CN112906176B - 一种电池等效电路模型的健康预测方法及系统 - Google Patents

一种电池等效电路模型的健康预测方法及系统 Download PDF

Info

Publication number
CN112906176B
CN112906176B CN201911226512.9A CN201911226512A CN112906176B CN 112906176 B CN112906176 B CN 112906176B CN 201911226512 A CN201911226512 A CN 201911226512A CN 112906176 B CN112906176 B CN 112906176B
Authority
CN
China
Prior art keywords
battery
equivalent circuit
health
circuit model
value
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
Application number
CN201911226512.9A
Other languages
English (en)
Other versions
CN112906176A (zh
Inventor
高首聪
臧晓笛
庞家猛
刘璐
李琦
薛冬良
汤腾蛟
万能
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.)
CRRC Zhuzhou Institute Co Ltd
Original Assignee
CRRC Zhuzhou Institute 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 CRRC Zhuzhou Institute Co Ltd filed Critical CRRC Zhuzhou Institute Co Ltd
Priority to CN201911226512.9A priority Critical patent/CN112906176B/zh
Publication of CN112906176A publication Critical patent/CN112906176A/zh
Application granted granted Critical
Publication of CN112906176B publication Critical patent/CN112906176B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法及系统,包括:通过实验获取电池在不同工况下的实验数据;利用多元线性回归方法对实验数据进行处理,离线辨识得到模型结构参数,建立基于多维查表法的电池等效电路模型;基于电池等效电路模型对电池的健康状况进行预测。本发明的方法及系统均具有拟合性好、预测精度高等优点。

