CN112462282A - 基于机理模型的用于确定电池组实时荷电状态的方法 - Google Patents
基于机理模型的用于确定电池组实时荷电状态的方法 Download PDFInfo
- Publication number
- CN112462282A CN112462282A CN202011241958.1A CN202011241958A CN112462282A CN 112462282 A CN112462282 A CN 112462282A CN 202011241958 A CN202011241958 A CN 202011241958A CN 112462282 A CN112462282 A CN 112462282A
- Authority
- CN
- China
- Prior art keywords
- time
- model
- battery
- representing
- mean
- 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
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
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于机理模型的用于确定电池组实时荷电状态的方法,应用于电池技术领域,所述方法包括:采集电池组内所有电池单体实时电池参数;通过所述实时电池参数与电池组机理模型,计算得到电池单体荷电状态基准值及电池单体库伦效率基准值;结合库伦效率短期预测模型以及所述电池单体库伦效率基准值、实时电池参数,对库伦效率短期预测模型进行在线参数辨识;采集电池组电流值、电池单体温度值,代入所述库伦效率短期预测模型,计算获得对应时刻电池单体预测库伦效率,结合所述电池组电流值,进行电池单体荷电状态修正。本发明提供的电池组荷电状态实时计算方法能够提升电动汽车电池组荷电状态计算的准确性与实时性。
Description
技术领域
本发明应用于电池组技术领域,具体涉及一种基于机理模型的用于确定电池组实时荷电状态的方法。
背景技术
随着化石能源枯竭与环境污染等问题的日益严重,使用清洁能源的需求得到了极大的关注。锂离子电池由于其高能量密度、高功率密度等优点在电动汽车等领域得到了广泛的应用。由于单节电池电压、容量有限,常常需要通过串联或并联的方式组成电池组以满足实际需求。表示了有效地控制与管理电池组内数百甚至上千节电池单体,电池管理系统需要了解每个电池单体的荷电状态(State of charge,SOC),荷电状态能够反映电池单体的剩余容量,对其进行实时监控能够防止过充或过放,从而保障电池组的安全。
常用的荷电状态估计方法包括,基于测量值的直接计算方法,基于机器学习的方法,以及基于模型的方法。基于测量值的直接计算方法如安时积分法、开路电压法。安时积分法需要准确的初始值,并且估计精准度会随着累积误差的不断增长而逐渐降低。开路电压法所高度依赖的开路电压很难直接通过在线测量获得。基于机器学习的方法需要大量的数据且计算成本高昂。基于模型的方法往往通过电池内部的化学反应、电路定律等内部机理建立模型来描述电池内部的电化学与物理特性,并结合滤波算法降低噪声的影响,是较表示常用的方法。但现有电池组机理模型大多忽略电池单体库伦效率的不一致,库伦效率是电池的一个重要性能指标,通常被定义表示电池在同一周期中放电量与充电量的比值,它能够反映电池在循环过程中不良反应的水平,即便是微小的库伦效率差异,也会加大组内荷电状态的不一致性,导致电池组容量的衰减,所以,构建电池组模型时考虑库伦效率差异是很有必要的。此外,随着车用电池组内电池单体数量的增长,荷电状态的计算成本不断提高,在有限的资源下,计算实时性难以得到保证。
因此,亟需一种能准确测定电池组内荷电状态的方法。
发明内容
有鉴于此,本发明提供一种基于机理模型的用于确定电池组实时荷电状态的方法,其特征在于,包括:
S1:采集目标电池组内所有电池单体的实时电池参数,所述实时电池参数包括电池单体的端电压Ut,i,其中i(1≤i≤n)表示电池单体编号、串联电池组的电流值I和电池温度T;
S2:构建电池组机理模型,将所述实时电池参数代入电池组机理模型,并确定当前时刻电池单体荷电状态基准值SOCi,k及电池单体库伦效率基准值ηi,k;
S3:构建库伦效率短期预测模型,将电池组电流I、电池单体温度T和电池单体库伦效率基准值ηi,k代入所述库伦效率短期预测模型,采用带遗忘因子递归最小二乘法迭代更新方程组确定所述库伦效率短期预测模型的参数,获得与目标电池组匹配的库伦短期预测模型;
S5:将电池组电流值I、电池单体荷电状态基准值SOCi,k、步骤S4中电池单体预测库伦效率代入荷电状态修正模型中,获得修正后的电池组实时荷电状态;
所述荷电状态修正式如下:
其中,SOCi,m表示任意时刻第i号电池单体的荷电状态修正值,c=m mod n,c表示m除以n的余数,m表示任意时刻,n表示所述电池组电池单体个数,i(i=1,2,3,…,n)为电池单体编号,SOCi,m-c+i表示m-c+i时刻第i号电池单体的荷电状态,表示m-c+i时刻第i号电池单体的预测库伦效率,Im-c+i表示m-c+i时刻所述电池组的电流值,表示m-c+i+1时刻第i号电池单体的预测库伦效率,Im-c+i+1表示m-c+i+1时刻所述电池组的电流值,表示m-1时刻第i号电池单体的预测库伦效率,Im-1表示m-1时刻所述电池组的电流值,SOCi,m-n+i-c表示m-n+i-c时刻第i号电池单体的荷电状态,表示m-n+i-c时刻第i号电池单体的预测库伦效率,Im-n+i-c表示m-n+i-c时刻所述电池组的电流值,表示m-n+i-c时刻第i号电池单体的预测库伦效率,Im-n+i-c+1表示m-n+i-c+1时刻所述电池组的电流值,Δt1为所述平均模型的采样周期,Cn表示电池单体的标称容量。
进一步,步骤S2中所述电池组机理模型包括平均模型与差异模型,所述平均模型采用如下方法确定:
xk=f1(xk-1,uk-1)+wk-1 (1-1)
yk=h1(xk,uk)+vk (1-2)
