CN112689770B - 用于估计电池的健康状态的方法和系统 - Google Patents
用于估计电池的健康状态的方法和系统 Download PDFInfo
- Publication number
- CN112689770B CN112689770B CN201880097504.6A CN201880097504A CN112689770B CN 112689770 B CN112689770 B CN 112689770B CN 201880097504 A CN201880097504 A CN 201880097504A CN 112689770 B CN112689770 B CN 112689770B
- Authority
- CN
- China
- Prior art keywords
- battery
- soh
- health
- state
- est
- 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
- 230000036541 health Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 18
- 230000015556 catabolic process Effects 0.000 claims abstract description 14
- 238000006731 degradation reaction Methods 0.000 claims abstract description 14
- 230000002787 reinforcement Effects 0.000 claims abstract description 13
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Abstract
一种用于估计电池的健康状态的方法和系统。本发明涉及一种用于估计车辆中的电池的健康状态SoHest的方法，所述方法包括：确定(100)车辆中的电池的第一电池属性和电池温度；基于所确定的第一电池属性使用预定模型来计算(102)电池单体的健康状态SoHcalc；提供(104)用于估计电池单体退化速率的函数f；根据SoHest←SoHest+f.dt+K.(SoHcalc‑SoHest)来更新(106)在前一个时间步长中估计的健康状态，其中，K是取决于车辆的操作条件的增益因子，并且其中，针对每个时间步长使用增强学习代理来修改(108)K。
Description
技术领域
本发明涉及一种用于车辆中的电池的健康状态估计的方法和系统。
本发明可以应用于重型车辆，例如卡车、公共汽车和建筑设备。尽管将参照卡车来描述本发明，但本发明不限于这种特定车辆，而是也可用在其他车辆中。
背景技术
在混合动力车辆或电动车辆中，对各种操作条件下的电池属性有充分了解是很重要的。为了实现这一点，电动车辆通常包括负责监测电池状态的电池管理系统。
特别地，电池管理系统的目的是：(1)能量水平状态监测，即，荷电状态估计，(2)功率容量状态监测，(3)维持电池组的安全运行，(4)健康状态估计，和(5)确保电池组中的电池单体被平衡。诸如电压、电流和温度的传感器信号与数学模型结合，以实现前面列出的目的。这些数学模型包括描述电池单体属性的参数，例如电阻、容量和开路电压。这些参数的设置对于有效的状态监测是至关重要的。通常，进行实验室测量以确定各种电池参数与诸如温度的外部参数之间的关系。
然而，电池单体的属性在单体之间有变化，并且还随着时间而变化。变化的原因可能与生产有关，并且所述单体的属性由于电池单体的退化而随时间改变，其中，不同电池单体中的改变可能不同。
由于目前在汽车工业中出现的电动化，能够准确地确定电池的健康状态(SoH)日益重要。例如需要所述健康状态以进行拥有成本评估并确定电池系统的剩余价值。然而，健康状态取决于多个操作条件。因此，健康状态可以被假定为例如随温度而变化。
因此，需要一种用于准确地估计车辆中的电池的健康状态的系统和方法。
发明内容
本发明的目的是提供一种用于估计车辆中的电池的健康状态的方法和系统。
根据本发明的第一方面，提供了一种用于估计车辆中的电池的健康状态SoHest的方法。该方法包括：确定车辆中的电池的第一电池属性和电池温度；针对所确定的第一电池属性使用预定模型来计算电池单体的健康状态SoHcalc；提供用于估计电池单体退化速率的函数f；根据下式来更新在前一个时间步长中估计的健康状态：
SoHest←SoHest+f·dt+K·(SoHcalc-SoHest)
其中，K是取决于车辆的操作条件的增益因子，并且其中，针对每个时间步长(timestep)使用增强学习代理来修改K。
在车辆电池中，可以假定电池测量被持续地执行，以针对改变的操作条件确定电池的各种属性。用于估计健康状态的所述关系可以看作观察滤波器(observer filter)，其中函数f表示对电池单体退化速率的估计，通常与例如电池的功率负载有关。然而，从长期来看，这种测量的不准确性将导致漂移的SoH估计。因此，需要校正项K·(SoHcalc-SoHest)。