Description

一种电池等效电路模型的健康预测方法及系统
技术领域
本发明主要涉及电池技术领域,特指一种基于参数拟合和多维表法建立的电池等效电路模型的健康预测的方法和系统。
背景技术
建立电池模型是改进电池反应性能、电池应用系统仿真、电池SOC及SOH等参数估算、优化电池管理系统等工作的基础。由于动力电池工况变化复杂,所以针对动力电池建模与管理、参数辨识等方面有待深入研究。根据电池建模原理以及电池的外特性表征方式将电池模型分为物理化学方程模型、等效电路模型、热模型、拟合模型等。等效电路模型是指基于电池的内部反应原理,选择合适的电路元件来描述电池内部的活化损耗、极化损耗、欧姆损耗等,达到表征电池外特性的目的。与其他电池模型相比,等效电路模型表达直观清晰、不涉及电池内部复杂的电化学参数,并且可以写出模型的数学方程,分析和应用比较方便,且适合与负载和充放电电路联合仿真,因而得到广泛应用。
建立等效电路模型主要包括两个内容,一是选择拓扑结构,二是模型结构参数确定。拓扑结构有Rint模型、RC模型、Thevenin模型、PNGV模型、GNL模型等。结构参数取值通过各类辨识方法得到。参数辨识可分为在线和离线两种不同的处理方式。在线辨识是根据电池当前运行数据实时进行参数辨识并实时修正参数;离线辨识则是预先设定工况并通过反复实验得到运行数据,据此得到模型参数。在线辨识所得参数一般随工况变化而不断改变,离线辨识的参数可以表征为固定值,也可表征为和工况有关的变动值。动力电池工况变化复杂,且具有严重的时变非线性等特点,参数辨识需要较高的数据精度和采样率,所以离线辨识比较常用。
电池模型需考虑温度、充放电电流、荷电状态、循环寿命、自放电等因素的影响。
现有的电池等效电路模型是采用机理分析的方法进行建模,即根据电池内部的物理化学过程建立相应的数学模型,需要涉及到电池内部复杂的电化学参数,表达不够直观清晰,要求建模者具有相应学科的相关知识,分析和应用比较困难,难以用现有技术进行仿真,因而没有得到广泛应用。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种拟合性好、预测效果好的基于参数拟合和多维表法建立的电池等效电路模型的健康预测的方法和系统。
为解决上述技术问题,本发明提出的技术方案为:
一种基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法,包括步骤:
S01、通过实验获取电池在不同工况下的实验数据;
S02、利用多元线性回归方法对实验数据进行处理,离线辨识得到模型结构参数,建立基于多维查表法的电池等效电路模型;
S03、基于电池等效电路模型对电池的健康状况进行预测。
作为上述技术方案的进一步改进,在步骤S01中,所述实验数据包括电池健康状态,通过以下过程得到:
电池从投入使用到当前时间止,电池所充入与放出的总的电能分别记为W3C、W3D,如式 (4):
Figure BDA0002302379850000021
其中Ub(τ)表示电池的端电压,ib(τ)表示电池负载电流,规定电池放电时电流为正,充电时电流为负;
则等效循环次数Ne的值可按照式(5)计算得到。
Figure BDA0002302379850000022
电池使用到达终止条件时,一般ne大于N,则电池的健康状态可由式(6)得到:
Figure BDA0002302379850000023
作为上述技术方案的进一步改进,在步骤S01中,在稳态寿命测试过程中,每A次进行一组暂态测试,共进行K组,则
K=[N/A] (7)
记录第K次暂态测试组所对应的循环次数为:
L[k]=(k-1)A,k∈[1,K] (8)。
作为上述技术方案的进一步改进,在步骤S01中,在每个暂态测试组中,选取D个温度分别进行测试,温度的取值范围为[Tmin,Tmax],令温度间隔为
Figure BDA0002302379850000024
于是,
T[d]=Tmin+ΔT*(d-1),d∈[1,D] (9)。
作为上述技术方案的进一步改进,在步骤S01中,在每个温度下,进行两次循环实验,第一次按照标准电流进行充放电,记录此过程中电池充放电电能,同时记录至式(10)中,
Figure BDA0002302379850000031