其中,xk表示k时刻平均模型的状态向量,k表示平均模型中的扩展卡尔曼滤波时标变量,f1(xk-1,uk-1)表示中间变量1,xk-1表示k-1时刻平均模型的状态向量,uk-1表示k-1时刻所述电池组的电流,uk-1同时也是系统输入,wk-1表示k-1时刻平均模型的过程噪声,yk表示k时刻的平均端电压,yk同时也是系统输出,h1(xk,uk)表示中间变量2,uk表示k时刻所述电池组的电流,vk表示平均模型的测量噪声;
所述k时刻平均模型的状态向量xk的具体表达式如下:
xk=[SOCmean,k Up,k R0,kηmean,k]T (1-3)
其中,xk表示k时刻平均模型的状态向量,SOCmean,k表示k时刻电池组的平均荷电状态,Up,k表示k时刻电池组的平均极化电压,R0,k表示k时刻电池组的平均欧姆电阻,ηmean,k表示k时刻库伦效率平均值,T表示电池温度;
所述中间变量1f1(xk-1,uk-1)的具体表达式如下:
其中,f1(xk-1,uk-1)表示中间变量1,xk-1,m(m=1,2,3,4)表示k-1时刻所述平均模型状态向量的第m个元素,uk-1表示k-1时刻平均模型的电流,Δt1表示平均模型采样周期,τ=RpCp,Rp表示所述极化电阻,Cn表示电池单体的标称容量;
其中,h1(xk,uk)表示中间变量2,xk表示k时刻平均模型的状态向量,uk表示k时刻平均模型的电流,xk,m(m=1,2,3)表示k时刻所述平均模型状态向量的第m个元素;
所述差异模型采用如下方法确定:
xi,l=f2(xi,l-1,ul-1)+wi,l-1 (2-1)
yi,l=h2(xi,l,ul)+vi,l (2-2)
其中,xi,l表示l时刻的第i个差异模型的状态向量,l表示差异模型中的扩展卡尔曼滤波时标变量,f2(xi,l-1,ul-1)表示中间变量3,xi,l-1表示l-1时刻第i个差异模型的状态向量,ul-1表示l-1时刻所述电池组的电流,wi,l-1表示l-1时刻第i个差异模型的过程噪声,yi,l表示l时刻的第i号电池的端电压差,yi,l同时也是是系统的输出,h2(xi,l,ul)表示中间变量4,xi,l表示l时刻的第i个差异模型的状态向量,ul表示l时刻所述电池组的电流,vi,l表示差异模型的测量噪声;
所述l时刻的第i个差异模型的状态向量xi,l的具体表达式为:
xi,l=[ΔSOCi,l ΔRi,l Δηi,l]T (2-3)
其中,xi,l表示l时刻的第i个差异模型的状态向量,ΔSOCi,l表示第i个差异模型在l时刻的荷电状态差,ΔRi,l表示第i个差异模型在l时刻的内阻差,Δηi,l表示第i个差异模型在l时刻的库伦效率差,T表示电池温度;
所述中间变量3f2(xi,l-1,ul-1)的具体表达式如下:
其中,f2(xi,l-1,ul-1)表示中间变量3,xi,l-1表示l-1时刻第i个差异模型的状态向量,ul-1表示l-1时刻差异模型的电流,xi,l-1,m(m=1,2,3)表示l-1时刻所述差异模型状态向量的第m个元素,Δt2表示差异模型的采样周期,Cn表示电池单体的标称容量;
所述中间变量4h2(xi,l,ul)的具体表达式如下:
h2(xi,l,ul)=ΔUoc,i,l-xi,l,2ul (2-5)
其中,h2(xi,l,ul)表示中间变量4,xi,l表示l时刻的第i个差异模型的状态向量,ul表示l时刻差异模型的电流,ΔUoc,i,l表示l时刻所述第i个差异模型的开路电压差,xi,l,2表示l时刻所述第i个差异模型状态向量的第2个元素。
进一步,步骤S2中电池单体荷电状态基准值SOCi,k及电池单体库伦效率基准值ηi,k采用如下方法确定:
电池单体荷电状态基准值SOCi,k采用如下方法确定:
SOCi,k=SOCmean,k+ΔSOCi,k (3-1)
其中,SOCi,k表示k时刻电池单体荷电状态基准值,SOCmean,k表示k时刻电池组平均荷电状态,ΔSOCi,k表示k时刻电池单体荷电状态差;
所述电池单体荷电状态基准值ηi,k采用如下方法确定:
ηi,k=ηmean,k+Δηi,k (3-2)
其中,ηi,k表示k时刻电池单体库伦效率基准值,ηmean,k表示k时刻库伦效率平均值,Δηi,k表示k时刻库伦效率差;
所述电池组平均荷电状态SOCmean,k和库伦效率平均值ηmean,k采用如下方法确定:
将所述实时电池参数分别代入电池组机理模型的平均模型,并将所述平均模型的结果输入到时间更新方程组1,并将所述时间更新方程组1的结果输入到测量更新方程组1,获得当前时刻电池组平均荷电状态SOCmean,k和库伦效率平均值ηmean,k;
所述电池单体荷电状态差ΔSOCi,k和库伦效率差Δηi,k采用如下方法确定:
将所述实时电池参数分别代入电池组机理模型的差异模型,并将所述差异模型的代入到时间更新方程组2,并将所述时间更新方程组的结果输入到测量更新方程组2,获得电池单体荷电状态差ΔSOCi,k和库伦效率差Δηi,k;
其中所述时间更新方程组1如下:
其中,表示k时刻平均模型的先验状态向量,表示k-1时刻平均模型的后验状态向量,uk-1表示k-1时刻的电池组电流,为k时刻的协方差矩阵,Fk表示中间变量关于x的微分,Pk-1表示k-1时刻的协方差矩阵,表示Fk的转置,Qk为k时刻系统噪声的协方差矩阵;
所述测量更新方程组1如下:
其中,Kk为k时刻的卡尔曼滤波增益,表示k时刻的协方差矩阵,Hk表示中间变量2h1(xk,uk)关于x的微分,表示Hk的转置,Rk表示k时刻的测量噪声的协方差矩阵,表示k时刻的后验状态向量,表示k时刻的先验状态向量,xk表示k时刻平均模型的状态向量,uk表示k时刻平均模型的电流,h1(xk,uk)为中间变量2详细表达式见式子(1-5),zk为系统输出,zk也为k时刻电池组的平均端电压;
其中所述时间更新方程组2如下:
其中,表示l时刻差异模型的先验状态向量,表示l-1时刻差异模型的后验状态向量,ul-1表示l-1时刻的电池组电流,为l时刻的协方差矩阵,Fl表示中间变量关于x的微分,Pl-1表示l-1时刻的协方差矩阵,表示Fl的转置,Ql为l时刻系统噪声的协方差矩阵;
所述测量更新方程组2如下:
其中,Kl为l时刻的卡尔曼滤波增益,表示l时刻的协方差矩阵,Hl表示h1(xl,ul)关于x的微分,表示Hl的转置,Rl表示l时刻的测量噪声的协方差矩阵,表示l时刻的后验状态向量,表示l时刻的先验状态向量,xl表示l时刻平均模型的状态向量,ul表示l时刻平均模型的电流,h2(xl,ul)为中间变量4详细表达式见式子(2-4),zl为系统输出。
