CN113030555B - 储能器开路电压估计方法、装置、终端设备及存储介质 - Google Patents
储能器开路电压估计方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN113030555B CN113030555B CN202010190977.XA CN202010190977A CN113030555B CN 113030555 B CN113030555 B CN 113030555B CN 202010190977 A CN202010190977 A CN 202010190977A CN 113030555 B CN113030555 B CN 113030555B
- Authority
- CN
- China
- Prior art keywords
- current
- circuit voltage
- energy storage
- open
- storage device
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
-
- 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
本申请适用于储能器技术领域,提供了储能器开路电压估计方法、装置、终端设备及存储介质,该储能器开路电压估计方法包括:获取储能器的当前电压、当前电流和当前温度,并确定所述当前电压和所述当前电流的等效电路模型;通过递推最小二乘法对所述等效电路模型进行处理,得到所述储能器的估计参数,所述估计参数包括第一开路电压估计值;基于所述第一开路电压估计值、所述当前电流和所述当前温度,确定所述储能器的第二开路电压估计值;基于所述第二开路电压估计值确定所述储能器的当前开路电压。本申请能够在较宽的温度范围内准确获取储能器的开路电压值。
Description
技术领域
本申请属于储能器技术领域,尤其涉及储能器开路电压估计方法、装置、终端设备及存储介质。
背景技术
锂离子电池/超级电容器已在电动汽车上广泛应用,但是状态估计和安全应用依然是被关注的重要问题,在此过程中,离不开对储能器关键参数的提取。在储能器的关键参数中,开路电压(简称为OCV)与储能器的电量状态、能量状态、安全状态都息息相关。在电动汽车行车过程中的动态工况下,提取储能器的开路电压值比较困难。而且,电动汽车的使用环境温度随着季节而变化,储能器的特性也随之变化,使得对开路电压的估计变得更加困难,且对开路电压的估计准确率较低。
发明内容
为克服相关技术中存在的问题,本申请实施例提供了储能器开路电压估计方法、装置、终端设备及存储介质。
本申请是通过如下技术方案实现的:
第一方面,本申请实施例提供了一种储能器开路电压估计方法,包括:
获取储能器的当前电压、当前电流和当前温度,并确定所述当前电压和所述当前电流的等效电路模型;
通过递推最小二乘法对所述等效电路模型进行处理,得到所述储能器的估计参数;其中,所述估计参数包括第一开路电压估计值;
基于所述第一开路电压估计值、所述当前电流和所述当前温度,确定所述储能器的第二开路电压估计值;
基于所述第二开路电压估计值确定所述储能器的当前开路电压。
第二方面,本申请实施例提供了一种储能器开路电压估计装置,包括:
获取模块,用于获取储能器的当前电压、当前电流和当前温度,并确定所述当前电压和所述当前电流的等效电路模型;
估计模块,用于通过递推最小二乘法对所述等效电路模型进行处理,得到所述储能器的估计参数;其中,所述估计参数包括第一开路电压估计值;
处理模块,用于基于所述第一开路电压估计值、所述当前电流和所述当前温度,确定所述储能器的第二开路电压估计值;
确定模块,用于基于所述第二开路电压估计值确定所述储能器的当前开路电压。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的储能器开路电压估计方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述的储能器开路电压估计方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的储能器开路电压估计方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例,获取储能器的当前电压、当前电流和当前温度,并确定当前电压和当前电流的等效电路模型;通过递推最小二乘法对该等效电路模型进行处理,得到储能器的估计参数,该估计参数包括第一开路电压估计值;基于第一开路电压估计值、当前电流和当前温度,确定储能器的第二开路电压估计值,并基于第二开路电压估计值确定储能器的当前开路电压,能够在较宽的温度范围内准确获取储能器的开路电压值。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的储能器开路电压估计方法的应用场景示意图;