计算在不同循环测试组不同温度下进行充放电的SOC的最大值,并用标幺值表示,如式 (11):
Figure BDA0002302379850000032
此值可作为SOC进行离散化划分的依据。
作为上述技术方案的进一步改进,在步骤S01中,在每个温度下的第二次循环过程中,选取G个不同的荷电状态点进行改进HPPC实验,SOCmax的取值按照式(10)中的最大值选取,SOC 间隔为
Figure BDA0002302379850000033
对不包含的点进行补全处理,以放电过程为例,则荷电状态取值点对应值为
S[g]=(g-1)*ΔSOC,g∈[1,G] (12)
在每个SOC点,将电池静置一定时间,记录电池的端电压至
UOC[g][d][k],g∈[1,G],d∈[1,D],k∈[1,K] (13);
在每一个荷电状态取值点分别以Z个不同的电流分别进行脉冲充放电测试,电流的取值范围为[Imin,Imax],令电流间隔为
Figure BDA0002302379850000034
则电流取值对应
I[z]=Imin+(z-1)*ΔI,z∈[1,Z] (14)
其中,可设,Imin=0.2C,Imax=3C;
在以每个电流进行改进HPPC测试中,分别记录电池的电压值和电流值,数据采样率为fs,记录时长按标准设定,并设数据长度为M,记录数据对应数组如下:
Uc[m][z][g][d][k],m∈[1,M] (15)
Ic[m][z][g][d][k],m∈[1,M] (16)
自放电的选取可单独选一新电池试品,将其充满电,则其等效循环次数ne=0,将其置于常温环境下,测量其开路电压VOC1,根据式(13)得到此时的荷电状态为SOC1,将其静置一定时长(设P),再次测量电池的端电压VOC2,得此时的荷电状态SOC2,则自放电率为
Figure BDA0002302379850000041
自放电率SD的单位为W,表示单位时间内放出的电能。
作为上述技术方案的进一步改进,在步骤S03中,基于电池等效电路模型对电池管理系统的SOC和SOH进行估算,将电池的工作状态分为静置状态和运行状态两种,根据电池的工况参数判断电池所处的状态,不同状态下采用相应的方法对电池的SOC进行估算。
本发明还公开了一种基于参数拟合和多维表法建立的电池等效电路模型的健康预测系统,包括
第一模块,用于通过实验获取电池在不同工况下的实验数据;
第二模块,用于利用多元线性回归方法对实验数据进行处理,离线辨识得到模型结构参数,建立基于多维查表法的电池等效电路模型;
第三模块,用于基于电池等效电路模型对电池的健康状况进行预测。
本发明进一步公开了一种计算机可读存储介质,其上储存有计算机程序,所述计算机程序在被处理器运行时执行如上所述的基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法的步骤。
本发明还公开了一种计算机设备,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序在被处理器运行时执行如上所述的基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法的步骤。
与现有技术相比,本发明的优点在于:
1)本发明采用实验建模的方法,考虑影响电池性能的老化、温度、SOC、负载电流、自放电等因素,通过合理的实验设置得到不同工况下的实验数据,利用多元线性回归方法对实验数据进行处理,离线辨识得到模型结构参数,建立电池等效电路模型;本方法是从外部实验特征上测试和描述电池的内部结构,因此不需要掌握电池的内部机理。
2)本发明利用多元线性回归方法对模型参数的辨识结果与实验测试数据一致,具有良好的拟合性;本发明基于特定电池模型的结构参数建立多维表及查表策略所建电池模型可用于各类电池仿真研究。
3)本发明所建模型充分考虑了温度、充放电电流、荷电状态、循环寿命对模型参数的影响,且考虑了温度、循环寿命对电池容量的影响,并依此对SOC进行相关修正与估算。
4)本发明结合电池管理系统将电池的状态分为运行状态/静置状态,并用于SOC修正,可优化估算效果。
附图说明
图1为本发明的Thevenin模型的拓扑结构。
图2为本发明的仿真电路图。
图3为本发明的仿真流程图。
图4为本发明的估计流程图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1至图4所示,本发明的基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法,包括步骤:
S01、通过实验获取电池在不同工况下的实验数据;
S02、利用多元线性回归方法对实验数据进行处理,离线辨识得到模型结构参数,建立基于多维查表法的电池等效电路模型;
S03、基于电池等效电路模型对电池的健康状况进行预测。
本发明采用实验建模的方法,考虑影响电池性能的老化、温度、SOC、负载电流、自放电等因素,通过合理的实验设置得到不同工况下的实验数据,利用多元线性回归方法对实验数据进行处理,离线辨识得到模型结构参数,建立电池等效电路模型;本方法是从外部实验特征上测试和描述电池的内部结构,因此不需要掌握电池的内部机理。
本实施例中,针对影响电池参数的因素,通过实验获取各因素之间相互影响和作用的规律,并设计实验及结果的合适存储方式。电池循环寿命测试用时最长,且是基础性测试过程。该过程在一定温度下并以一定充放电标准进行,并逐次记录充电电能与放电电能,直至达到设定的终止条件(此过程产生数据可称为寿命稳态测试过程)。
高采样率和高精度的电池电流和电压数据(可称为暂态测试数据)是等效电路模型结构参数辨识的基础数据,如基于混合动力脉冲特性(hybird pulse powercharacterization, HPPC)实验测试过程。本发明对原有HPPC循环实验进行改进,每次以不同的电流进行测试(可称为改进HPPC),为缩短实验周期,可将暂态测试过程与寿命稳态测试过程交叉进行,为了不影响寿命测试结果,每次改进HPPC测试放电和充电的时间保持一致,以保证SOC值相对恒定。以电池的寿命测试为主线,在循环次数的某些离散点,进行不同的温度、SOC、充放电电流下的暂态测试,并记录相关数据,自放电试验可单独进行并记录结果。
1)电池达到终止条件时,设电池循环寿命为N次,在共计N次的循环寿命测试过程中,需要得到每一次循环满充满放电能[7],并将其存到数组中:
Figure BDA0002302379850000061
满充满放电能值由式(2)计算得到。
Figure BDA0002302379850000062
其中,Ub(τ)表示电池的端电压,Ib(τ)表示电池负载电流,规定电池放电时电流为正,充电时电流为负,t1、t2分别表示充电过程的起始、终止时刻,Ub(t1)、Ub(t2)分别对应充电过程的起始电压与终止电压,Ib(t1)、Ib(t2)、分别对应充电过程的起始电流与终止电流,t3、 t4与t1、t2的含义相似。
则电池在整个寿命过程中累计的总的充电电能、放电电能W2C、W2D可由式(3)得到
Figure BDA0002302379850000063
2)电池在使用过程中,很难达到标准的满充满放条件,可定义等效循环次数用于计算寿命。电池从投入使用到当前时间止,电池所充入与放出的总的电能分别记为W3C、W3D,如式 (4)。
Figure BDA0002302379850000064
则等效循环次数ne的值可按照式(5)计算得到。
Figure BDA0002302379850000065
电池使用到达终止条件时,一般ne大于N,则电池的健康状态可由式(6)得到。
Figure BDA0002302379850000066
3)在稳态寿命测试过程中,每A次进行一组暂态测试,设共进行K组,则
K=[N/A] (7)
为之后插值运算方便,记录第K次暂态测试组所对应的循环次数为:
L[k]=(k-1)A,k∈[1,K] (8)
4)在每个暂态测试组中,选取D个温度分别进行测试,温度的取值范围为[Tmin,Tmax],令温度间隔为
Figure BDA0002302379850000071
于是,
T[d]=Tmin+ΔT*(d-1),d∈[1,D] (9)
5)在每个温度下,进行两次循环实验,第一次按照标准电流进行充放电,并按照公式(2) 记录此过程中电池充放电电能,记录至式(1),同时记录至式(10)中。
Figure BDA0002302379850000072
根据式(9)计算在不同循环测试组不同温度下进行充放电的SOC的最大值,并用标幺值表示,如式(11)。
Figure BDA0002302379850000073
此值可作为SOC进行离散化划分的依据。
6)在每个温度下的第二次循环过程中,选取G个不同的荷电状态点进行改进HPPC实验, SOCmax的取值按照式(10)中的最大值选取,SOC间隔为
Figure BDA0002302379850000074
为插值方便,对不包含的点进行补全处理,以放电过程为例,则荷电状态取值点对应值为
S[g]=(g-1)*ΔSOC,g∈[1,G] (12)
在每个SOC点,将电池静置一定时间,记录电池的端电压至
UOC[g][d][k],g∈[1,G],d∈[1,D],k∈[1,K] (13)
7)在每一个荷电状态取值点分别以Z个不同的电流分别进行脉冲充放电测试,电流的取值范围为[Imin,Imax],令电流间隔为
Figure BDA0002302379850000081
则电流取值对应
I[z]=Imin+(z-1)*ΔI,z∈[1,Z] (14)
其中,可设,Imin=0.2C,Imax=3C。
8)在以每个电流进行改进HPPC测试中,分别记录电池的电压值和电流值,数据采样率为 fs,记录时长按标准设定,并设数据长度为M,记录数据对应数组如下:
Uc[m][z][g][d][k],m∈[1,M] (15)
Ic[m][z][g][d][k],m∈[1,M] (16)
9)自放电的选取可单独选一新电池试品,将其充满电,则其等效循环次数ne=0,将其置于常温(20℃)环境下,测量其开路电压VOC1,根据式(13)得到此时的荷电状态为SOC1,将其静置一定时长(设P),再次测量电池的端电压VOC2,得此时的荷电状态SOC2,则自放电率为
Figure BDA0002302379850000082
自放电率SD的单位为W,表示单位时间内放出的电能。若要考虑温度、老化、湿度对自放电的影响,可另设置实验进行测量。
针对实验获取的这些数据,式(5)用于电池健康状态SOH的计算,式(15、16)用来对电池模型的结构参数进行辨识,式(11、13、17)用于对电池的SOC进行修正,式(8、9、12、14)主要为电池模型的插值方便而记录。
本实施例中,对于等效电路模型的结构参数辨识,可选取某种电路模型,根据某种方法对电池模型结构参数进行辨识,以获取不同工况下的电池模型参数,建立实用化模型。本发明利用多元线性回归方法进行参数辨识,以Thevenin模型为例说明电池模型的参数辨识过程,其模型拓扑结构如图1所示。
图1中,UOC为模型的开路电压,RO为欧姆内阻,RP为极化内阻,CP为极化电容,Ib为电池的工作电流,Ub为端电压,规定电池放电时负载电流符号为正,充电时负载电流符号为负。由图1可得电池的输出方程为:
Ub=UOC-ROIb-RPIP (18)
依此建立模型拟合原理式
Ub,i-UOC=-ROIb,i-RPIP,i (19)
Ub,i、Ib,i由式(15-16)得到,UOC由式(13)得到,IP,i可由式(20)得到,
Figure BDA0002302379850000091
负载电压误差按照式(21)进行计算
Figure BDA0002302379850000092
其中,Ts1为采样周期,Ib,i、IP,i为自变量,Ub,i为因变量,RO、RP为回归系数。τp为极化时间常数(τP=RP*CP),
Figure BDA0002302379850000093
为辨识结果。
在进行改进的HPPC测试时,由电压变化曲线大致确定τp范围,在多元线形回归分析时,根据最大回归判定系数来确定τp的最佳值,最大回归判定系数越接近1,τp值越好。
最后,根据式(19、20)进行多元线性回归分析,根据要求使得误差平方和(∑ΔU2)最小,即可得到所要估算的Thevenin模型中的的参数RO、RP,根据τp的值可得到CP的值。
根据上述原理对电池模型结构参数进行辨识,得到相应工况下的电池模型参数值。并记录到
Figure BDA0002302379850000094
z、g、d、k的值可由前式得到。
为插值方便,对式(22)中空缺元素进行补全,即可得到电池在工况范围内所设离散点的电池模型数据。
本实施例中,电池模型用算法控制受控电流源实现电池端电压的变化,用受控电流源模拟负载的变化,BMS通过采集电池的端电压、负载电流、温度值实现SOC、SOH的计算,其仿真电路图如图2所示。
本实施例中,针对上述所得到的电池模型结构参数,给定电池初始相关数据,即可对不同工况下的电池进行仿真,在得知工况电流、温度的情况下,可得到电池端电压、荷电状态、健康状态的变化过程。由于电池的老化、温度对电池剩余电能的影响较大,即影响电池的SOC 取值,因此仿真过程也应体现这一变化,随着电池温度、使用寿命的变化,及时对SOC进行修正,以保证当前的SOC值能够反映当前工况下电池的真实状态。整个过程可由如下流程图描述。
首先对电池模型进行初始化,包括电池所累计放出的电能W3D、温度T、电池极化电流 IP以及此工况下的荷电状态SOC,由(5)(6)计算等效循环次数与SOH,则由式(13)插值得到电池开路电压UOC,作为电池的端电压输出。
设电池更新数据周期为Ts2,认为一个周期内电池模型的输出值不变,每个周期开始,首先检测电池的负载电流Ib、温度T,根据当前周期及上周期T、ne的值由式(11)插值得到两周期内满充SOC取值,并按照式(23)对SOC进行修正,得到由温度、等效循环次数修正后的 SOC值,用SOCS表示。其次,根据ne、T、SOCS、Ib的值由式(22)查表插值得到电池模型的结构参数UOC(k+1)、RO(k+1)、RP(k+1)、CP(k+1)、τ(k+1),由式(20)(22)计算得到电池的端电压输出值。累计电池此周期内的充放电电能更新W3D,依此计算ne、SOH,由式(24)计算电池的SOC输出值,SOC的计算由安时积分、电池内阻的消耗及自放电共同得到,最终得到了此周期端电压Ub、SOC、SOH值。
Figure BDA0002302379850000101
Figure BDA0002302379850000102
这样即可仿真不同工况下的电池的端电压变化过程,并可得到当前荷电状态SOC值以及健康状态SOC值。
本实施例中,针对电池管理系统,准确的电池模型可用SOC的估算,本发明应用基于多维查表法建立的等效电路模型对电池管理系统的SOC/SOH进行估算。将电池的工作状态分为静置状态和运行状态两种,根据电池的工况参数判断电池所处的状态,不同状态下采用相应的方法对电池的SOC进行估算,其流程图如图4所示。
静置状态下,电池的SOC按照当前等效循环次数、温度、开路电压值由式(13)查表插值得到;运行状态下则按照式(23-24)计算得到;SOH的值由式(5-6)得到。
1)本发明利用多元线性回归方法对模型参数的辨识结果与实验测试数据一致,具有良好的拟合性;本发明基于特定电池模型的结构参数建立多维表及查表策略所建电池模型可用于各类电池仿真研究。
2)本发明所建模型充分考虑了温度、充放电电流、荷电状态、循环寿命对模型参数的影响,且考虑了温度、循环寿命对电池容量的影响,并依此对SOC进行相关修正与估算。
3)本发明结合电池管理系统将电池的状态分为运行状态/静置状态,并用于SOC修正,可优化估算效果。
本发明还公开了一种基于参数拟合和多维表法建立的电池等效电路模型的健康预测系统,包括
第一模块,用于通过实验获取电池在不同工况下的实验数据;
第二模块,用于利用多元线性回归方法对实验数据进行处理,离线辨识得到模型结构参数,建立基于多维查表法的电池等效电路模型;
第三模块,用于基于电池等效电路模型对电池的健康状况进行预测。
本发明实施例还公开了一种计算机可读储存介质,其上储存有计算机程序,计算机程序在被处理器运行时执行如上所述的基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法的步骤。同时,本发明实施例还公开了一种计算机设备,包括处理器和存储器,存储器上存储有计算机程序,计算机程序在被处理器运行时执行如上所述的基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法的步骤。本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器 (ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现各种功能。存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其它易失性固态存储器件等。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。