进一步,所述平均模型的采样周期Δt1和的差异模型的采样周期Δt2的具有如下对应关系:nΔt1=Δt2,其中,Δt1表示平均模型的采样周期,Δt2表示差异模型的采样周期,n表示所述串联电池组内电池单体总数。
进一步,所述库伦效率短期预测模型包括充电库伦效率短期预测模型与放电库伦效率短期预测模型,其中,充电库伦效率短期预测模型具体为:
ηc(T,Ic)=a0γ1(Ic)γ2(T) (5-1)
其中,ηc为充电库伦效率,a0为基准系数,γ1(Ic)为充电电流修正函数,γ2(T)为温度修正函数,Ic表示充电电流测量值,T表示温度测量值,a1,∈(∈=0,1,2)为充电电流修正函数的参数项,a2,∈(∈=0,1,2,3)为温度修正函数的参数项;
所述放电库伦效率短期预测模型具体为:
其中,ηd为放电库伦效率,Id表示测量放电电流值,T表示测量温度值,bτ(τ=1,2,…,8)为所述放电库伦效率短期预测模型参数。
进一步,步骤S3中所述带遗忘因子递归最小二乘法迭代更新方程组具体为:
其中,为l时刻所述库伦效率短期预测模型参数所构成的状态向量,表示l-1时刻所述库伦效率短期预测模型参数所构成的状态向量,λ表示遗忘因子,取值范围为0至1之间,yl为l时刻的库伦效率基准值,为ηc(T,Ic)、ηd(T,Id)对θl的微分,Pl-1表示l-1时刻的过程误差协方差矩阵,Pl为k时刻的过程误差协方差矩阵,Kl表示l时刻的增益。
本发明的有益技术效果:本申请构建的电池组模型,综合考虑了电池组内电池单体的库伦效率、内阻差异、荷电状态差异,使得确定的电池组荷电状态的准确性更高;此外,本申请的荷电状态修正方法,能够以较低的计算成本,同时进行大量电池单体的荷电状态估计,降低了平均-差异模型估计结果的时滞性,有效提升电池组荷电状态估计的实时性。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1是本发明电池组机理模型中平均模型结构示意图。
图2是本发明电池组机理模型中差异模型结构示意图。
图3是双时标扩展卡尔曼滤波流程图。
图4是本发明的确定方法的流程图。
具体实施方式:
以下结合说明书附图对本发明做出进一步的说明:
本发明提供一种基于机理模型的用于确定电池组实时荷电状态的方法,其特征在于,包括:如图4所示,
S1:采集目标电池组内所有电池单体的实时电池参数,所述实时电池参数包括电池单体的端电压Ut,i,其中i(1≤i≤n)表示电池单体编号、串联电池组的电流值I和电池温度T;
S2:构建电池组机理模型,将所述实时电池参数代入电池组机理模型,并确定当前时刻电池单体荷电状态基准值SOCi,k及电池单体库伦效率基准值ηi,k;
S3:构建库伦效率短期预测模型,将电池组电流I、电池单体温度T和电池单体库伦效率基准值ηi,k代入所述库伦效率短期预测模型,采用带遗忘因子递归最小二乘法迭代更新方程组确定所述库伦效率短期预测模型的参数,获得与目标电池组匹配的库伦短期预测模型;
S5:将电池组电流值I、电池单体荷电状态基准值SOCi,k、步骤S4中电池单体预测库伦效率代入荷电状态修正模型中,获得修正后的电池组实时荷电状态;
所述荷电状态修正式如下:
其中,SOCi,m表示任意时刻第i号电池单体的荷电状态修正值,c=m mod n,c表示m除以n的余数,m表示任意时刻,n表示所述电池组电池单体个数,i(i=1,2,3,…,n)为电池单体编号,SOCi,m-c+i表示m-c+i时刻第i号电池单体的荷电状态,表示m-c+i时刻第i号电池单体的预测库伦效率,Im-c+i表示m-c+i时刻所述电池组的电流值,表示m-c+i+1时刻第i号电池单体的预测库伦效率,Im-c+i+1表示m-c+i+1时刻所述电池组的电流值,表示m-1时刻第i号电池单体的预测库伦效率,Im-1表示m-1时刻所述电池组的电流值,SOCi,m-n+i-c表示m-n+i-c时刻第i号电池单体的荷电状态,表示m-n+i-c时刻第i号电池单体的预测库伦效率,Im-n+i-c表示m-n+i-c时刻所述电池组的电流值,表示m-n+i-c时刻第i号电池单体的预测库伦效率,Im-n+i-c+1表示m-n+i-c+1时刻所述电池组的电流值,Δt1为所述平均模型的采样周期,Cn表示电池单体的标称容量。
上述技术方案,综合考虑了电池组内电池单体的库伦效率、内阻差异、荷电状态差异,使得确定的电池组荷电状态的准确性更高;此外,本申请的荷电状态修正方法,能够以较低的计算成本,同时进行大量电池单体的荷电状态估计,降低了平均-差异模型估计结果的时滞性,有效提升电池组荷电状态估计的实时性。
在本实施例中,步骤S2中所述电池组机理模型包括平均模型与差异模型,所述平均模型采用如下方法确定:
xk=f1(xk-1,uk-1)+wk-1 (1-1)
yk=h1(xk,uk)+vk (1-2)
其中,xk表示k时刻平均模型的状态向量,k表示平均模型中的扩展卡尔曼滤波时标变量,f1(xk-1,uk-1)表示中间变量1,xk-1表示k-1时刻平均模型的状态向量,uk-1表示k-1时刻所述电池组的电流,uk-1同时也是系统输入,wk-1表示k-1时刻平均模型的过程噪声,yk表示k时刻的平均端电压,yk同时也是系统输出,h1(xk,uk)表示中间变量2,uk表示k时刻所述电池组的电流,vk表示平均模型的测量噪声;
所述k时刻平均模型的状态向量xk的具体表达式如下:
xk=[SOCmean,k Up,k R0,kηmean,k]T (1-3)
其中,xk表示k时刻平均模型的状态向量,SOCmean,k表示k时刻电池组的平均荷电状态,Up,k表示k时刻电池组的平均极化电压,R0,k表示k时刻电池组的平均欧姆电阻,ηmean,k表示k时刻库伦效率平均值,T表示电池温度;
所述中间变量1f1(xk-1,uk-1)的具体表达式如下:
其中,f1(xk-1,uk-1)表示中间变量1,xk-1,m(m=1,2,3,4)表示k-1时刻所述平均模型状态向量的第m个元素,uk-1表示k-1时刻平均模型的电流,Δt1表示平均模型采样周期,τ=RpCp,Rp表示所述极化电阻,Cn表示电池单体的标称容量;
其中,h1(xk,uk)表示中间变量2,xk表示k时刻平均模型的状态向量,uk表示k时刻平均模型的电流,xk,m(m=1,2,3)表示k时刻所述平均模型状态向量的第m个元素;
图1中所示一阶RC电路的电学特性表示为:
Ut,mean=Uoc,mean-Up-IR0
其中,Up是极化电压,Rp与Cp分别是极化电阻与极化电容,R0是欧姆电阻,I为电流值,放电为正,充电为负,Ut,mean是所述电池组所有电池单体端电压的平均值,Uoc,mean是平均开路电压。
所述差异模型采用如下方法确定:
xi,l=f2(xi,l-1,ul-1)+wi,l-1 (2-1)
yi,l=h2(xi,l,ul)+vi,l (2-2)
其中,xi,l表示l时刻的第i个差异模型的状态向量,l表示差异模型中的扩展卡尔曼滤波时标变量,f2(xi,l-1,ul-1)表示中间变量3,xi,l-1表示l-1时刻第i个差异模型的状态向量,ul-1表示l-1时刻所述电池组的电流,wi,l-1表示l-1时刻第i个差异模型的过程噪声,yi,l表示l时刻的第i号电池的端电压差,yi,l同时也是是系统的输出,h2(xi,l,ul)表示中间变量4,xi,l表示l时刻的第i个差异模型的状态向量,ul表示l时刻所述电池组的电流,vi,l表示差异模型的测量噪声;
所述l时刻的第i个差异模型的状态向量xi,l的具体表达式为:
xi,l=[ΔSOCi,l ΔRi,l Δηi,l]T (2-3)
其中,xi,l表示l时刻的第i个差异模型的状态向量,ΔSOCi,l表示第i个差异模型在l时刻的荷电状态差,ΔRi,l表示第i个差异模型在l时刻的内阻差,Δηi,l表示第i个差异模型在l时刻的库伦效率差,T表示电池温度;
所述中间变量3f2(xi,l-1,ul-1)的具体表达式如下:
其中,f2(xi,l-1,ul-1)表示中间变量3,xi,l-1表示l-1时刻第i个差异模型的状态向量,ul-1表示l-1时刻差异模型的电流,xi,l-1,m(m=1,2,3)表示l-1时刻所述差异模型状态向量的第m个元素,Δt2表示差异模型的采样周期,Cn表示电池单体的标称容量;
所述中间变量4h2(xi,l,ul)的具体表达式如下:
h2(xi,l,ul)=ΔUoc,i,l-xi,l,2ul (2-5)
其中,h2(xi,l,ul)表示中间变量4,xi,l表示l时刻的第i个差异模型的状态向量,ul表示l时刻差异模型的电流,ΔUoc,i,l表示l时刻所述第i个差异模型的开路电压差,xi,l,2表示l时刻所述第i个差异模型状态向量的第2个元素。
如图2所示,通过电池单体与所述平均模型间的差值,如第i号电池与平均模型的库伦效率差Δηi、第i号电池的内阻差ΔRi、第i号电池的开路电压差ΔUoc,i、第i号电池的端电压差ΔUt,i。
所述差异模型的电学特性可由如下表达式表示:
所述表达式为:ΔUt,i=ΔUoc,i-IΔRi
其中,ΔUt,i是第i号电池的端电压差,ΔUoc,i第i号电池的开路电压差(大于平均端电压时为正,小于则为负),I是电池组电流,ΔRi是电池i的内阻差(大于平均模型的内阻时为正,小于则为负)。
所述端电压差与荷电状态差的关系可由如下表达式表示:
其中,ΔSOCi,l+1是第i号电池在l+1时刻荷电状态与平均荷电状态SOCmean的差(大于SOCmean为正,小于SOCmean为负)、Δt2是所述差异模型的采样周期,n是所述电池组内电池单体总数,Cn是标称容量,Δηi是第i个电池的库伦效率差。
在本实施例中,步骤S2中电池单体荷电状态基准值SOCi,k及电池单体库伦效率基准值ηi,k采用如下方法确定:
电池单体荷电状态基准值SOCi,k采用如下方法确定:
SOCi,k=SOCmean,k+ΔSOCi,k (3-1)
其中,SOCi,k表示k时刻第i号电池荷电状态基准值,SOCmean,k表示k时刻电池组平均荷电状态,ΔSOCi,k表示k时刻第i号电池荷电状态差;
所述电池单体荷电状态基准值ηi,k采用如下方法确定:
ηi,k=ηmean,k+Δηi,k (3-2)
其中,ηi,k表示k时刻第i号电池库伦效率基准值,ηmean,k表示k时刻库伦效率平均值,Δηi,k表示k时刻第i号电池库伦效率差;
所述电池组平均荷电状态SOCmean,k和库伦效率平均值ηmean,k采用如下方法确定:
将所述实时电池参数分别代入电池组机理模型的平均模型,并将所述平均模型的结果输入到时间更新方程组1,并将所述时间更新方程组1的结果输入到测量更新方程组1,获得当前时刻电池组平均荷电状态SOCmean,k和库伦效率平均值ηmean,k;
所述电池单体荷电状态差ΔSOCi,k和库伦效率差Δηi,k采用如下方法确定:
将所述实时电池参数分别代入电池组机理模型的差异模型,并将所述差异模型代入到时间更新方程组2,并将所述时间更新方程组2的结果输入到测量更新方程组2,获得电池单体荷电状态差ΔSOCi,k和库伦效率差Δηi,k;
其中所述时间更新方程组1如下:
其中,表示k时刻平均模型的先验状态向量,表示k-1时刻平均模型的后验状态向量,uk-1表示k-1时刻的电池组电流,为k时刻的协方差矩阵,Fk表示中间变量1,关于x的微分,Pk-1表示k-1时刻的协方差矩阵,表示Fk的转置,Qk为k时刻系统噪声的协方差矩阵;
所述测量更新方程组1如下:
其中,Kk为k时刻的卡尔曼滤波增益,表示k时刻的协方差矩阵,Hk表示中间变量2h1(xk,uk)关于x的微分,表示Hk的转置,Rk表示k时刻的测量噪声的协方差矩阵,表示k时刻的后验状态向量,表示k时刻的先验状态向量,xk表示k时刻平均模型的状态向量,uk表示k时刻平均模型的电流,h1(xk,uk)为中间变量2详细表达式见式子(1-5),zk为系统输出,zk也为k时刻电池组的平均端电压。
其中所述时间更新方程组2如下:
其中,表示l时刻差异模型的先验状态向量,表示l-1时刻差异模型的后验状态向量,ul-1表示l-1时刻的电池组电流,为l时刻的协方差矩阵,Fl表示中间变量关于x的微分,Pl-1表示l-1时刻的协方差矩阵,表示Fl的转置,Ql为l时刻系统噪声的协方差矩阵;
所述测量更新方程组2如下:
其中,Kl为l时刻的卡尔曼滤波增益,表示l时刻的协方差矩阵,Hl表示h1(xl,ul)关于x的微分,表示Hl的转置,Rl表示l时刻的测量噪声的协方差矩阵,表示l时刻的后验状态向量,表示l时刻的先验状态向量,xl表示l时刻平均模型的状态向量,ul表示l时刻平均模型的电流,h2(xl,ul)为中间变量4详细表达式见式子(2-4),zl为系统输出。
在本实施例中,所述平均模型的采样周期Δt1和的差异模型的采样周期Δt2的具有如下对应关系:nΔt1=Δt2,其中,Δt1表示平均模型的采样周期,Δt2表示差异模型的采样周期,n表示所述串联电池组内电池单体总数。
电池组由n节电池单体串联组成,采集电池组内所有电池单体的端电压Ut,i(其中i(1≤i≤n)为电池单体编号)、电流值I,对Ut,i~Ut,N求解算数平均值,获得k时刻平均端电压Umean,k,将Ut,i~Ut,n分别与Umean,k做差,记为端电压差ΔUt,i。
将平均端电压Umean,k、端电压差ΔUt,i、电流值I代入扩展卡尔曼滤波方程组中求解电池组平均荷电状态SOCmean,k、库伦效率平均值ηmean,k。
SOCmean,k、ηmean,k求解过程具体为:
(1)将电流I、平均端电压Umean、初始状态向量x0,代入时间更新方程组1中:
xk=[SOCmean,k Up,k R0,kηmean,k]T (1-3)
其中,xk为k时刻的状态向量,其中,SOCmean,k,Up,k,R0,k,ηmean,k分别为k时刻电池组的平均荷电状态,平均极化电压,平均欧姆电阻,所述电池组所有电池单体库伦效率的平均值。f1(xk-1,uk-1)为所述中间变量1,xk-1,m(m=1,2,3,4)表示k-1时刻所述平均模型状态向量的第m个元素,u为电流I,τ=RpCp,Rp为所述极化电阻,Cp为所述极化电容,Δt1为所述平均模型采样周期,Fk是中间变量1f1(xk-1,uk-1)关于x的微分,对应的协方差矩阵,Qk为系统噪声的协方差矩阵。
其中,h1(xk,uk)为所述中间变量2,Kk为k时刻的卡尔曼滤波增益,Hk是中间变量2h1(xk,uk)关于x的微分,Rk为测量噪声的协方差矩阵,zk为所述平均端电压Umean,k。
将电流值I、端电压差ΔUt,i、初始状态向量x0代入扩展卡尔曼滤波方程组中求解电池单体荷电状态差ΔSOCi、库伦效率差Δηi。
ΔSOCi、Δηi求解过程具体为:
(1)将电流I、端电压差ΔUt,i、初始状态向量x0,代入时间更新方程组2中:
xi=[ΔSOCi ΔRi Δηi]T (2-3)
其中,xi,l为l时刻的第i个差异模型的状态向量,ΔSOCi、ΔRi、Δηi分别是所述第i个差异模型的荷电状态差、内阻差以及库伦效率差,f2(xi,l,ul)为所述中间变量3,xi,l,m(m=1,2,3)为l时刻所述差异模型状态向量的第m个元素,Δt2为所述差异模型的采样周期,Cn为所述电池单体的标称容量,表示l时刻差异模型的先验状态向量,表示l-1时刻差异模型的后验状态向量,ul-1表示l-1时刻的电池组电流,Fl是中间变量3f2(xi,l,ul)关于x的微分,表示Fl的转置,为l时刻的协方差矩阵,Ql为l时刻系统噪声的协方差矩阵。
其中,h(xi,l,ul)为所述中间变量4,ΔUoc,i,l为l时刻所述第i个差异模型的开路电压差,xi,l-1,2表示l-1时刻所述差异模型状态向量的第2个元素,Kl为l时刻的卡尔曼滤波增益,表示l时刻的协方差矩阵,Hl表示h1(xl,ul)关于x的微分,表示Hl的转置,Rl表示l时刻的测量噪声的协方差矩阵,表示l时刻的后验状态向量,表示l时刻的先验状态向量,xl表示l时刻平均模型的状态向量,ul表示l时刻平均模型的电流,h2(xl,ul)为中间变量4详细表达式见式子(2-4),zl为系统输出。
如图3所示,分别在不同的时标(k、l)下,k表示平均模型中的扩展卡尔曼滤波时标变量,l表示差异模型中的扩展卡尔曼滤波时标变量利用所述电池组机理模型构建扩展卡尔曼滤波时间更新方程组,结合扩展卡尔曼滤波测量更新方程组完成状态向量的计算:
初始化平均模型中的扩展卡尔曼滤波时标变量k,k=0;
通过平均模型、时间更新方程组1和测量更新方程组1确定电池组平均荷电状态SOCmean和库伦效率平均值ηmean;
判断z=k%n是否为零,其中k表示平均模型中的扩展卡尔曼滤波时标变量,,n表示电池单体数量,若是,则通过平均模型、时间更新方程组2和测量更新方程组2确定电池单体荷电状态差ΔSOCi和库伦效率差Δηi,若否,则l=(k-i)/n,i=z,通过平均模型、时间更新方程组2和测量更新方程组2确定电池单体荷电状态差ΔSOCi和库伦效率差Δηi;
随后,k=k+1,进入下一次循环;
直至结束电池荷电状态的计算,则退出循环,否知,持续计算。
在本实施例中,所述库伦效率短期预测模型包括充电库伦效率短期预测模型与放电库伦效率短期预测模型,其中,充电库伦效率短期预测模型具体为:
ηc(T,Ic)=a0γ1(Ic)γ2(T) (5-1)
其中,ηc为充电库伦效率,a0为基准系数,γ1(Ic)为充电电流修正函数,γ2(T)为温度修正函数,Ic表示充电电流测量值,T表示温度测量值,a1,∈(∈=0,1,2)为充电电流修正函数的参数项,a2,∈(∈=0,1,2,3)为温度修正函数的参数项;
所述放电库伦效率短期预测模型具体为:
其中,ηd为放电库伦效率,Id表示测量放电电流值,T表示测量温度值,bτ(τ=1,2,…,8)为所述放电库伦效率短期预测模型参数。
若为充电状态,利用带遗忘因子递推最小二乘法,进行充电库伦效率短期预测模型在线参数辨识;若为放电状态,则进行放电库伦效率短期预测模型在线参数辨识。
在本实施例中,步骤S3中所述带遗忘因子递归最小二乘法迭代更新方程组具体为:
其中,为l时刻所述库伦效率短期预测模型参数所构成的状态向量,表示l-1时刻所述库伦效率短期预测模型参数所构成的状态向量,λ表示遗忘因子,取值范围为0至1之间,yl为l时刻的库伦效率基准值,为ηc(T,Ic)、ηd(T,Id)对θl的微分,Pl-1表示l-1时刻的过程误差协方差矩阵,Pl为k时刻的过程误差协方差矩阵,Kl表示l时刻的增益。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于机理模型的用于确定电池组实时荷电状态的方法,其特征在于,包括:
S1:采集目标电池组内所有电池单体的实时电池参数,所述实时电池参数包括电池单体的端电压Ut,i,其中i(1≤i≤n)表示电池单体编号、串联电池组的电流值I和电池温度T;
S2:构建电池组机理模型,将所述实时电池参数代入电池组机理模型,并确定当前时刻电池单体荷电状态基准值SOCi,k及电池单体库伦效率基准值ηi,k;
S3:构建库伦效率短期预测模型,将电池组电流I、电池单体温度T和电池单体库伦效率基准值ηi,k代入所述库伦效率短期预测模型,采用带遗忘因子递归最小二乘法迭代更新方程组确定所述库伦效率短期预测模型的参数,获得与目标电池组匹配的库伦短期预测模型;