所使用的预定模型可以用于针对所确定的电池属性计算健康状态。然而，存在一个问题，即，描述与电池属性有关的SoHcalc的该模型取决于操作条件(特别是温度)的范围。如果温度降低，则内部电阻通常会增加。此外，描述SoH的该模型并未涵盖操作条件的所有组合。例如，该模型可能是针对有限数量的特定温度而确定的。由此，当前的问题变成设置适当的滤波器增益K，并且本发明是基于以下认识：有利地，使用增强学习代理来设置K。增强学习是机器学习领域中的主题，其中对于观察到的状态，所述代理以最大化奖励为目标而采取动作。在本场景中，所述奖励是使电池健康状态的估计误差最小化。使用增强学习代理的优点在于，K的值可以以相对大的步长改变，这是传统卡尔曼滤波器不容易处理的。
为了确定电池的总体健康状态，可能希望确定多个电池单体的健康状态，以便适当地考虑电池单体之间的变化。
根据本发明的一个实施例，函数f是电池所提供的功率的函数。已知的是，从电池输出较高功率会增加电池退化速率。此外，函数f还可取决于荷电状态和电池温度，它们也可影响电池的退化速率。例如，在低温和/或在低荷电状态下，电池退化可能更高。
根据本发明的一个实施例，所确定的电池属性是电池电阻。所确定的电池属性也可以是用于描述电池的另一缓慢变化的参数，例如电池容量。对于某些温度和操作条件，缓慢变化的电池属性与电池健康状态之间的关系可以“离线”确定，例如在测试实验室中确定。
根据本发明的一个实施例，增益因子K是电池温度的函数。由此，可以实现增益因子K的更精确设置，因为该设置可以适合于当前操作条件，尤其是适合于电池温度。
根据本发明的一个实施例，增益因子K由预定策略控制，该预定策略限定了：对于给定温度，K是增加、减小还是保持恒定。有利地，该策略可以在实验室环境中确定，在该实验室环境中，可以限定K值应如何根据当前操作条件而改变。
根据本发明的一个实施例，所述预定策略可以是预定义的表，其限定了：对于给定的温度以及前一个估计步骤中的K的特定值，K是否应该增加、减小或保持恒定。K应该增加或减少的量被类似地预先确定，并且被包括在所述策略中。然而，应当注意，可以使用其他的确定和更新K值的方法。用于修改K值的所述增强学习代理例如可以是基于所谓的连续动作增强学习。
根据本发明的一个实施例，基于电池温度来选择用于计算健康状态的所述预定模型。这意味着，可以存在用于描述健康状态与所确定的电池属性(例如电阻)之间的关系的单独模型，这进而可以导致对健康状态值的更准确计算。
根据本发明的一个实施例，电池的所估计的健康状态的第一值被有利地设置为1。从而，当对特定电池第一次执行该方法时，假设该电池处于完全健康。因此，在电池的整个寿命期间，所估计的健康状态被保存并持续地更新。当然，也可以将起始健康状态设置为任何值。
根据本发明的一个实施例，用于计算健康状态SoHcalc的所述预定模型是基于电池的电池单体模型。电池单体模型通常可以给出电池属性的准确描述，例如针对特定的一组操作条件的健康状态。然而，电池单体模型可能无法准确地描述针对所有操作温度的电池属性，从而导致需要本公开中描述的方法。
根据本发明的一个实施例，所述方法可进一步包括：以在1至10分钟的范围内的间隔来执行对所估计的健康状态的更新。由于电池的健康状态是缓慢变化的参数，因此认为所述时间间隔是足够的。如果满足某些条件，则也可以执行健康状态估计。这种条件例如可以是来自电池的高功率输出，或者其它被认为对健康状态具有较大影响的操作条件。
还提供了一种计算机程序，该计算机程序包括程序代码组件，所述程序代码组件用于当所述程序在计算机上运行时执行上述任一实施例的步骤，并且提供了一种携载计算机程序的计算机可读介质，该计算机程序包括程序代码组件，所述程序代码组件用于当该程序产品在计算机上运行时执行所述方法的步骤。
根据本发明的第二方面，提供了一种电池系统，其包括电池和电池控制单元，该电池包括多个电池单体。该电池控制单元被配置成：确定车辆中的电池的第一电池属性和电池温度；针对所确定的第一电池属性使用预定模型来计算电池单体的健康状态SoHcalc；提供用于估计电池单体退化速率的函数f；根据SoHest←SoHest+f·dt+H·(SoHcalc-SoHest)来更新在前一个时间步长中估计的健康状态，其中，K是取决于车辆的操作条件的增益因子，并且其中，针对每个时间步长使用增强学习代理来修改K。
本发明的此第二方面的效果和特征在很大程度上类似于上文结合本发明的第一方面描述的效果和特征。
在以下描述中公开了本发明的其他优点和有利特征。
附图说明
参考附图，以下是作为示例引用的本发明的实施例的更详细描述。
在附图中：
图1是概述了根据本发明的实施例的方法的一般步骤的流程图；并且
图2示意性地示出了根据本发明的实施例的系统。
具体实施方式
现在将在下文中参考附图更全面地描述本发明，附图中示出了本发明的当前优选实施例。然而，本发明可以以许多不同的形式实施，且不应被解释为限于本文中阐述的实施例；相反，提供这些实施例是为了充分性和完整性，并且向技术人员充分传达本发明的范围。相同的附图标记始终表示相同的元件。
图1是概述了根据本发明的实施例的方法的一般步骤的流程图。用于估计车辆中的电池的健康状态SoHest的该方法首先包括确定(100)车辆中的电池的第一电池属性和电池温度的步骤。第一电池属性可以例如是电池电阻或电池容量。
接着，使用预定模型针对所确定的第一电池属性来计算(102)电池单体的健康状态SoHcalc，并且提供(104)估计电池单体退化速率的函数f。函数f可以是电池所提供的功率的函数，因为已知电池功率输出会影响电池的退化。
在下面的步骤中，根据下式来更新(106)在前一个时间步长中估计的健康状态：
SoHest←SoHest+f·dt+K·(SoHcalc-SoHest)