图2是本申请一实施例提供的储能器开路电压估计方法的流程示意图;
图3是本申请一实施例提供的储能器开路电压估计方法的流程示意图;
图4是本申请一实施例提供的储能器开路电压估计方法的流程示意图;
图5是本申请一实施例提供的储能器开路电压估计方法的流程示意图;
图6是本申请一实施例提供的储能器开路电压估计方法的流程示意图;
图7是本申请一实施例提供的储能器开路电压估计方法的流程示意图;
图8是本申请一实施例提供的在DST工况下对混合型超级电容器的模型参数进行辨识的结果;
图9是本申请一实施例提供的在FUDS工况下对混合型超级电容器的模型参数进行辨识的结果;
图10是在DST和FUDS工况下,利用本申请实施例的方法获得的OCV1与参考值的对比和误差情况;
图11是利用本申请实施例的方法对混合型超级电容器进行参数辨识后OCV的结果;
图12是本申请实施例提供的储能器开路电压估计装置的结构示意图;
图13是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
锂离子电池/超级电容器已在电动汽车上广泛应用,但是状态估计和安全应用依然是被关注的重要问题,在此过程中,离不开对储能器关键参数的提取。在储能器的关键参数中,开路电压OCV与储能器的电量状态、能量状态、安全状态都息息相关。在电动汽车行车过程中的动态工况下,提取储能器的开路电压值比较困难。而且,电动汽车的使用环境温度随着季节而变化,储能器的特性也随之变化,使得对开路电压的估计变得更加困难,且对开路电压的估计准确率较低。
基于上述问题,本申请实施例中的储能器开路电压估计方法,获取电动汽车位于行车工况时储能器的当前电压、当前电流和当前温度,并确定当前电压和当前电流的等效电路模型,通过递推最小二乘法对该等效电路模型进行处理得到储能器的第一开路电压估计值,基于第一开路电压估计值、当前电流和当前温度确定储能器的第二开路电压估计值,并基于第二开路电压估计值确定储能器的当前开路电压,能够在较宽的温度范围内准确获取储能器的开路电压值。
举例说明,本申请实施例可以应用到如图1所示的示例性场景中。在该场景中,以电动汽车为例,获取电动汽车位于行车工况时储能器10的当前电压、当前电流和当前温度,例如可以在电动汽车位于行车工况时,采集储能器10的当前电压、当前电流和当前温度;终端设备20用于确定当前电压和当前电流的等效电路模型,通过递推最小二乘法对该等效电路模型进行处理得到储能器的第一开路电压估计值,基于第一开路电压估计值、当前电流和当前温度确定储能器的第二开路电压估计值,并基于第二开路电压估计值确定储能器的当前开路电压。
以下结合图1对本申请的储能器开路电压估计方法进行详细说明。
图2是本申请一实施例提供的储能器开路电压估计方法的示意性流程图,参照图2,对该储能器开路电压估计方法的详述如下:
在步骤101中,获取储能器的当前电压、当前电流和当前温度,并确定所述当前电压和所述当前电流的等效电路模型。
以电动汽车为例,本步骤中可以获取电动汽车位于行车工况时储能器的当前电压、当前电流和当前温度。例如,可以在电动汽车位于行车工况时,采集电动汽车的储能器的当前电压、当前电流和当前温度;或者,获取电动汽车位于行车工况时储能器产生的电压、电流、温度和产生时间,从而获取储能器的当前电压、当前电流和当前温度,本申请实施例对比不予限定。
其中,可以通过电压采集设备、电流采集设备和温度采集设备,分别采集储能器的当前电压、当前电流和当前温度。例如,电压采集设备可以为电压感应器,电流采集设备可以为电流感应器,温度采集设备可以为温度感应器。
一个场景中,可以通过储能器管理系统实时采集储能器的当前电压、当前电流和当前温度。
一个实施例中,等效电路模型可以为一阶RC等效电路模型,一阶RC等效电路如图3所示。具体的,等效电路模型可以包括观测方程和状态转移方程,观测方程为Ut=OCV1+RoI+Up,状态转移方程为OCV1为第一开路电压估计值,在后面步骤中通过对该等效电路模型进行处理,能够得到储能器的第一开路电压估计值。
在步骤102中,通过递推最小二乘法对所述等效电路模型进行处理,得到所述储能器的估计参数,所述估计参数包括第一开路电压估计值。
一个实施例中,步骤102具体可以包括:
构建基于上述当前电压和上述当前电流的递推最小二乘法的参数矩阵,并设置上述递推最小二乘法的遗忘因子;
对上述参数矩阵进行迭代更新,并基于上述估计参数与上述参数矩阵之间的关系,确定上述估计参数。
其中,遗忘因子用于去除历史数据对当前参数辨识结果的影响,该历史数据包括当前时刻之前的逆相关矩阵、待辨识参数向量、电流、电压、欧姆内阻Ro、极化内阻Rp等。