S5:将电池组电流值I、电池单体荷电状态基准值SOCi,k、步骤S4中电池单体预测库伦效率代入荷电状态修正模型中,获得修正后的电池组实时荷电状态;
所述荷电状态修正式如下:
其中,SOCi,m表示任意时刻第i号电池单体的荷电状态修正值,c=m mod n,c表示m除以n的余数,m表示任意时刻,n表示所述电池组电池单体个数,i(i=1,2,3,…,n)为电池单体编号,SOCi,m-c+i表示m-c+i时刻第i号电池单体的荷电状态,表示m-c+i时刻第i号电池单体的预测库伦效率,Im-c+i表示m-c+i时刻所述电池组的电流值,表示m-c+i+1时刻第i号电池单体的预测库伦效率,Im-c+i+1表示m-c+i+1时刻所述电池组的电流值,表示m-1时刻第i号电池单体的预测库伦效率,Im-1表示m-1时刻所述电池组的电流值,SOCi,m-n+i-c表示m-n+i-c时刻第i号电池单体的荷电状态,表示m-n+i-c时刻第i号电池单体的预测库伦效率,Im-n+i-c表示m-n+i-c时刻所述电池组的电流值,表示m-n+i-c时刻第i号电池单体的预测库伦效率,Im-n+i-c+1表示m-n+i-c+1时刻所述电池组的电流值,Δt1为所述平均模型的采样周期,Cn表示电池单体的标称容量。
2.根据权利要求1所述基于机理模型的用于确定电池组实时荷电状态的方法,其特征在于:步骤S2中所述电池组机理模型包括平均模型与差异模型,所述平均模型采用如下方法确定:
xk=f1(xk-1,uk-1)+wk-1 (1-1)
yk=h1(xk,uk)+vk (1-2)
其中,xk表示k时刻平均模型的状态向量,k表示平均模型中的扩展卡尔曼滤波时标变量,f1(xk-1,uk-1)表示中间变量1,xk-1表示k-1时刻平均模型的状态向量,uk-1表示k-1时刻所述电池组的电流,uk-1同时也是系统输入,wk-1表示k-1时刻平均模型的过程噪声,yk表示k时刻的平均端电压,yk同时也是系统输出,h1(xk,uk)表示中间变量2,uk表示k时刻所述电池组的电流,vk表示平均模型的测量噪声;
所述k时刻平均模型的状态向量xk的具体表达式如下:
xk=[SOCmean,k Up,k R0,k ηmean,k]T (1-3)
其中,xk表示k时刻平均模型的状态向量,SOCmean,k表示k时刻电池组的平均荷电状态,Up,k表示k时刻电池组的平均极化电压,R0,k表示k时刻电池组的平均欧姆电阻,ηmean,k表示k时刻库伦效率平均值,T表示电池温度;
所述中间变量1f1(xk-1,uk-1)的具体表达式如下:
其中,f1(xk-1,uk-1)表示中间变量1,xk-1,m(m=1,2,3,4)表示k-1时刻所述平均模型状态向量的第m个元素,uk-1表示k-1时刻平均模型的电流,Δt1表示平均模型采样周期,τ=RpCp,Rp表示所述极化电阻,Cn表示电池单体的标称容量;
其中,h1(xk,uk)表示中间变量2,xk表示k时刻平均模型的状态向量,uk表示k时刻平均模型的电流,xk,m(m=1,2,3)表示k时刻所述平均模型状态向量的第m个元素;
所述差异模型采用如下方法确定:
xi,l=f2(xi,l-1,ul-1)+wi,l-1 (2-1)
yi,l=h2(xi,l,ul)+vi,l (2-2)
其中,xi,l表示l时刻的第i个差异模型的状态向量,l表示差异模型中的扩展卡尔曼滤波时标变量,f2(xi,l-1,ul-1)表示中间变量3,xi,l-1表示l-1时刻第i个差异模型的状态向量,ul-1表示l-1时刻所述电池组的电流,wi,l-1表示l-1时刻第i个差异模型的过程噪声,yi,l表示l时刻的第i号电池的端电压差,yi,l同时也是是系统的输出,h2(xi,l,ul)表示中间变量4,xi,l表示l时刻的第i个差异模型的状态向量,ul表示l时刻所述电池组的电流,vi,l表示差异模型的测量噪声;
所述l时刻的第i个差异模型的状态向量xi,l的具体表达式为:
xi,l=[ΔSOCi,l ΔRi,l Δηi,l]T (2-3)
其中,xi,l表示l时刻的第i个差异模型的状态向量,ΔSOCi,l表示第i个差异模型在l时刻的荷电状态差,ΔRi,l表示第i个差异模型在l时刻的内阻差,Δηi,l表示第i个差异模型在l时刻的库伦效率差,T表示电池温度;
所述中间变量3f2(xi,l-1,ul-1)的具体表达式如下:
其中,f2(xi,l-1,ul-1)表示中间变量3,xi,l-1表示l-1时刻第i个差异模型的状态向量,ul-1表示l-1时刻差异模型的电流,xi,l-1,m(m=1,2,3)表示l-1时刻所述差异模型状态向量的第m个元素,Δt2表示差异模型的采样周期,Cn表示电池单体的标称容量;
所述中间变量4h2(xi,l,ul)的具体表达式如下:
h2(xi,l,ul)=ΔUoc,i,l-xi,l,2ul (2-5)
其中,h2(xi,l,ul)表示中间变量4,xi,l表示l时刻的第i个差异模型的状态向量,ul表示l时刻差异模型的电流,ΔUoc,i,l表示l时刻所述第i个差异模型的开路电压差,xi,l,2表示l时刻所述第i个差异模型状态向量的第2个元素。
3.根据权利要求2所述基于机理模型的用于确定电池组实时荷电状态的方法,其特征在于:步骤S2中电池单体荷电状态基准值SOCi,k及电池单体库伦效率基准值ηi,k采用如下方法确定:
电池单体荷电状态基准值SOCi,k采用如下方法确定:
SOCi,k=SOCmean,k+ΔSOCi,k (3-1)
其中,SOCi,k表示k时刻电池单体荷电状态基准值,SOCmean,k表示k时刻电池组平均荷电状态,ΔSOCi,k表示k时刻电池单体荷电状态差;
所述电池单体荷电状态基准值ηi,k采用如下方法确定:
ηi,k=ηmean,k+Δηi,k (3-2)
其中,ηi,k表示k时刻电池单体库伦效率基准值,ηmean,k表示k时刻库伦效率平均值,Δηi,k表示k时刻库伦效率差;
所述电池组平均荷电状态SOCmean,k和库伦效率平均值ηmean,k采用如下方法确定:
将所述实时电池参数分别代入电池组机理模型的平均模型,并将所述平均模型的结果输入到时间更新方程组1,并将所述时间更新方程组1的结果输入到测量更新方程组1,获得当前时刻电池组平均荷电状态SOCmean,k和库伦效率平均值ηmean,k;
所述电池单体荷电状态差ΔSOCi,k和库伦效率差Δηi,k采用如下方法确定:
将所述实时电池参数分别代入电池组机理模型的差异模型,并将所述差异模型的代入到时间更新方程组2,并将所述时间更新方程组的结果输入到测量更新方程组2,获得电池单体荷电状态差ΔSOCi,k和库伦效率差Δηi,k;
其中所述时间更新方程组1如下:
其中,表示k时刻平均模型的先验状态向量,表示k-1时刻平均模型的后验状态向量,uk-1表示k-1时刻的电池组电流,为k时刻的协方差矩阵,Fk表示中间变量关于x的微分,Pk-1表示k-1时刻的协方差矩阵,表示Fk的转置,Qk为k时刻系统噪声的协方差矩阵;
所述测量更新方程组1如下:
其中,Kk为k时刻的卡尔曼滤波增益,表示k时刻的协方差矩阵,Hk表示中间变量2h1(xk,uk)关于x的微分,表示Hk的转置,Rk表示k时刻的测量噪声的协方差矩阵,表示k时刻的后验状态向量,表示k时刻的先验状态向量,xk表示k时刻平均模型的状态向量,uk表示k时刻平均模型的电流,h1(xk,uk)为中间变量2详细表达式见式子(1-5),zk为系统输出,zk也为k时刻电池组的平均端电压;
其中所述时间更新方程组2如下:
其中,表示l时刻差异模型的先验状态向量,表示l-1时刻差异模型的后验状态向量,ul-1表示l-1时刻的电池组电流,为l时刻的协方差矩阵,Fl表示中间变量关于x的微分,Pl-1表示l-1时刻的协方差矩阵,表示Fl的转置,Ql为l时刻系统噪声的协方差矩阵;
所述测量更新方程组2如下:
4.根据权利要求2所述基于机理模型的用于确定电池组实时荷电状态的方法,其特征在于:所述平均模型的采样周期Δt1和的差异模型的采样周期Δt2的具有如下对应关系:nΔt1=Δt2,其中,Δt1表示平均模型的采样周期,Δt2表示差异模型的采样周期,n表示所述串联电池组内电池单体总数。
5.根据权利要求1所述基于机理模型的用于确定电池组实时荷电状态的方法,其特征在于:所述库伦效率短期预测模型包括充电库伦效率短期预测模型与放电库伦效率短期预测模型,其中,充电库伦效率短期预测模型具体为:
ηc(T,Ic)=a0γ1(Ic)γ2(T) (5-1)
其中,ηc为充电库伦效率,a0为基准系数,γ1(Ic)为充电电流修正函数,γ2(T)为温度修正函数,Ic表示充电电流测量值,T表示温度测量值,a1,∈(∈=0,1,2)为充电电流修正函数的参数项,a2,∈(∈=0,1,2,3)为温度修正函数的参数项;
所述放电库伦效率短期预测模型具体为:
其中,ηd为放电库伦效率,Id表示测量放电电流值,T表示测量温度值,bτ(τ=1,2,…,8)为所述放电库伦效率短期预测模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011241958.1A CN112462282B (zh) | 2020-11-09 | 2020-11-09 | 基于机理模型的用于确定电池组实时荷电状态的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011241958.1A CN112462282B (zh) | 2020-11-09 | 2020-11-09 | 基于机理模型的用于确定电池组实时荷电状态的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112462282A true CN112462282A (zh) | 2021-03-09 |
CN112462282B CN112462282B (zh) | 2022-03-18 |
Family
ID=74825352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011241958.1A Active CN112462282B (zh) | 2020-11-09 | 2020-11-09 | 基于机理模型的用于确定电池组实时荷电状态的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112462282B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341330A (zh) * | 2021-05-25 | 2021-09-03 | 西南大学 | 基于ocv修正和卡尔曼滤波算法的锂硫动力电池soc估算方法 |
CN113884930A (zh) * | 2021-09-30 | 2022-01-04 | 国联汽车动力电池研究院有限责任公司 | 一种预测动力电池循环寿命及健康状态的方法 |
CN116298933A (zh) * | 2023-05-18 | 2023-06-23 | 西南交通大学 | 一种串联电池组的soc估计方法 |
WO2024119645A1 (zh) * | 2022-12-07 | 2024-06-13 | 惠州亿纬锂能股份有限公司 | 电池soc值估算方法、估算装置、电池管理系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008519977A (ja) * | 2004-11-11 | 2008-06-12 | エルジー・ケム・リミテッド | 電気化学セルの現在状態及び現在パラメーターを推定する装置、方法及びシステム、並びに記録媒体 |
CN106405434A (zh) * | 2016-10-28 | 2017-02-15 | 四川普力科技有限公司 | 电池荷电状态的估计方法 |
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
US20180340981A1 (en) * | 2017-05-29 | 2018-11-29 | MAGNETI MARELLI S.p.A. | Method for estimating the current and the state of charge of a battery pack or cell, without direct detection of current under operating conditions |
CN110412472A (zh) * | 2019-09-02 | 2019-11-05 | 西北工业大学 | 一种基于正态伽马滤波的电池荷电状态估计方法 |
-
2020