其中，K是取决于车辆的操作条件的增益因子，并且其中，针对每个时间步长使用增强学习代理(reinforcement learning agent)来修改(108)K。如果电池是新的或者没有可用的对健康状态的先前估计，则可以将SoHest设置为1。如果没有可用的先前估计，则也可以使用另一值作为初始SoHest。
然而，滤波器更新采样时间dt不必是恒定的。所述采样可以基于电池的负载电流，该负载电流可以或多或少是随机的。所述方法可以例如包括基于来自电池的电流的特定条件(例如当电流达到高于某个阈值或者电流的变化大于固定标准时)来触发采样以及对所估计的健康状态的更新。
用于估计电池单体退化速率的直接模型f可以公式化为：
其中Pbattery是从电池提取的功率，Ebettery是电池的能量容量，并且Ncyclife是在电池寿命期间可以由电池管理的充电循环的估计次数。此外，Ncyclife可以被定义为从电池提取的功率的函数，因为较高的功率输出通常会导致电池的较短寿命长度。
为了更准确地整体估计电池的健康状态，优选对电池组中的多个电池单体估计健康状态，以适当地考虑电池的电池单体之间的变化。
下面的表1示出了针对不同温度利用以下参数来更新增益因子K的示例性预定策略：I＝增加，K＝保持，并且D＝减少。表1的这些参数可以在受控的实验室环境中确定，在该环境中，可以针对不同温度来确定电池单体的行为。例如，对于20℃的温度，所述预定策略规定K的值应当趋向0.2，这是“保持-值(Keep-value)”。
| T\K | 0 | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 | 0.7 | 0.8 |
| 30 | I | K | D | D | D | D | D | D | D |
| 20 | I | I | K | D | D | D | D | D | D |
| 10 | K | D | D | D | D | D | D | D | D |
| 0 | K | D | D | D | D | D | D | D | D |
表1
图2示意性地示出了电池系统200，其包括电池204和电池控制单元208，电池204又包括多个电池单体206。控制单元208可以包括微处理器、微控制器、可编程数字信号处理器或另一可编程装置。控制单元208还可以或替代地包括专用集成电路、可编程门阵列或可编程阵列逻辑、可编程逻辑器件或数字信号处理器。在控制单元208包括诸如上文提到的微处理器、微控制器或可编程数字信号处理器的可编程装置的情况下，所述处理器还可以包括控制该可编程装置的操作的计算机可执行代码。
电池控制单元208被配置成：测量车辆中的电池的第一电池属性和电池温度；针对所确定的电池属性，使用预定模型来计算电池单体的健康状态SoHcalc；提供用于估计电池单体退化速率的函数f；根据下式来更新在前一个时间步长中估计的健康状态：
SoHest←SoHest+f·dt+K·(SoHcalc-SoHest)
其中，K是取决于车辆的操作条件的增益因子，并且其中，针对每个时间步长使用增强学习代理来修改K。
应当理解，本发明不限于上文所述和附图中示出的实施例；而是，本领域技术人员将认识到，在本发明的范围内可以进行许多修改和变型。
Claims (14)
1.一种用于估计车辆中的电池的健康状态SoHest的方法，所述方法包括：
确定车辆中的电池的第一电池属性和电池温度；
基于所确定的第一电池属性使用预定模型来计算电池单体的健康状态SoHcalc；
提供用于估计电池单体退化速率的函数f；
根据下式来更新在前一个时间步长中估计的健康状态：
SoHest←SoHest+f·dt+K·(SoHcalc-SoHest)
其中，K是取决于所述车辆的操作条件的增益因子，并且其中，针对每个时间步长使用增强学习代理来修改K。
2.根据权利要求1所述的方法，其中，所述函数f是所述电池提供的功率的函数。
3.根据权利要求1所述的方法，其中，所确定的第一电池属性是电池电阻。
4.根据权利要求1所述的方法，其中，所述增益因子K是所述电池温度的函数。
5.根据权利要求1所述的方法，其中，所述增益因子K由预定策略控制，所述预定策略限定了：对于给定温度，K是增加、减小还是保持恒定。
6.根据权利要求5所述的方法，其中，所述预定策略是预定义表，所述预定义表限定了：对于给定温度，K是增加、减小还是保持恒定。
7.根据权利要求1所述的方法，其中，基于所述电池温度来选择用于计算所述健康状态的所述预定模型。
8.根据权利要求1所述的方法，其中，电池的所估计的健康状态的第一值被设置为1。
9.根据权利要求1所述的方法，其中，用于计算所述健康状态SoHcalc的所述预定模型基于所述电池的电池单体模型。
10.根据权利要求1所述的方法，进一步包括：以在1至10分钟的范围内的间隔来执行对所估计的健康状态的更新。
11.一种携载计算机程序的计算机可读介质，所述计算机程序包括程序代码组件，所述程序代码组件用于当所述计算机程序在计算机上运行时执行权利要求1至10中的任一项所述的方法。
12.一种电池系统(200)，其包括电池(204)和电池控制单元(208)，所述电池(204)包括多个电池单体(206)，其中，所述电池控制单元被配置成：
测量车辆中的电池的第一电池属性和电池温度；
针对所确定的电池属性使用预定模型来计算电池单体的健康状态SoHcalc；
提供用于估计电池单体退化速率的函数f；
根据下式来更新在前一个时间步长中估计的健康状态
SoHest←SoHest+f·dt+K·(SoHcalc-SoHest)
其中，K是取决于所述车辆的操作条件的增益因子，并且其中，针对每个时间步长使用增强学习代理来修改K。