具体的,可以利用电动汽车上储能器管理系统实时采集的储能器的电流、电压量,构建带遗忘因子的递推最小二乘法的参数矩阵,并以电压量作为观测量;另外,设置遗忘因子数值大小或设置遗忘因子的自适应更新规则,利用递推最小二乘法RLS算法对该参数矩阵进行迭代更新,随后利用第一开路电压估计值OCV1、欧姆内阻Ro、极化内阻Rp与参数矩阵之间的关系式,获得估计参数的最终辨识结果。
例如,上述参数矩阵可以为:
其中,Kk为第k个时刻的增益向量,θk为第k个时刻的待辨识参数向量,Pk为第k个时刻的逆相关矩阵,λ为遗忘因子,k为第k个时刻,且
θk=[OCV1,k,Ro,k+Rp,k,τkRo,k,τk]T
Ik为第k个时刻的总电流,Uk为第k个时刻的总电压,OCV1,k为第k个时刻的第一开路电压估计值,Ro,k为第k个时刻的欧姆内阻,Rp,k为第k个时刻的极化内阻,τk是第k个时刻的时间常数。
一个实施例中,上述估计参数还可以包括储能器的欧姆内阻Ro和极化内阻Rp,得出上述估计参数为:
其中,θ为目标向量(即待辨识参数向量),θk(i)为目标向量的第一个元素,θk(2)为目标向量的第二个元素,θk(3)为目标向量的第三个元素,θk(4)为目标向量的第四个元素。
在步骤103中,基于所述第一开路电压估计值、所述当前电流和所述当前温度,确定所述储能器的第二开路电压估计值。
一个实施例中,可以基于第一开路电压估计值、当前电流和当前温度,通过训练后的递归型神经网络,确定储能器的第二开路电压估计值。
基于此,本申请实施例还可以包括训练所述递归型神经网络的步骤。
具体的,参见图4,上述训练所述递归型神经网络的过程可以包括:
在步骤201中,对样本数据进行归一化处理,所述样本数据包括储能器的开路电压估计值、负载电流和工作温度。
本步骤中,对储能器的开路电压估计值、负载电流和工作温度进行归一化处理,能够加快模型学习过程并抑制过度拟合的发生。例如,可以将开路电压估计值、负载电流和工作温度归一化至0到1的范围内。
在步骤202中,将经过归一化处理后的所述样本数据转化为目标格式,生成训练数据集和测试数据集。
其中,可以将多个温度(如:50℃,25℃,-10℃)下的训练和测试数据转换为LSTM模型所需的格式,例如格式为[批大小,时间步长,特征]。转化后的数据可以被组合或划分为训练数据集和测试数据集。
在步骤203中,基于所述训练数据集和所述测试数据集对所述递归型神经网络进行训练。
例如,可以将训练数据集添加到LSTM模型中进行训练,并且每预设个数的训练步骤确定一次测试数据集下的损失函数;在当前损失函数的值是所有损失函数的值的最小值时,保存当前LSTM模型和模型的权重参数,对应的LSTM模型即为最终的LSTM模型。其中,LSTM模型的主要结构参数与训练信息可以如表1所示。
表1LSTM模型的主要结构参数与训练信息
相对于传统的依赖递推最小二乘法或者滤波算法的参数辨识方法,本实施例中将递推最小二乘法和神经网络相结合对储能器的开路电压进行估计,能够在宽温度范围内准确获取储能器的开路电压值。
在步骤104中,基于所述第二开路电压估计值确定所述储能器的当前开路电压。
本步骤中,可以基于预设的训练集电流序列和储能器在第一预设历史时间段内的电流序列的关系,根据所述第二开路电压估计值确定所述储能器的当前开路电压。
参见图5,一些实施例中,步骤104具体可以包括:
在步骤1041中,获取储能器在第一预设历史时间段内的电流序列,和预设的训练集电流序列。
在步骤1042中,判断该电流序列的均方根值是否小于该训练集电流序列的均方根值;在该电流序列的均方根值小于该训练集电流序列的均方根值时,执行步骤1043;在该电流序列的均方根值大于或等于该训练集电流序列的均方根值时,执行步骤1044。
在步骤1043中,将所述第二开路电压估计值作为所述储能器的当前开路电压。
在步骤1044中,基于预设函数关系式和在第二预设历史时间内确定的所述储能器的开路电压,确定所述储能器的当前开路电压;其中,所述预设函数关系式为所述储能器的开路电压与荷电状态之间的函数关系式。
具体的,在步骤1041中的电流序列为行车工况的电流序列,该第一预设历史时间可以为当前时刻k到历史时刻k-N的时间段。例如,可以将历史时刻k-N到当前时刻k之间的电流量序列作为该电流序列,其中N为预设数据序列长度。
在行车工况电流序列的均方根值小于训练集电流序列的均方根值时,可以将第二开路电压估计值OCV2直接输出,作为储能器的当前开路电压估计值OCVEst。
参见图6,一个实施例中,对于步骤104,具体可以包括:
在步骤301中,基于所述预设函数关系式和在预设时间段内确定的所述储能器的开路电压,确定所述储能器在所述第二预设历史时间段内的历史荷电状态估计值.
在步骤302中,基于所述历史荷电状态估计值确定所述储能器的当前荷电状态估计值。
在步骤303中,基于所述当前荷电状态估计值,根据所述预设函数关系式确定所述储能器的当前开路电压。
其中,在行车工况电流序列的均方根值大于或等于训练集电流序列的均方根值时,认为实际行车工况特征超出了递归神经网络模型所能覆盖的范围。基于此,可以利用当前时刻之前N秒的开路电压估计值OCVEst,根据开路电压和储能器荷电状态SOC之间的关系函数,计算获得N秒前储能器的SOC估计值。然后,利用N秒前的SOC估计值推导计算出当前时刻储能器的SOC估计值,再通过开路电压与储能器SOC之间的关系函数,获得当前时刻的OCV估计值OCV3,作为储能器的当前开路电压OCVEst。
上述储能器开路电压估计方法,获取储能器的当前电压、当前电流和当前温度,并确定当前电压和当前电流的等效电路模型;通过递推最小二乘法对该等效电路模型进行处理,得到储能器的估计参数,该估计参数包括第一开路电压估计值;基于第一开路电压估计值、当前电流和当前温度,通过递推神经网络模型确定储能器的第二开路电压估计值,并基于第二开路电压估计值确定储能器的当前开路电压,结合递推最小二乘法和神经网络相结合对储能器的开路电压进行估计,能够在较宽的温度范围内准确获取储能器的开路电压值。
图7为本申请实施例提供的储能器开路电压估计方法的流程示意图,参见图7,上述储能器开路电压估计方法可以包括:
在步骤401中,获取储能器的当前电压、当前电流和当前温度,并确定所述当前电压和所述当前电流的等效电路模型。
在步骤402中,通过递推最小二乘法对所述等效电路模型进行处理,得到所述储能器的第一开路电压估计值、欧姆电阻和极化内阻。
在步骤403中,基于所述第一开路电压估计值、所述当前电流和所述当前温度,通过递归型神经网络确定所述储能器的第二开路电压估计值。
在步骤404中,获取所述储能器在当前时刻的前第一预设时间段内的历史电流序列,和预设的训练集电流序列。
在步骤405中,判断该电流序列的均方根值是否小于该训练集电流序列的均方根值;在该电流序列的均方根值小于该训练集电流序列的均方根值时,执行步骤406;在该电流序列的均方根值大于或等于该训练集电流序列的均方根值时,执行步骤407。
在步骤406中,将所述第二开路电压估计值作为所述储能器的当前开路电压。
在步骤407中,基于所述预设函数关系式和在预设时间段内确定的所述储能器的开路电压,确定所述储能器在所述第二预设时间段内的历史荷电状态估计值。
在步骤408中,基于所述历史荷电状态估计值确定所述储能器的当前荷电状态估计值。
在步骤409中,基于所述当前荷电状态估计值,根据所述预设函数关系式确定所述储能器的当前开路电压。
本实施例中,还通过DST行车工况和FUDS行车工况对本申请进行验证,验证结果如图8至图11所示。
图8所示:利用可变的遗忘因子最小二乘法,针对DST行车工况数据,计算获得的第一开路电压OCV1,欧姆内阻Ro,极化内阻Rp和模型的端电压拟合误差,从端电压拟合情况看,多数情况下模型和参数能够准确反应储能器的动态特性。
图9所示:利用可变的遗忘因子最小二乘法,针对FUDS行车工况数据,计算获得的第一开路电压OCV1,欧姆内阻Ro,极化内阻Rp和模型的端电压拟合误差,从端电压拟合情况看,多数情况下模型和参数能够准确反应储能器的动态特性。图8和图9反应了本申请具有很好的鲁棒性。
图10所示:在-10℃环境下,第一开路电压OCV1与开路电压的参考真值相比,存在较大偏离的现象。
图11所示:利用本申请方法辨识获得的开路电压估计值与开路电压的参考真值相比,一致性好,误差小。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的储能器开路电压估计方法,图12示出了本申请实施例提供的储能器开路电压估计装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参见图12,本申请实施例中的储能器开路电压估计装置可以包括获取模块501、估计模块502、处理模块503和确定模块504。
其中,获取模块501,用于获取储能器的当前电压、当前电流和当前温度,并确定所述当前电压和所述当前电流的等效电路模型;
估计模块502,用于通过递推最小二乘法对所述等效电路模型进行处理,得到所述储能器的估计参数;其中,所述估计参数包括第一开路电压估计值;
处理模块503,用于基于所述第一开路电压估计值、所述当前电流和所述当前温度,确定所述储能器的第二开路电压估计值;
确定模块504,用于基于所述第二开路电压估计值确定所述储能器的当前开路电压。
可选的,估计模块502具体可以用于:
构建基于所述当前电压和所述当前电流的递推最小二乘法的参数矩阵,并设置所述递推最小二乘法的遗忘因子;
对所述参数矩阵进行迭代更新,并基于所述估计参数与所述参数矩阵之间的关系,确定所述估计参数。
可选的,所述参数矩阵为:
其中,Kk为增益向量,θk为待辨识参数向量,Pk为逆相关矩阵,λ为所述遗忘因子,k为第k个时刻,且
θk=[OCV1,k,Ro,k+Rp,k,τkRo,k,τk]T
Ik是第k个时刻的总电流,Uk是第k个时刻的总电压,OCVk是第k个时刻的第一开路电压估计值,Ro,k是第k个时刻的欧姆内阻,Rp,k是第k个时刻的极化内阻,τk是第k个时刻的时间常数;
所述估计参数还包括所述储能器的欧姆内阻Ro和极化内阻Rp,所述估计参数为:
其中,θ为目标向量,θk(i)为目标向量的第i个元素,i=1,2,3,4。
可选的,处理模块503具体可以用于:
基于所述第一开路电压估计值、所述当前电流和所述当前温度,通过训练后的递归型神经网络,确定所述储能器的第二开路电压估计值。
可选的,上述储能器开路电压估计装置还可以包括:网络训练模块;
该网络训练模块可以用于:
对样本数据进行归一化处理,所述样本数据包括储能器的开路电压估计值、负载电流和工作温度;
将经过归一化处理后的所述样本数据转化为目标格式,生成训练数据;
基于所述训练数据对所述递归型神经网络进行训练。
可选的,确定模块504具体可以用于:
获取所述储能器在第一预设时间段内的电流序列,和预设的训练集电流序列;
在所述电流序列的均方根值小于所述训练集电流序列的均方根值的情况下,将所述第二开路电压估计值作为所述储能器的当前开路电压;
在所述电流序列的均方根值大于或等于所述训练集电流序列的均方根值的情况下,基于预设函数关系式和在前预设时间段内确定的所述储能器的开路电压,确定所述储能器的当前开路电压;其中,所述预设函数关系式为所述储能器的开路电压与荷电状态之间的函数关系式。
可选的,所述基于预设函数关系式和在第二预设时间段内确定的所述储能器的开路电压,确定所述储能器的当前开路电压,包括:
基于所述预设函数关系式和在预设时间段内确定的所述储能器的开路电压,确定所述储能器在所述第二预设时间段内的历史荷电状态估计值;
基于所述历史荷电状态估计值确定所述储能器的当前荷电状态估计值;
基于所述当前荷电状态估计值,根据所述预设函数关系式确定所述储能器的当前开路电压。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种终端设备,参见图13,该终端设600可以包括:至少一个处理器610、存储器620以及存储在所述存储器620中并可在所述至少一个处理器610上运行的计算机程序,所述处理器610执行所述计算机程序时实现上述任意各个方法实施例中的步骤,例如图2所示实施例中的步骤101至步骤104。或者,处理器610执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如图12所示模块501至504的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器620中,并由处理器610执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段,该程序段用于描述计算机程序在终端设备600中的执行过程。
本领域技术人员可以理解,图13仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如输入输出设备、网络接入设备、总线等。
处理器610可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器620可以是终端设备的内部存储单元,也可以是终端设备的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。所述存储器620用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器620还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的储能器开路电压估计方法可以应用于服务器、计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本、个人数字助理(personal digitalassistant,PDA)、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、手机等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述储能器开路电压估计方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述储能器开路电压估计方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一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,所述计算机程序包括计算机程序代码,所述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。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种储能器开路电压估计方法,其特征在于,包括:
获取储能器的当前电压、当前电流和当前温度,并确定所述当前电压和所述当前电流的等效电路模型;
通过递推最小二乘法对所述等效电路模型进行处理,得到所述储能器的估计参数,所述估计参数包括第一开路电压估计值;
基于所述第一开路电压估计值、所述当前电流和所述当前温度,确定所述储能器的第二开路电压估计值;
基于所述第二开路电压估计值确定所述储能器的当前开路电压;
所述基于所述第二开路电压估计值确定所述储能器的当前开路电压,包括:
获取所述储能器在第一预设历史时间内的电流序列,和预设的训练集电流序列;
在所述电流序列的均方根值小于所述训练集电流序列的均方根值的情况下,将所述第二开路电压估计值作为所述储能器的当前开路电压;
在所述电流序列的均方根值大于或等于所述训练集电流序列的均方根值的情况下,基于预设函数关系式和在第二预设历史时间段内确定的所述储能器的开路电压,确定所述储能器的当前开路电压;其中,所述预设函数关系式为所述储能器的开路电压与荷电状态之间的函数关系式。
2.如权利要求1所述的储能器开路电压估计方法,其特征在于,所述通过递推最小二乘法对所述等效电路模型进行处理,得到所述储能器的估计参数,包括:
构建基于所述当前电压和所述当前电流的递推最小二乘法的参数矩阵,并设置所述递推最小二乘法的遗忘因子;其中,所述遗忘因子用于去除历史数据对当前参数辨识结果的影响;
对所述参数矩阵进行迭代更新,并基于所述估计参数与所述参数矩阵之间的关系,确定所述估计参数。
3.如权利要求1所述的储能器开路电压估计方法,其特征在于,所述基于所述第一开路电压估计值、所述当前电流和所述当前温度,确定所述储能器的第二开路电压估计值,包括:
基于所述第一开路电压估计值、所述当前电流和所述当前温度,通过训练后的递归型神经网络,确定所述储能器的第二开路电压估计值。
4.如权利要求3所述的储能器开路电压估计方法,其特征在于,所述方法还包括:训练所述递归型神经网络;
所述训练所述递归型神经网络,包括:
对样本数据进行归一化处理,所述样本数据包括储能器的开路电压估计值、负载电流和工作温度;
将经过归一化处理后的所述样本数据转化为目标格式,生成训练数据集和测试数据集;
基于所述训练数据集和所述测试数据集对所述递归型神经网络进行训练。
5.如权利要求1所述的储能器开路电压估计方法,其特征在于,所述基于预设函数关系式和在第二预设历史时间内确定的所述储能器的开路电压,确定所述储能器的当前开路电压,包括:
基于所述预设函数关系式和在预设时间段内确定的所述储能器的开路电压,确定所述储能器在所述第二预设历史时间段内的历史荷电状态估计值;
基于所述历史荷电状态估计值确定所述储能器的当前荷电状态估计值;
基于所述当前荷电状态估计值,根据所述预设函数关系式确定所述储能器的当前开路电压。
6.一种储能器开路电压估计装置,其特征在于,包括:
获取模块,用于获取储能器的当前电压、当前电流和当前温度,并确定所述当前电压和所述当前电流的等效电路模型;
估计模块,用于通过递推最小二乘法对所述等效电路模型进行处理,得到所述储能器的估计参数;其中,所述估计参数包括第一开路电压估计值;
处理模块,用于基于所述第一开路电压估计值、所述当前电流和所述当前温度,确定所述储能器的第二开路电压估计值;
确定模块,用于基于所述第二开路电压估计值确定所述储能器的当前开路电压;
所述确定模块用于:
获取所述储能器在第一预设历史时间内的电流序列,和预设的训练集电流序列;
在所述电流序列的均方根值小于所述训练集电流序列的均方根值的情况下,将所述第二开路电压估计值作为所述储能器的当前开路电压;
在所述电流序列的均方根值大于或等于所述训练集电流序列的均方根值的情况下,基于预设函数关系式和在第二预设历史时间段内确定的所述储能器的开路电压,确定所述储能器的当前开路电压;其中,所述预设函数关系式为所述储能器的开路电压与荷电状态之间的函数关系式。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010190977.XA CN113030555B (zh) | 2020-03-18 | 2020-03-18 | 储能器开路电压估计方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010190977.XA CN113030555B (zh) | 2020-03-18 | 2020-03-18 | 储能器开路电压估计方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113030555A CN113030555A (zh) | 2021-06-25 |
CN113030555B true CN113030555B (zh) | 2022-12-09 |
Family
ID=76458577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010190977.XA Active CN113030555B (zh) | 2020-03-18 | 2020-03-18 | 储能器开路电压估计方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113030555B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104237791A (zh) * | 2013-06-20 | 2014-12-24 | 电子科技大学 | 一种锂电池荷电状态估算方法及电池管理系统和电池系统 |
CN110879364B (zh) * | 2018-08-27 | 2022-03-18 | 比亚迪股份有限公司 | 一种修正电池荷电状态soc显示的方法、装置、电子设备 |
CN109633456B (zh) * | 2019-01-22 | 2020-09-08 | 武汉大学 | 一种基于分段电压识别法的动力锂电池组soc估算方法 |
CN109932662A (zh) * | 2019-03-06 | 2019-06-25 | 重庆雅讯电源技术有限公司 | 电池容量状态估计方法、装置、设备及存储介质 |
-
2020
- 2020-03-18 CN CN202010190977.XA patent/CN113030555B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113030555A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ouyang et al. | Improved parameters identification and state of charge estimation for lithium-ion battery with real-time optimal forgetting factor | |
CN110244236B (zh) | 一种锂离子电池包soc估计方法、装置及终端设备 | |
CN110609232B (zh) | 一种锂离子电池soc估计方法、装置及终端设备 | |
CN112816877B (zh) | 电池的电流校准方法、设备和存储介质 | |
CN111679199A (zh) | 一种锂离子电池soc估计方法及装置 | |
CN113176505A (zh) | 车载动力电池荷电状态与健康状态在线估算方法、装置及存储介质 | |
CN112881921A (zh) | 电池等效电路模型参数辨识方法、装置、设备及存储介质 | |
CN106896325B (zh) | 一种电池参数在线辨识方法及系统 | |
CN114895205A (zh) | 电池模型参数的获取方法、装置、计算机设备、存储介质 | |
CN115453400A (zh) | 车载动力电池健康度评估方法、系统及介质 | |
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 | |
CN113030555B (zh) | 储能器开路电压估计方法、装置、终端设备及存储介质 | |
CN113447824A (zh) | 电池最大充放电电流的估算方法、装置及存储介质 | |
CN117129874A (zh) | 电池等效电路模型的参数辨识方法及装置 | |
CN109298340B (zh) | 一种基于可变时间尺度的电池容量在线估计方法 | |
CN109063260B (zh) | 一种动力电池的老化趋势判断方法和装置 | |
CN116400223A (zh) | 一种电池电量信息生成方法、设备及可读存储介质 | |
CN115980583A (zh) | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 | |
CN113933725B (zh) | 一种基于数据驱动确定动力电池荷电状态的方法 | |
CN114252771B (zh) | 一种电池参数在线辨识方法及系统 | |
CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
CN114818371A (zh) | 一种基于双记忆长度的限定记忆法的锂电池参数辨识方法 | |
CN115113061A (zh) | 修正电池soc的方法及相关装置 | |
CN111239615A (zh) | 电池模型的参数的确定方法和装置、存储介质、计算机设备 | |
CN113567864A (zh) | 电池荷电状态的确定方法、装置、计算机设备及存储介质 |
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 |