Claims (9)

1.一种基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法,其特征在于,包括步骤:
S01、通过实验获取电池在不同工况下的实验数据;
S02、利用多元线性回归方法对实验数据进行处理,离线辨识得到模型结构参数,建立基于多维查表法的电池等效电路模型;
S03、基于电池等效电路模型对电池的健康状况进行预测;
在步骤S01中,所述实验数据包括电池健康状态,通过以下过程得到:
电池从投入使用到当前时间止,电池所充入与放出的总的电能分别记为W3C、W3D,如式(4):
Figure FDA0003672530680000011
其中,Ub(τ)表示电池的端电压,ib(τ)表示电池负载电流,规定电池放电时电流为正,充电时电流为负;
则等效循环次数Ne的值可按照式(5)计算得到;
Figure FDA0003672530680000012
电池使用到达终止条件时,一般ne大于N,则电池的健康状态可由式(6)得到:
Figure FDA0003672530680000013
2.根据权利要求1所述的基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法,其特征在于,在步骤S01中,在稳态寿命测试实验过程中,每A次进行一组暂态测试,共进行K组,则
K=[N/A] (7)
记录第K次暂态测试组所对应的循环次数为:
L[k]=(k-1)A,k∈[1,K] (8)。
3.根据权利要求2所述的基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法,其特征在于,在步骤S01中,在每个暂态测试组实验中,选取D个温度分别进行测试,温度的取值范围为[Tmin,Tmax],令温度间隔为
Figure FDA0003672530680000014
于是,
T[d]=Tmin+ΔT*(d-1),d∈[1,D] (9)。
4.根据权利要求3所述的基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法,其特征在于,在步骤S01中,在每个温度下,进行两次循环实验,第一次按照标准电流进行充放电,记录此过程中电池充放电电能,同时记录至式(10)中,
Figure FDA0003672530680000021
计算在不同循环测试组不同温度下进行充放电的SOC的最大值,并用标幺值表示,如式(11):
Figure FDA0003672530680000022
此值可作为SOC进行离散化划分的依据。
5.根据权利要求4所述的基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法,其特征在于,在步骤S01中,在每个温度下的第二次循环过程中,选取G个不同的荷电状态点进行改进HPPC实验,SOCmax的取值按照式(10)中的最大值选取,SOC间隔为
Figure FDA0003672530680000023
对不包含的点进行补全处理,以放电过程为例,则荷电状态取值点对应值为
S[g]=(g-1)*ΔSOC,g∈[1,G] (12)
在每个SOC点,将电池静置一定时间,记录电池的端电压至
UOC[g][d][k],g∈[1,G],d∈[1,D],k∈[1,K] (13);
在每一个荷电状态取值点分别以Z个不同的电流分别进行脉冲充放电测试,电流的取值范围为[Imin,Imax],令电流间隔为
Figure FDA0003672530680000024
则电流取值对应
I[z]=Imin+(z-1)*ΔI,z∈[1,Z] (14)
其中,可设,Imin=0.2C,Imax=3C;
在以每个电流进行改进HPPC测试中,分别记录电池的电压值和电流值,数据采样率为fs,记录时长按标准设定,并设数据长度为M,记录数据对应数组如下:
Uc[m][z][g][d][k],m∈[1,M] (15)
Ic[m][z][g][d][k],m∈[1,M] (16)
自放电的选取可单独选一新电池试品,将其充满电,则其等效循环次数ne=0,将其置于常温环境下,测量其开路电压VOC1,根据式(13)得到此时的荷电状态为SOC1,将其静置一定时长,设P,再次测量电池的端电压VOC2,得此时的荷电状态SOC2,则自放电率为
Figure FDA0003672530680000031
自放电率SD的单位为W,表示单位时间内放出的电能。
6.根据权利要求5所述的基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法,其特征在于,在步骤S03中,基于电池等效电路模型对电池管理系统的SOC和SOH进行估算,将电池的工作状态分为静置状态和运行状态两种,根据电池的工况参数判断电池所处的状态,不同状态下采用相应的方法对电池的SOC进行估算。
7.一种基于参数拟合和多维表法建立的电池等效电路模型的健康预测系统,其特征在于,包括
第一模块,用于通过实验获取电池在不同工况下的实验数据;
第二模块,用于利用多元线性回归方法对实验数据进行处理,离线辨识得到模型结构参数,建立基于多维查表法的电池等效电路模型;
第三模块,用于基于电池等效电路模型对电池的健康状况进行预测;
在第一模块中,所述实验数据包括电池健康状态,通过以下过程得到:
电池从投入使用到当前时间止,电池所充入与放出的总的电能分别记为W3C、W3D,如式(4):
Figure FDA0003672530680000032
其中,Ub(τ)表示电池的端电压,ib(τ)表示电池负载电流,规定电池放电时电流为正,充电时电流为负;
则等效循环次数Ne的值可按照式(5)计算得到;
Figure FDA0003672530680000033
电池使用到达终止条件时,一般ne大于N,则电池的健康状态可由式(6)得到:
Figure FDA0003672530680000041
8.一种计算机可读存储介质,其上储存有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如权利要求1-6中任意一项所述的基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法的步骤。
9.一种计算机设备,包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如权利要求1-6中任意一项所述的基于参数拟合和多维表法建立的电池等效电路模型的健康预测方法的步骤。
CN201911226512.9A 2019-12-04 2019-12-04 一种电池等效电路模型的健康预测方法及系统 Active CN112906176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911226512.9A CN112906176B (zh) 2019-12-04 2019-12-04 一种电池等效电路模型的健康预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911226512.9A CN112906176B (zh) 2019-12-04 2019-12-04 一种电池等效电路模型的健康预测方法及系统

Publications (2)

Publication Number Publication Date
CN112906176A CN112906176A (zh) 2021-06-04
CN112906176B true CN112906176B (zh) 2022-07-26

Family

ID=76104372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911226512.9A Active CN112906176B (zh) 2019-12-04 2019-12-04 一种电池等效电路模型的健康预测方法及系统

Country Status (1)

Country Link
CN (1) CN112906176B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116979185B (zh) * 2023-08-04 2024-05-17 湖南恩智测控技术有限公司 一种基于电池模拟器模拟电池的温度调整方法及其系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295003A (zh) * 2016-08-11 2017-01-04 北京航空航天大学 一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法
CN107576919A (zh) * 2017-10-20 2018-01-12 广东石油化工学院 基于armax模型的动力电池荷电状态估算系统及方法
CN108647432A (zh) * 2018-05-09 2018-10-12 西安交通大学 基于热阻网络模型的电池热失控预测方法
CN109753668A (zh) * 2017-11-01 2019-05-14 中车株洲电力机车研究所有限公司 地面储能装置等效建模的方法、装置、设备及存储介质
CN110133525A (zh) * 2019-05-13 2019-08-16 哈尔滨工业大学 一种应用于电池管理系统的锂离子电池健康状态估计方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8159189B2 (en) * 2007-12-06 2012-04-17 GM Global Technology Operations LLC Battery state of health monitoring system and method
EP2963434B1 (en) * 2014-06-30 2021-08-11 Foundation Of Soongsil University-Industry Cooperation Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method
US10371754B2 (en) * 2016-02-19 2019-08-06 Cps Technology Holdings Llc Systems and methods for real-time estimation of capacity of a rechargeable battery
JP6567583B2 (ja) * 2017-03-15 2019-08-28 株式会社東芝 電池安全性評価装置、電池制御装置、電池安全性評価方法、プログラム、制御回路及び蓄電システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295003A (zh) * 2016-08-11 2017-01-04 北京航空航天大学 一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法
CN107576919A (zh) * 2017-10-20 2018-01-12 广东石油化工学院 基于armax模型的动力电池荷电状态估算系统及方法
CN109753668A (zh) * 2017-11-01 2019-05-14 中车株洲电力机车研究所有限公司 地面储能装置等效建模的方法、装置、设备及存储介质
CN108647432A (zh) * 2018-05-09 2018-10-12 西安交通大学 基于热阻网络模型的电池热失控预测方法
CN110133525A (zh) * 2019-05-13 2019-08-16 哈尔滨工业大学 一种应用于电池管理系统的锂离子电池健康状态估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Cheng Zhang.Online estimation of battery equivalent circuit model parameters and state of charge using decoupled least squares technique.《ELSEVIER》.2017, *
刘大同.锂离子电池健康评估和寿命预测综述.《仪器仪表学报》.2015,第36卷(第1期), *

Also Published As

Publication number Publication date
CN112906176A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN110261779B (zh) 一种三元锂电池荷电状态与健康状态在线协同估计方法
CN110146822B (zh) 一种基于恒流充电过程的车用动力电池容量在线估计方法
Gholizadeh et al. Estimation of state of charge, unknown nonlinearities, and state of health of a lithium-ion battery based on a comprehensive unobservable model
JP2023518778A (ja) 電池充電状態を決定する方法及び装置、電池管理システム
CN105005000B (zh) 感测电池容量的系统和方法
CN107167743B (zh) 基于电动车辆的荷电状态估算方法和装置
CN110573892B (zh) 用于估计电池等效电路模型的参数的方法、装置和记录介质
Nemes et al. Modeling and simulation of first-order Li-Ion battery cell with experimental validation
CN109991554B (zh) 一种电池电量检测方法、装置及终端设备
CN110133525B (zh) 一种应用于电池管理系统的锂离子电池健康状态估计方法
WO2017163089A1 (en) An energy storage device monitoring technique
CN112269137B (zh) 一种基于动态参数识别的电池健康状态估算方法
CN110568373A (zh) 锂电池健康状态评估方法、系统、终端及存储介质
CN108829911A (zh) 一种开路电压与soc函数关系优化方法
CN113567861B (zh) 一种动力电池健康状态的估算方法
CN113933710A (zh) 电池功率状态的在线预测方法及终端设备
CN110927582B (zh) 一种基于多种sigma点的锂电池SOC估计方法
CN109298340B (zh) 一种基于可变时间尺度的电池容量在线估计方法
CN112906176B (zh) 一种电池等效电路模型的健康预测方法及系统
CN112557925B (zh) 锂离子电池soc估算方法和装置
Rezoug et al. State-of-charge Estimation of Lithium-ion Batteries Using Extended Kalman Filter
TWI509521B (zh) 鋰電池之電路模型建構方法
CN111723454A (zh) 一种二阶pngv模型参数的在线生成方法、装置和计算机设备
CN113466726B (zh) 确定电池等效电路模型的参数的方法、装置、存储介质及电子设备
CN109991546B (zh) 一种电池参数获取方法、装置及终端设备

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