13.根据权利要求12所述的电池系统，其中，所述增益因子K由预定策略控制，所述预定策略限定了：对于给定温度，K是增加、减小还是保持恒定。
14.一种车辆，其包括根据权利要求12或13所述的电池系统。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/EP2018/075019 WO2020057715A1 (en) | 2018-09-17 | 2018-09-17 | A method and system for estimating the state-of-health of a battery |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112689770A CN112689770A (zh) | 2021-04-20 |
| CN112689770B true CN112689770B (zh) | 2024-07-02 |
Family
ID=
Non-Patent Citations (1)
| Title |
|---|
| 基于内阻检测的锂电池健康状态估计研究;刘江波;《中国优秀硕士学位论文全文数据库 工程科技II辑》(第01期);C042-1315 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9205755B2 (en) | Receding horizon regression analysis for battery impedance parameter estimation | |
| KR101866073B1 (ko) | 배터리 soh 추정 방법 | |
| US7994755B2 (en) | System, method, and article of manufacture for determining an estimated battery cell module state | |
| JP5944291B2 (ja) | バッテリのパラメータ等推定装置およびその推定方法 | |
| US11982720B2 (en) | Method and battery management system for ascertaining a state of health of a secondary battery | |
| EP3593155A1 (en) | A battery cell state of charge estimation method and a battery state monitoring system | |
| JP6450565B2 (ja) | バッテリのパラメータ推定装置 | |
| US20170269164A1 (en) | Automatic method for estimating the state of charge of a cell of a battery | |
| US20220365139A1 (en) | Method for estimating an operating parameter of a battery unit | |
| KR20170088424A (ko) | 배터리 셀의 충전 상태를 추정하는 자동적 방법 | |
| KR20170092589A (ko) | 배터리의 셀의 충전의 상태를 추정하는 자동적 방법 | |
| KR20170090442A (ko) | 배터리의 충전의 상태를 결정하는 자동적 방법 | |
| US20220373609A1 (en) | State Value for Rechargeable Batteries | |
| US10436849B2 (en) | System and corresponding method for estimating the charge status of a battery | |
| KR20160060556A (ko) | 전지 잔량 예측 장치 및 배터리 팩 | |
| JP2016065828A (ja) | 推定プログラム、推定方法および推定装置 | |
| CN113853524B (zh) | 用于估计电池状态的方法 | |
| CN114371408A (zh) | 电池荷电状态的估算方法、充电曲线的提取方法及装置 | |
| JP2014174172A (ja) | バッテリーの残存容量の決定方法 | |
| EP3832331B1 (en) | Cell state estimation device and cell control device | |
| CN112689770B (zh) | 用于估计电池的健康状态的方法和系统 | |
| US11953558B2 (en) | Method and system for estimating the state-of-health of a battery | |
| US20220003822A1 (en) | Battery control device | |
| CN113826019A (zh) | 用于估计电池状态的方法 | |
| CN114779081A (zh) | 车辆电池寿命的互学习预测方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |