CN112666475B - 一种电动车的电池组的荷电状态估算方法 - Google Patents
一种电动车的电池组的荷电状态估算方法 Download PDFInfo
- Publication number
- CN112666475B CN112666475B CN202011402546.1A CN202011402546A CN112666475B CN 112666475 B CN112666475 B CN 112666475B CN 202011402546 A CN202011402546 A CN 202011402546A CN 112666475 B CN112666475 B CN 112666475B
- Authority
- CN
- China
- Prior art keywords
- charge
- state
- battery pack
- variable
- current
- 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.)
- Active
Links
Landscapes
- Secondary Cells (AREA)
Abstract
本说明书实施例公开了一种电动车的电池组的荷电状态估算方法,根据所述电动车处于休眠状态下的休眠时长,对所述电池组的荷电状态进行初始校正,得到初始荷电状态;根据电芯温度和当前荷电状态,切换相应的荷电状态估算方法;若电芯温度和荷电状态小于所述的阈值,通过安时积分方法计算出在设定时间段内的所述电芯的当前荷电状态,若电芯温度和荷电状态大于所述的阈值,通过电芯模型的闭环算法估算电芯的荷电状态;根据每个电芯估算的荷电状态,估算所述电池组的当前荷电状态。本发明公开的电动车的电池组的荷电状态估算方法,能够在全工况及全生命周期内有效提高估算的SOC精度。
Description
技术领域
本说明书实施例涉及电池估算技术领域,尤其涉及一种电动车的电池组的荷电状态估算方法。
背景技术
随着电动车技术的飞速发展,使得电池组的使用率越来越高,在电池组的使用率越高的情况下,驾驶人需要更了解电池组的荷电状态SOC(State of Charge),以方便驾驶人根据荷电状态采取相应的操作例如在荷电状态过少时提前去充电或者荷电状态满足时可以直接出发等。
现有技术中在计算电池组的SOC时,通常是使用电荷累积法、开路电压法和卡尔曼滤波算法等算法进行SOC估算,其估算得到的SOC的精度较低,从而亟需一种新的SOC估算方法,以提高估算的SOC的精度。
发明内容
本说明书实施例提供了一种电动车的电池组的荷电状态估算方法,能够有效提高估算的SOC的精度。
本说明书实施例第一方面提供了一种电动车的电池组的荷电状态估算方法,包括:
根据所述电动车处于休眠状态下的休眠时长,对所述电池组的荷电状态进行校正,得到初始荷电状态;
根据所述初始荷电状态,通过安时积分法计算出在设定时间段内的所述电池组的当前荷电状态;
若所述电池组的当前电芯温度大于预设温度和所述当前荷电状态大于荷电阈值,通过一种多时间尺度自适应的闭环算法估算出所述电池组中每个电芯的荷电状态;
根据每个电芯的荷电状态,估算所述电池组的当前荷电状态。
可选的,所述根据所述电动车处于休眠状态下的休眠时长,对所述电池组的荷电状态进行校正,得到初始荷电状态,包括:
将所述休眠时长输入到开路电压法中进行荷电状态校正,得到校正荷电状态;
根据所述校正荷电状态和所述电动车在休眠状态之前显示的显示荷电状态,获取所述初始荷电状态。
可选的,所述通过一种多时间尺度自适应的闭环算法估算出所述电池组中每个电芯的荷电状态,包括:
检测所述当前电芯温度是否大于所述预设温度,检测所述当前荷电状态是否大于所述荷电阈值;
若检测到所述电池组的当前电芯温度大于所述预设温度,且所述当前荷电状态大于所述荷电阈值,采用所述闭环算法进行估算,得到所述电池组中每个电芯的荷电状态。
可选的,所述通通过一种多时间尺度自适应的闭环算法估算出所述电池组中每个电芯的荷电状态,包括:
创建二阶仿真等效模型,并通过测量确定所述二阶仿真等效模型中的多个参数;
通过创建的第一扩展卡尔曼滤波算法进行变量估算,得到所述电池组的荷电状态变量;
通过创建的第二扩展卡尔曼滤波算法进行变量估算,得到所述电池组的过程误差变量和测量误差变量;
根据所述荷电状态变量、所述过程误差变量、所述测量误差变量和所述二阶仿真等效模型,得到每个电芯的荷电状态。
可选的,所述通过创建的第一扩展卡尔曼滤波算法进行变量估算,得到所述电池组的荷电状态变量,包括:
创建所述第一扩展卡尔曼滤波状态方程;
根据所述第一扩展卡尔曼滤波状态方程,计算出第一转移矩阵和第一观测矩阵,以及获取过程误差和测量误差的第一协方差,以及获取第一卡尔曼增益;
根据所述第一协方差和所述第一卡尔曼增益,计算出所述荷电状态变量。
可选的,所述获取第一卡尔曼增益,包括:
根据测量得到的所述电池组的荷电状态和电流数据,生成验证模型;
根据所述验证模型的预测荷电状态和实时测量的荷电状态,获取第一荷电误差值;
在所述第一荷电误差值不大于第一设定误差值时,获取所述第一卡尔曼增益。
可选的,所述通过创建的第二扩展卡尔曼滤波算法进行变量估算,得到所述电池组的过程误差变量和测量误差变量,包括:
创建所述第二扩展卡尔曼滤波状态方程;
根据所述第二扩展卡尔曼滤波状态方程,计算出第二转移矩阵和第二观测矩阵,以及获取过程误差和测量误差的第二协方差,以及获取第二卡尔曼增益;
根据所述第二协方差和所述第二卡尔曼增益,计算出所述过程误差变量和所述测量误差变量。
可选的,所述获取第二卡尔曼增益,包括:
根据所述第二扩展卡尔曼滤波状态方程的预测荷电状态和实时测量的荷电状态,获取第二荷电误差值;
在所述第二荷电误差值不大于第二设定误差值时,获取所述第二卡尔曼增益。
可选的,所述根据所述荷电状态变量、所述过程误差变量、所述测量误差变量和所述二阶仿真等效模型,得到所述当前荷电状态,包括:
根据所述过程误差变量和所述测量误差变量,计算出所述过程误差变量对应的过程老化因子,以及所述测量误差变量对应的测量老化因子;
根据所述过程老化因子和所述测量老化因子,对所述二阶仿真等效模型进行修正,得到修正二阶仿真等效模型;
根据所述过程误差变量和所述修正二阶仿真等效模型,得到所述当前荷电状态。
可选的,所述根据所述过程误差变量和所述修正二阶仿真等效模型,得到所述当前荷电状态,包括
根据所述过程误差变量和所述修正二阶仿真等效模型进行荷电状态估算,估算得到最大单体电压下的第一荷电状态、最小单体电压下的第二荷电状态、最小容量下的第三荷电状态和电池单体的第四荷电状态;
根据所述第一荷电状态、所述第二荷电状态、所述第三荷电状态和所述第四荷电状态,获取到所述当前荷电状态。
本说明书实施例的有益效果如下:
根据上述技术方案,根据所述电动车处于休眠状态下的休眠时长,对所述电池组的荷电状态进行校正,得到初始荷电状态;以提高获取的初始荷电状态的精确度;在初始荷电状态的准确度提高的基础上,根据初始荷电状态,通过安时积分法计算出在设定时间段内的所述电池组的当前荷电状态的精确度也会随之提高;以及在检测到当前荷电状态大于荷电阈值且当前电芯温度大于预设温度,通过闭环算法估算出所述电池组的当前荷电状态,如此,使得在低SOC下,安时积分时间短,电流变化小,能够有效提高计算出的SOC的精确度;当SOC超过荷电阈值时,此时等效模型的内阻较为稳定,等效模型精度高,切换为闭环算法,能够有效消除安时积分的过程误差,降低SOC误差,使得通过闭环算法计算出的当前荷电状态的准确度也会随之提高。
附图说明
图1为本说明书实施例中电动车的电池组的荷电状态估算方法的方法示意图;
图2为本说明书实施例中通过通过闭环算法估算出当前荷电状态的方法示意图;
图3为本说明书实施例中二阶仿真等效模型的结构示意图;
图4为本说明书实施例中电动车的电池组的荷电状态估算方法的整体流程图;
图5为本说明书实施例中电动车的电池组的荷电状态估算方法在低温下的仿真结果图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明,应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明,而不是对本说明书技术方案的限定,在不冲突的情况下,本说明书实施例以及实施例中的技术特征可以相互组合。
如图1所示,本说明书一实施例提供了一种电动车的电池组的荷电状态估算方法,包括:
步骤S101、根据所述电动车处于休眠状态下的休眠时长,对所述电池组的荷电状态进行校正,得到初始荷电状态;
步骤S102、根据所述初始荷电状态,通过安时积分法计算出在设定时间段内的所述电池组的当前荷电状态;
步骤S103、若所述电池组的当前电芯温度大于预设温度和所述当前荷电状态大于荷电阈值,通过一种多时间尺度自适应的闭环算法估算出所述电池组中每个电芯的荷电状态;
步骤S104、根据每个电芯的荷电状态,估算所述电池组的当前荷电状态。
本说明书实施例中的电动车可以是纯电动车和混动电车等;电池组可以是动力电池和燃料电池等,本说明书不作具体限制。
其中,在步骤S101中,可以获取电动车处于休眠状态下的休眠时长,再将休眠时长输入到开路电压法(Open-Circuit Voltage,简称OCV)中进行荷电状态校正,得到校正荷电状态下述均用校正SOC表示;根据校正荷电状态和电动车在休眠状态之前显示的显示荷电状态下述均用显示SOC表示,获取初始荷电状态。
具体来讲,可以通过嵌入式系统芯片计时功能,对电动车工况下的休眠进行RTC(Real Time Clock)计时,并将RTC计时作为休眠时长;再通过休眠时长对OCV进行校正,得到校正SOC,并获取上次显示SOC时读取SOC得到显示SOC,然后将校正SOC和显示SOC进行线性加权,得到初始荷电状态,能够有效提高获取的初始荷电状态的准确度,进而能够加快算法的收敛效率。
具体地,获取RTC计时之后,读取显示SOC用FlashSOC表示;以及根据RTC计时进行OCV校正,得到校正SOC用0CVSOC表示,其计算得到的初始荷电状态的公式如下:
SOC(t0)=w1×FlashSOC+w2×OCVSOC 公式1
其中,公式1中w1表示显示SOC的权重,w2表示校正SOC的权重,SOC(t0)表示初始荷电状态。
在获取到初始荷电状态之后,执行步骤S102。
在步骤S102,在电动车启动之后的短时间内,电池组的当前SOC通常较低,在SOC较低的情况下电池组的充放电功率小,电流变化慢且误差较小,此时可以通过安时积分法估算得到的当前SOC的准确度较高。基于此,本说明书实施例通过设定时间段来对采用安时积分法进行SOC估算的约束,从而使得在获取到初始荷电状态之后,通过安时积分法在设定时间段内获取电池组的当前荷电状态。
本说明书实施例中,设定时间段可以由人工或电动车自行设定,也可以根据实际情况进行设定,设定时间段例如可以是电动车启动之后的5分钟、10分钟和15分钟等,本说明书不作具体限制。
具体地,在获取到初始荷电状态之后,在设定时间段内采用安时积分法进行SOC估算的公式具体如下:
其中,公式2中SOC(t)表示当前荷电状态,SOC(t0)表示初始荷电状态,ki表示放电倍率修正系数,kT表示温度修正系数,kh表示电池老化修正系数,Q0表示电池组的电池容量,可以为电池组的最大容量或额定容量;i(t)表示t时刻的电流。
如此,在获取到初始荷电状态SOC(t0)之后,根据设定时间段确定t的值,然后采用公式2实时获取在设定时间段内的当前荷电状态。
在通过步骤S102获取到当前荷电状态之后,对获取的当前荷电状态和当前电芯温度进行实时检测,检测当前电芯温度是否大于所述预设温度,以及检测当前荷电状态是否大于荷电阈值;若检测到当前电芯温度大于预设温度,且当前荷电状态大于荷电阈值,采用闭环算法进行估算,得到所述电池组中每个电芯的荷电状态;否则,则继续采用安时积分法获取电池组的当前荷电状态。
具体来讲,在当前电芯温度不大于预设温度且当前荷电状态不大于荷电阈值时,安时积分法针对时间短和电流变化小进行SOC估算,使得估算得到的当前荷电状态的精度较高;在当前电芯温度大于预设温度且当前荷电状态大于荷电阈值时,此时,二仿真等效模型的内阻较为稳定,使得二仿真等效模型预测精度高,如此SOC估算从安时积分法切换为闭环算法,能够消除安时积分法的过程误差,在消除过程误差的情况下,能够使得闭环算法估算出的当前荷电状态的精度度提高。
本说明书实施例中,预设温度和荷电阈值可以由人工或电动车自行设定,也可以根据实际需求进行设定。
具体地,在当前电芯温度大于预设温度且当前荷电状态大于荷电阈值时,通过通过闭环算法估算出每个电芯的荷电状态,如图2所示,具体包括以下步骤:
步骤S201、创建二阶仿真等效模型,并通过测量确定所述二阶仿真等效模型中的多个参数;
步骤S202、通过创建的第一扩展卡尔曼滤波算法进行变量估算,得到所述电池组的荷电状态变量;
步骤S203、通过创建的第二扩展卡尔曼滤波算法进行变量估算,得到所述电池组的过程误差变量和测量误差变量;
步骤S204、根据所述荷电状态变量、所述过程误差变量、所述测量误差变量和所述二阶仿真等效模型,得到每个电芯的荷电状态。
其中,在步骤S201中,首先创建二阶仿真等效模型,能够用相对较少的参数最大化提升等效模型精度,创建的二阶仿真等效模型具体如图3所示,包括电阻R0,电阻R1和电阻R2,电阻R1与电容C1并联,电阻R2与电容C2并联,电阻R0所在位置的电压用U0表示,R1与C1并联位置的电压用U1表示,R2与C2并联位置的电压用U2表示,分别与R0,R1和R2串联的电容用E表示,i表示电池电流,V表示电容E与R2之间的电压差。其中,二阶仿真等效模型可以为二阶RC等效模型等。
具体地,在创建二阶仿真等效模型之后,考虑在不同当前电芯温度,不同的SOC,不同放电倍率下参数辨识,通过试验数据计算R0,R1,R2,C1和C2,以使得二阶仿真等效模型中的R0,R1,R2,C1和C2这些参数的准确度更高,其中,多个参数包括R0,R1,R2,C1和C2。
在通过步骤S201创建二阶仿真等效模型和获取到多个参数之后,可以并行执行步骤S202和S203,也可以先执行步骤S202后执行步骤S203,还可以先执行步骤S203后执行步骤S202。
在步骤S202中,首先创建第一扩展卡尔曼滤波状态方程;再根据第一扩展卡尔曼滤波状态方程,计算出第一转移矩阵和第一观测矩阵,以及获取过程误差和测量误差的第一协方差,以及获取第一卡尔曼增益;根据所述第一协方差和所述第一卡尔曼增益,计算出所述荷电状态变量。
具体来讲,在获取第一卡尔曼增益时,根据测量得到的电池组的荷电状态和电流数据,生成验证模型;根据验证模型的预测荷电状态和实时测量的荷电状态,获取第一荷电误差值;在第一荷电误差值不大于第一设定误差值时,获取第一卡尔曼增益;否则,对第一卡尔曼增益进行惩罚。
具体地,首先执行步骤a,建立第一扩展卡尔曼滤波状态方程,具体如下:
其中,公式3中,为k时刻的模型预测值,/>为k-1时刻的模型预测值,Ak为状态转移矩阵,Bk为控制矩阵,Ck为观测矩阵,wk为过程误差,vk为观测误差,Uk表示k时刻的系统控制量,Uk-1表示k-1时刻的系统控制量;
其中,
其中,公式4中,E{wk}表示过程误差的期望,E{vk}表示观测误差的期望,w(j)表示某个时刻的过程误差,v(j)表示某个时刻的观测误差,Q表示过程误差的协方差,R表示观测误差的协方差
接下来执行步骤b,以SOC为状态量,电流i为控制变量(放电为负,充电为正),生成验证模型,具体公式如下:
其中,公式5中U1,k-1表示k-1时刻的U1的值,中U2,k-1表示k-1时刻的U2的值,SOCk表示k时刻的SOC,SOCk-1表示k-1时刻的SOC,Ik-1表示k-1时刻的电流,Ik表示k时刻的电流,η1表示充放电效率,η2表示老化特征因子,dt表示时间变量,Qrated表示电池组的额定容量。
其中有,
接下来执行步骤c,根据公式5和公式6,计算第一荷电误差,具体公式如下:
err=Vmes,k-Vest,k, 公式7
其中,公式7中Vmes,k为k时刻测量值,Vest,k为k时刻模型估算值,Err表示第一荷电误差。
在执行步骤c之后执行步骤d,判断err是否小于第一设定误差值;若是,进行卡尔曼增益计算,获取第一卡尔曼增益;若否,对第一卡尔曼增益进行惩罚。
在执行步骤a之后执行步骤e,根据第一扩展卡尔曼滤波状态方程,得到第一转移矩阵Ak和第一控制矩阵Bk,具体如下:
其中,可以对第一扩展卡尔曼滤波状态方程进行泰勒级数展式,可得到第一观测矩阵,具体如下:
在执行步骤e之后执行步骤f,估算第一协方差,根据预测模型过程噪声Q和R分别为过程误差和测量误差,估算出第一协方差,具体如下:
其中,公式10中,A表示状态方程的转移矩阵。
接下来执行步骤g,估算第一卡尔曼增益Kk,具体如下:,
接下来执行步骤h,更新第一协方差矩阵Pk,具体如下:
接下来执行步骤i,更新荷电状态变量,具体如下:
公式13中,ξk为惩罚系数(标定值),用于防止第一扩展卡尔曼滤波状态方程发散,以提高获取的荷电状态变量的准确性。
至此,通过步骤a-i,进而完成荷电状态变量的无偏差最优化估计。
其中,在步骤S203中,可以首先创建第二扩展卡尔曼滤波状态方程;再根据第二扩展卡尔曼滤波状态方程,计算出第二转移矩阵和第二观测矩阵,以及获取过程误差和测量误差的第二协方差,以及获取第二卡尔曼增益;根据第二协方差和第二卡尔曼增益,计算出过程误差变量和测量误差变量。
具体来讲,在获取第二卡尔曼增益时,根据第二扩展卡尔曼滤波状态方程的预测荷电状态和实时测量的荷电状态,获取第二荷电误差值;在第二荷电误差值不大于第二设定误差值时,获取第二卡尔曼增益;若否,对第二卡尔曼增益进行惩罚。
在步骤S203之后,执行步骤S204,在该步骤中,可以根据过程误差变量和测量误差变量,计算出过程误差变量对应的过程老化因子,以及测量误差变量对应的测量老化因子;根据过程老化因子和测量老化因子,对二阶仿真等效模型进行修正,得到修正二阶仿真等效模型;根据过程误差变量和修正二阶仿真等效模型,得到每个电芯的荷电状态。
以及,在根据过程误差变量和修正二阶仿真等效模型,得到当前荷电状态过程中,可以根据过程误差变量和修正二阶仿真等效模型进行荷电状态估算,估算得到最大单体电压下的第一荷电状态、最小单体电压下的第二荷电状态、最小容量下的第三荷电状态和电池单体的第四荷电状态;根据第一荷电状态、第二荷电状态、第三荷电状态和第四荷电状态,获取到每个电芯的荷电状态。
具体地,进入闭环算法后,同步进行容量和内阻的无偏差最优估算(有条件性计算),使用第二扩展卡尔曼滤波状态方程进行计算,其计算步骤如下:
S5_1:建立第二扩展卡尔曼滤波状态方程,以Q0和R0为状态估计量(Q0和R0实际变化缓慢),其中,Q0表示过程误差,R0表示测量误差,具体如下:
其中,公式14中αk表示某个时刻的过程噪音,βk表示某个时刻的观测噪音。
S5_2:计算第二荷电误差值,第二荷电误差值用Zrr表示,具体如下:
Zrr=Zmes,k-Zest,k 公式15
其中,公式15中,Zmes,k为k时刻测量值,Zest,k为k时刻模型估算值。
S5_3:判断Zrr是否不大于第二设定误差值;若是,进行卡尔曼增益计算,得到第二卡尔曼增益;若否,对第二卡尔曼增益进行惩罚。
S5_4:根据第二扩展卡尔曼滤波状态方程,对其进行泰勒展式,得到得到第二转移矩阵Ak和第二观测矩阵Ck,具体如下,
Ak=1
其中,可以通过第一扩展卡尔曼滤波状态方程的Kk对Ck进行实时最优化更新可得到Ck。
S5_5:估算第二协方差,计算第二卡尔曼增益Lk,更新第二协方差,M为过程误差,N为测量误差,具体如下:
S5_6:更新状态变量(R0,Q0),γk为惩罚系数(标定值),用于防止第二扩展卡尔曼滤波状态方程发散,以提高获取的荷电状态变量的准确性,更新状态变量的公式具体如下:
S5_7:根据无偏差最优化求出的R0,Q0分别实时计算老化因子,测量老化因子过程老化因子/>具体如下:
S5_8:同时计算R0,Q0的老化因子γk,w1,k和w2,k为考虑充放电工况的加权因子,具体如下:
至此,通过步骤S5-1至S5-8,获取到R0,Q0的老化因子γk已经进行了最优化估计。
S5_9:利用γk,对二阶防止等效模型进行实时在线惩罚和修正,得到修正二阶仿真等效模型。
如此,利用步骤a-i和步骤S5_1到步骤S5_9,计算出最大单体电压下的SOC用VmaxSOC表示,最小单体电压下的SOC用VminSOC表示,最小容量下的SOC用QminSOC表示,DeltaSOC(单体SOC-平均SOC),使用线性回归算法计算加权值,即为当前荷电状态,其估算函数如下:
f(SOCi)=w1×VmaxSOCi+w2×VminSOCi+w3×QminSOCi+w4×DelataSOCi
具体地,考虑误差服从高斯分布,在通过公式21估算当前荷电状态时,可以设置目标函数来计算权重,具体如下:
其中,yi为试验真实值。
如此,可以对目标函数进行随机梯度求解,求取最优的wi,具体如下:
最后,在得到最优的wi之后,将最优的wi输入到公式21中得到最优化的当前荷电状态,具体为
至此,通过以上步骤,即可完成在工程化实车应用中对SOC进行全温度,全SOC范围,全生命周期的SOC估算。
在获取到每个电芯的荷电状态之后,执行步骤S104。
在步骤S104中,在获取到每个电芯的荷电状态之后,提取关键电芯状态的特征因子,根据提取的关键电芯状态的特征因子,获取到电池组的当前荷电状态。
如图4所示,为本说明书实施例中电动车的电池组的荷电状态估算方法的整体流程图。其中,首先执行步骤A1,读取RTC时间,获取FlashSOC和0CVSOC;接着执行步骤A2,获取较为准确的初始SOC;判断当前电芯温度和当前SOC是否均达到对应的阈值,Tmax≥Tthreshold,Tmin≥Tthreshold,SOC≥SOCThreshold,其中,Tmax表示电池组中的最高单体电芯温度,Tmin表示电池组中最低单体电芯温度;若否,执行步骤A3,进入按时积分,计算当前荷电状态;若是,执行步骤A4,进入闭环算法,无偏最优估计SOC,首先执行A4-1,求取状态方程,再执行步骤A4-2,计算转移矩阵Ak,观测矩阵Ck,计算协方差,更新协方差Pk -;计算卡尔曼增益Kk;执行步骤A4-3,更新状态变量;若是,执行步骤A5,进入闭环算法,无偏差估计R0和Q0;首先执行A5-1,求取状态方程,再执行步骤A5-2,计算转移矩阵Ak,观测矩阵Ck,计算协方差,更新协方差Pk -;计算卡尔曼增益Lk;执行步骤A5-3,更新状态变量(R0,Q0);接下来执行步骤A6,计算单体SOC,VmaxSOC,VminSOC,QminSOC和DeltaSOC;接下来执行步骤A7,获取最终最优化SOC估算。
如图5所示,为本发明实施例提供的电动车的电池组的荷电状态估算方法在低温下的仿真结果图。
针对某种电芯的电池组在低温(-10℃)NEDC循环工况下试验,使用本发明的荷电状态估算方法测得的当前荷电状态为50-1,与实际测量得到的荷电状态曲线为50-2(通过高精度设备获取),估算的荷电状态与真实的荷电状态之差(估算误差)为曲线51所示,根据曲线51可知,低温下的算法能很快收敛,将估算误差控制在1%以内,收敛后能控制算法精度和稳定性,测试得到当前荷电状态的精度明显提升。曲线52-1和52-2分别表示实测电压和预估电压,由曲线可知预估电压有较好的跟随性,说明本算法的电芯模型有较高的精度和稳定性,为全工况及全生命周期的动力电池组SOC高精度估算提供有效保障。曲线53为测试的NEDC循环工况下的电流曲线。
本说明书实施例的有益效果如下:
根据上述技术方案,根据所述电动车处于休眠状态下的休眠时长,对所述电池组的荷电状态进行校正,得到初始荷电状态;以提高获取的初始荷电状态的精确度;在初始荷电状态的准确度提高的基础上,根据初始荷电状态,通过安时积分法计算出在设定时间段内的所述电池组的当前荷电状态的精确度也会随之提高;以及在检测到当前荷电状态大于荷电阈值,通过闭环算法估算出所述电池组的当前荷电状态,如此,使得在低SOC下,安时积分时间短,电流变化小,能够有效提高计算出的SOC的精确度;当SOC超过荷电阈值时,此时等效模型的内阻较为稳定,等效模型精度高,切换为闭环算法,能够有效消除安时积分的过程误差,降低SOC误差,使得通过闭环算法计算出的当前荷电状态的准确度也会随之提高,针对电池组不同单体电芯的一致性,本发明设计了电池组的电荷状态估算方法,有效表征了电池组的荷电状态,较大提升了估算精度。本发明的算法能较大节省模型标定试验周期和成本,具有较高的鲁棒性,能直接进行工程化应用。
尽管已描述了本说明书的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。
显然,本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样,倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内,则本说明书也意图包含这些改动和变型在内。
Claims (9)
1.一种电动车的电池组的荷电状态估算方法,其特征在于,包括:
根据所述电动车处于休眠状态下的休眠时长,对所述电池组的荷电状态进行校正,得到初始荷电状态;
根据所述初始荷电状态,通过安时积分法计算出在设定时间段内的所述电池组的当前荷电状态;
若所述电池组的当前电芯温度大于预设温度和所述当前荷电状态大于荷电阈值,通过一种多时间尺度自适应的闭环算法估算出所述电池组中每个电芯的荷电状态;
所述通过一种多时间尺度自适应的闭环算法估算出所述电池组中每个电芯的荷电状态,包括:
创建二阶仿真等效模型,并通过测量确定所述二阶仿真等效模型中的多个参数;
通过创建的第一扩展卡尔曼滤波算法进行变量估算,得到所述电池组的荷电状态变量;
通过创建的第二扩展卡尔曼滤波算法进行变量估算,得到所述电池组的过程误差变量和测量误差变量;
根据所述荷电状态变量、所述过程误差变量、所述测量误差变量和所述二阶仿真等效模型,得到每个电芯的荷电状态;
根据每个电芯的荷电状态,估算所述电池组的当前荷电状态。
2.如权利要求1所述的方法,其特征在于,所述根据所述电动车处于休眠状态下的休眠时长,对所述电池组的荷电状态进行校正,得到初始荷电状态,包括:
将所述休眠时长输入到开路电压法中进行荷电状态校正,得到校正荷电状态;
根据所述校正荷电状态和所述电动车在休眠状态之前显示的显示荷电状态,获取所述初始荷电状态。
3.如权利要求2所述的方法,其特征在于,所述通过一种多时间尺度自适应的闭环算法估算出所述电池组中每个电芯的荷电状态,包括:
检测所述当前电芯温度是否大于所述预设温度,检测所述当前荷电状态是否大于所述荷电阈值;
若检测到所述电池组的当前电芯温度大于所述预设温度,且所述当前荷电状态大于所述荷电阈值,采用所述闭环算法进行估算,得到所述电池组中每个电芯的荷电状态。
4.如权利要求1所述的方法,其特征在于,所述通过创建的第一扩展卡尔曼滤波算法进行变量估算,得到所述电池组的荷电状态变量,包括:
创建第一扩展卡尔曼滤波状态方程;
根据所述第一扩展卡尔曼滤波状态方程,计算出第一转移矩阵和第一观测矩阵,以及获取过程误差和测量误差的第一协方差,以及获取第一卡尔曼增益;
根据所述第一协方差和所述第一卡尔曼增益,计算出所述荷电状态变量。
5.如权利要求4所述的方法,其特征在于,所述获取第一卡尔曼增益,包括:
根据测量得到的所述电池组的荷电状态和电流数据,生成验证模型;
根据所述验证模型的预测荷电状态和实时测量的荷电状态,获取第一荷电误差值;
在所述第一荷电误差值不大于第一设定误差值时,获取所述第一卡尔曼增益。
6.如权利要求5所述的方法,其特征在于,所述通过创建的第二扩展卡尔曼滤波算法进行变量估算,得到所述电池组的过程误差变量和测量误差变量,包括:
创建第二扩展卡尔曼滤波状态方程;
根据所述第二扩展卡尔曼滤波状态方程,计算出第二转移矩阵和第二观测矩阵,以及获取过程误差和测量误差的第二协方差,以及获取第二卡尔曼增益;
根据所述第二协方差和所述第二卡尔曼增益,计算出所述过程误差变量和所述测量误差变量。
7.如权利要求6所述的方法,其特征在于,所述获取第二卡尔曼增益,包括:
根据所述第二扩展卡尔曼滤波状态方程的预测荷电状态和实时测量的荷电状态,获取第二荷电误差值;
在所述第二荷电误差值不大于第二设定误差值时,获取所述第二卡尔曼增益。
8.如权利要求7所述的方法,其特征在于,所述根据所述荷电状态变量、所述过程误差变量、所述测量误差变量和所述二阶仿真等效模型,得到所述当前荷电状态,包括:
根据所述过程误差变量和所述测量误差变量,计算出所述过程误差变量对应的过程老化因子,以及所述测量误差变量对应的测量老化因子;
根据所述过程老化因子和所述测量老化因子,对所述二阶仿真等效模型进行修正,得到修正二阶仿真等效模型;
根据所述过程误差变量和所述修正二阶仿真等效模型,得到所述当前荷电状态。
9.如权利要求8所述的方法,其特征在于,所述根据所述过程误差变量和所述修正二阶仿真等效模型,得到所述当前荷电状态,包括
根据所述过程误差变量和所述修正二阶仿真等效模型进行荷电状态估算,估算得到最大单体电压下的第一荷电状态、最小单体电压下的第二荷电状态、最小容量下的第三荷电状态和电池单体的第四荷电状态;
根据所述第一荷电状态、所述第二荷电状态、所述第三荷电状态和所述第四荷电状态,获取到所述当前荷电状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402546.1A CN112666475B (zh) | 2020-12-02 | 2020-12-02 | 一种电动车的电池组的荷电状态估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402546.1A CN112666475B (zh) | 2020-12-02 | 2020-12-02 | 一种电动车的电池组的荷电状态估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112666475A CN112666475A (zh) | 2021-04-16 |
CN112666475B true CN112666475B (zh) | 2023-10-20 |
Family
ID=75402660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011402546.1A Active CN112666475B (zh) | 2020-12-02 | 2020-12-02 | 一种电动车的电池组的荷电状态估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112666475B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011017113A1 (de) * | 2011-04-14 | 2012-10-18 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zur Bestimmung von Zustandsgrößen eines Akkumulators |
CN206460151U (zh) * | 2016-11-16 | 2017-09-01 | 惠州市蓝微新源技术有限公司 | 一种电池组荷电状态估算系统 |
CN108693483A (zh) * | 2018-07-18 | 2018-10-23 | 深圳汽航院科技有限公司 | 一种电池包荷电状态的计算方法及系统 |
CN109613432A (zh) * | 2019-01-08 | 2019-04-12 | 广州小鹏汽车科技有限公司 | 估算电池荷电状态的方法、设备及计算机可读存储介质 |
CN111308357A (zh) * | 2020-04-01 | 2020-06-19 | 一汽解放汽车有限公司 | 电池容量估算方法、电池管理系统、车辆及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11214150B2 (en) * | 2017-01-09 | 2022-01-04 | Volvo Truck Corporation | Method and arrangement for determining the state of charge of a battery pack |
-
2020
- 2020-12-02 CN CN202011402546.1A patent/CN112666475B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011017113A1 (de) * | 2011-04-14 | 2012-10-18 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zur Bestimmung von Zustandsgrößen eines Akkumulators |
CN206460151U (zh) * | 2016-11-16 | 2017-09-01 | 惠州市蓝微新源技术有限公司 | 一种电池组荷电状态估算系统 |
CN108693483A (zh) * | 2018-07-18 | 2018-10-23 | 深圳汽航院科技有限公司 | 一种电池包荷电状态的计算方法及系统 |
CN109613432A (zh) * | 2019-01-08 | 2019-04-12 | 广州小鹏汽车科技有限公司 | 估算电池荷电状态的方法、设备及计算机可读存储介质 |
CN111308357A (zh) * | 2020-04-01 | 2020-06-19 | 一汽解放汽车有限公司 | 电池容量估算方法、电池管理系统、车辆及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于等效模型和多时间尺度扩展卡尔曼滤波的锂离子电池SOC预测;陈冰 等;计算机测量与控制;第25卷(第5期);67-70 * |
Also Published As
Publication number | Publication date |
---|---|
CN112666475A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107991623B (zh) | 一种考虑温度和老化程度的电池安时积分soc估计方法 | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
CN107402353B (zh) | 一种对锂离子电池的荷电状态进行滤波估计的方法及系统 | |
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 | |
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 | |
US9287723B2 (en) | Cell balancing apparatus and method using a voltage variation pattern of each cell to estimate an open circuit voltage value for each cell | |
CN112615075B (zh) | 电池快速充电方法及计算机设备 | |
CN112946499A (zh) | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 | |
CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
US20140316728A1 (en) | System and method for soc estimation of a battery | |
JP6509725B2 (ja) | バッテリの充電状態の推定 | |
CN107209227B (zh) | 电池组的电池单元的充电状态的自动估计方法 | |
CN107003360B (zh) | 电池组的充电状态的自动确定方法 | |
CN111812519B (zh) | 一种电池参数辨识方法及系统 | |
EP4033585A1 (en) | Estimation device, estimation method, and computer program | |
CN109342950A (zh) | 一种用于锂电池荷电状态的评估方法、装置及其设备 | |
CN109856548A (zh) | 动力电池容量估算方法 | |
CN114705990B (zh) | 电池簇荷电状态的估计方法及系统、电子设备及存储介质 | |
CN109752660B (zh) | 一种无电流传感器的电池荷电状态估计方法 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
JP2020153881A (ja) | 充電可能電池劣化推定装置および充電可能電池劣化推定方法 | |
CN115308616A (zh) | Ocv-soc标定及估算方法、装置、介质和车辆 | |
CN113125978B (zh) | 一种电动自行车用锂电池soc测量方法 | |
CN113495214B (zh) | 一种基于温度变化模型的超级电容荷电状态估计方法 | |
CN116577686B (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和系统 |
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 |