命。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种估算电池SOC值的方法,其特征在于,包括:
建立电池模型,其中,所述电池模型采用二阶RC等效电路模型;
根据所述二阶RC等效电路模型确定电池特性参数,并根据所述电池特性参数获得自适应平方根容积卡尔曼滤波的状态方程和观测方程,其中,将所述二阶RC等效电路模型中的电池SOC值、两个RC网络的电压值作为状态变量,将所述二阶RC等效电路模型中电池的端电流值作为输入变量,将所述电池的端电压值作为观测量;
根据所述状态方程和所述观测方程,采用自适应平方根容积卡尔曼滤波方法估算电池的SOC值。
2.根据权利要求1所述的估算电池SOC值的方法,其特征在于,采用自适应平方根容积卡尔曼滤波方法估算电池的SOC值,包括:
设定初始参数步骤,设定初始状态值、初始状态误差协方差值、过程噪声的初始均值、过程噪声的初始误差协方差值;
时间更新步骤,根据K-1时刻状态预测值获得K时刻的状态预测值,以及获得K时刻的状态误差协方差矩阵平方根的预测值;
测量更新步骤,根据K时刻的状态预测值和K时刻的状态误差协方差矩阵平方根的预测值计算K时刻的测量预测值,根据K时刻的测量预测值计算自相关协方差矩阵的平方根值,以及根据K时刻的状态预测值和K时刻的测量预测值计算互相关协方差矩阵的平方根值;
状态更新步骤,根据所述自相关协方差矩阵的平方根值和所述互相关协方差矩阵的平方根值计算卡尔曼滤波增益值,根据所述卡尔曼滤波增益值、K时刻的状态预测值、K时刻的测量预测值和K时刻的实际测量值计算K时刻的状态估计值,并计算K时刻的状态误差协方差矩阵平方根值;
系统噪声在线估计步骤,基于Sage-Husa噪声估计器估算过程噪音的均值和误差协方差值;
循环迭代所述时间更新步骤、所述测量更新步骤、所述状态更新步骤和所述系统噪声在线估计步骤,直至所述测量预测值与实际测量值的差值小于预设阈值,将所述状态估计值作为所述电池的SOC值。
3.根据权利要求2所述的估算电池SOC值的方法,其特征在于,所述时间更新步骤进一步包括:
获得K-1时刻的状态误差协方差矩阵满足:
根据以下公式计算K-1时刻的容积点:
通过所述状态方程传递所述容积点获得:
其中,f()为K时刻状态变量与K-1时刻的状态变量、K-1时刻的输入变量满足的函数;
通过以下方程计算K时刻的状态预测值:
通过以下公式计算所述K时刻的状态误差协方差矩阵平方根的预测值:
7.根据权利要求1-6任一项所述的估算电池SOC值的方法,其特征在于,
所述状态方程为:
所述观测方程为:
Ut(k+1)=OCV(k+1)-U1(k+1)-U1(k+1)-R0It(k+1)+vk+1;
其中,SOC(k)为所述二阶RC等效电路模型中的电池SOC值,U1(k)和U2(k)为所述二阶RC等效电路模型中的两个RC网络的电压值,It(k)为所述二阶RC等效电路模型中电池的端电流值,wk和vk是互不相关的过程噪声值和观测噪声值,R1和R2为所述电池的极化电阻值,R0为所述电池的欧姆电阻值,T为采样周期;
8.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1-7任一项所述的估算电池SOC值的方法。
9.一种估算电池SOC值的装置,其特征在于,包括:
电流计,用于检测电池的电流值;
电压检测器,用于检测所述电池的端电压值;
Sage-Husa噪声估计器,用于估算过程噪音的均值和误差协方差值;
自适应平方根容积卡尔曼滤波器,用于执行权利要求1-7任一项所述的估算电池SOC值的方法。
10.一种车辆,其特征在于,包括:电池和如权利要求9所述的估算电池SOC值的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910786233.1A CN112415412A (zh) | 2019-08-23 | 2019-08-23 | 估算电池soc值的方法和装置及车辆、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910786233.1A CN112415412A (zh) | 2019-08-23 | 2019-08-23 | 估算电池soc值的方法和装置及车辆、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112415412A true CN112415412A (zh) | 2021-02-26 |
Family
ID=74779026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910786233.1A Pending CN112415412A (zh) | 2019-08-23 | 2019-08-23 | 估算电池soc值的方法和装置及车辆、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112415412A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113125962A (zh) * | 2021-04-21 | 2021-07-16 | 东北大学 | 一种温度时变下的钛酸锂电池状态估计方法 |
CN114217234A (zh) * | 2021-12-30 | 2022-03-22 | 南通大学 | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 |
CN117630684A (zh) * | 2024-01-26 | 2024-03-01 | 昆明理工大学 | 基于电热耦合模型的锂离子电池内部温度在线估计方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104121907A (zh) * | 2014-07-30 | 2014-10-29 | 杭州电子科技大学 | 一种基于平方根容积卡尔曼滤波器的飞行器姿态估计方法 |
CN104865535A (zh) * | 2015-06-05 | 2015-08-26 | 吉林大学 | 一种基于fpga的锂离子电池soc估计方法和估计设备 |
CN105093122A (zh) * | 2015-07-09 | 2015-11-25 | 宁波飞拓电器有限公司 | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 |
CN105699993A (zh) * | 2016-02-01 | 2016-06-22 | 东南大学 | 载波环路自适应跟踪方法、自适应载波跟踪环路 |
CN107192961A (zh) * | 2017-07-12 | 2017-09-22 | 江苏维科新能源科技有限公司 | 新型动力电池soc估算方法 |
CN107290742A (zh) * | 2017-06-20 | 2017-10-24 | 武汉理工大学 | 一种非线性目标跟踪系统中平方根容积卡尔曼滤波方法 |
CN108761340A (zh) * | 2018-05-31 | 2018-11-06 | 天津工业大学 | 基于噪声干扰的强跟踪容积卡尔曼滤波的电池估算方法 |
CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
CN109782181A (zh) * | 2018-12-20 | 2019-05-21 | 宁波飞拓电器有限公司 | 一种基于组合滤波的应急灯电池soc估计方法 |
CN109839596A (zh) * | 2019-03-25 | 2019-06-04 | 重庆邮电大学 | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 |
-
2019
- 2019-08-23 CN CN201910786233.1A patent/CN112415412A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104121907A (zh) * | 2014-07-30 | 2014-10-29 | 杭州电子科技大学 | 一种基于平方根容积卡尔曼滤波器的飞行器姿态估计方法 |
CN104865535A (zh) * | 2015-06-05 | 2015-08-26 | 吉林大学 | 一种基于fpga的锂离子电池soc估计方法和估计设备 |
CN105093122A (zh) * | 2015-07-09 | 2015-11-25 | 宁波飞拓电器有限公司 | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 |
CN105699993A (zh) * | 2016-02-01 | 2016-06-22 | 东南大学 | 载波环路自适应跟踪方法、自适应载波跟踪环路 |
CN107290742A (zh) * | 2017-06-20 | 2017-10-24 | 武汉理工大学 | 一种非线性目标跟踪系统中平方根容积卡尔曼滤波方法 |
CN107192961A (zh) * | 2017-07-12 | 2017-09-22 | 江苏维科新能源科技有限公司 | 新型动力电池soc估算方法 |
CN108761340A (zh) * | 2018-05-31 | 2018-11-06 | 天津工业大学 | 基于噪声干扰的强跟踪容积卡尔曼滤波的电池估算方法 |
CN109782181A (zh) * | 2018-12-20 | 2019-05-21 | 宁波飞拓电器有限公司 | 一种基于组合滤波的应急灯电池soc估计方法 |
CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
CN109839596A (zh) * | 2019-03-25 | 2019-06-04 | 重庆邮电大学 | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 |
Non-Patent Citations (1)
Title |
---|
段洋: "电动汽车用锂离子电池SOC估算方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113125962A (zh) * | 2021-04-21 | 2021-07-16 | 东北大学 | 一种温度时变下的钛酸锂电池状态估计方法 |
CN114217234A (zh) * | 2021-12-30 | 2022-03-22 | 南通大学 | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 |
CN114217234B (zh) * | 2021-12-30 | 2023-08-22 | 南通大学 | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 |
CN117630684A (zh) * | 2024-01-26 | 2024-03-01 | 昆明理工大学 | 基于电热耦合模型的锂离子电池内部温度在线估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | State of charge estimation for lithium-ion batteries based on adaptive dual Kalman filter | |
CN110596593B (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
Yu et al. | Online capacity estimation for lithium-ion batteries through joint estimation method | |
CN111007400A (zh) | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 | |
CN113466723B (zh) | 确定电池荷电状态的方法及装置,电池管理系统 | |
KR102652848B1 (ko) | 리튬 유황 배터리의 충전 상태 및 건강 상태를 결정하는 방법 및 장치 | |
Duong et al. | Online state of charge and model parameters estimation of the LiFePO4 battery in electric vehicles using multiple adaptive forgetting factors recursive least-squares | |
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
JP5058814B2 (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
Chen et al. | Battery state of charge estimation based on a combined model of Extended Kalman Filter and neural networks | |
US6534954B1 (en) | Method and apparatus for a battery state of charge estimator | |
CN110441694B (zh) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 | |
CN106842060A (zh) | 一种基于动态参数的动力电池soc估算方法及系统 | |
CN109633477B (zh) | 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法 | |
JP6509725B2 (ja) | バッテリの充電状態の推定 | |
CN111220920B (zh) | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 | |
CN112415412A (zh) | 估算电池soc值的方法和装置及车辆、存储介质 | |
CN111537895B (zh) | 一种多参数联合估算soc的方法 | |
CN113466725B (zh) | 确定电池荷电状态的方法及装置,存储介质及电子设备 | |
CN110687462A (zh) | 一种动力电池soc与容量全生命周期联合估计方法 | |
CN110412472B (zh) | 一种基于正态伽马滤波的电池荷电状态估计方法 | |
CN112269133A (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN113625174B (zh) | 一种锂离子电池soc与容量联合估计方法 | |
Ramezani-al et al. | A novel combined online method for SOC estimation of a Li-Ion battery with practical and industrial considerations |
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: 20210226 |