- 2020-11-09 CN CN202011241958.1A patent/CN112462282B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008519977A (ja) * | 2004-11-11 | 2008-06-12 | エルジー・ケム・リミテッド | 電気化学セルの現在状態及び現在パラメーターを推定する装置、方法及びシステム、並びに記録媒体 |
CN106405434A (zh) * | 2016-10-28 | 2017-02-15 | 四川普力科技有限公司 | 电池荷电状态的估计方法 |
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
US20180340981A1 (en) * | 2017-05-29 | 2018-11-29 | MAGNETI MARELLI S.p.A. | Method for estimating the current and the state of charge of a battery pack or cell, without direct detection of current under operating conditions |
CN110412472A (zh) * | 2019-09-02 | 2019-11-05 | 西北工业大学 | 一种基于正态伽马滤波的电池荷电状态估计方法 |
Non-Patent Citations (2)
Title |
---|
刘征宇等: "基于双时间尺度扩展卡尔曼粒子滤波算法的电池组单体荷电状态估计", 《中国机械工程》 * |
孙悦等: "锂离子电池SOC估算算法的研究", 《通信电源技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341330A (zh) * | 2021-05-25 | 2021-09-03 | 西南大学 | 基于ocv修正和卡尔曼滤波算法的锂硫动力电池soc估算方法 |
CN113884930A (zh) * | 2021-09-30 | 2022-01-04 | 国联汽车动力电池研究院有限责任公司 | 一种预测动力电池循环寿命及健康状态的方法 |
WO2024119645A1 (zh) * | 2022-12-07 | 2024-06-13 | 惠州亿纬锂能股份有限公司 | 电池soc值估算方法、估算装置、电池管理系统及存储介质 |
CN116298933A (zh) * | 2023-05-18 | 2023-06-23 | 西南交通大学 | 一种串联电池组的soc估计方法 |
CN116298933B (zh) * | 2023-05-18 | 2023-08-08 | 西南交通大学 | 一种串联电池组的soc估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112462282B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112462282B (zh) | 基于机理模型的用于确定电池组实时荷电状态的方法 | |
CN110632528B (zh) | 一种基于内阻检测的锂电池soh估算方法 | |
US11156668B2 (en) | Method for iteratively identifying parameters of equivalent circuit model of battery | |
CN111537894A (zh) | 一种用于估计锂电池soc和sop的方法 | |
CN111060820A (zh) | 一种基于二阶rc模型的锂电池soc、sop估计方法 | |
CN112345939B (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
CN109633473B (zh) | 一种分布式电池组荷电状态估计算法 | |
CN108445422B (zh) | 基于极化电压恢复特性的电池荷电状态估算方法 | |
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 | |
CN114035072A (zh) | 一种基于云边协同的电池组多状态联合估计方法 | |
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 | |
CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN109752660B (zh) | 一种无电流传感器的电池荷电状态估计方法 | |
CN111044906A (zh) | 一种基于极大似然准则的锂离子电池能量状态估算方法 | |
CN112858916A (zh) | 一种基于模型与数据驱动融合的电池包荷电状态估计方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
CN114755582A (zh) | 一种环境温度不同时锂离子电池健康状态预估方法 | |
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 | |
CN114814591A (zh) | 一种锂电池soe估算方法、装置及系统 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN113125969B (zh) | 基于aukf的电池数据处理方法、设备和介质 | |
Rezoug et al. | State-of-charge Estimation of Lithium-ion Batteries Using Extended Kalman Filter | |
CN116699414A (zh) | 一种基于ukf-lstm算法的锂电池soc估计方法与系统 | |
CN114740385A (zh) | 一种自适应的锂离子电池荷电状态估计方法 | |
CN115097309A (zh) | 电池soc的在线预测方法、装置、电子设备及存储介质 |
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 |